基于深度残差网络的采煤机摇臂齿轮故障诊断

• 作者: 李长文 程泽银 张小刚 丁华
• 来源期刊: 工矿自动化
• 关键词: 采煤机摇臂 齿轮 故障诊断 深度残差网络 深度学习
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 实验研究|Experimental Research
• 页码范围: 71-78
• 页数: 8页
• 分类号: TD632.2
• 语种: 中文
• DOI: 10.13272/j.issn.1671-251x.2020110043

摘要

针对传统的采煤机摇臂齿轮故障诊断方法不能自主提取特征,导致齿轮故障诊断精度和效率不佳等问题,构建了基于深度残差网络(ResNet)的采煤机摇臂齿轮故障诊断模型.通过预激活残差单元模块降低模型的复杂度,使模型收敛速度更快;通过对振动信号进行数据重组,优化数据输入方式,提高模型对采煤机摇臂齿轮故障的识别能力.在采煤机摇臂加载实验台上进行模型验证实验,采集摇臂直齿轮正常、磨损、断裂、点蚀和裂纹5种状态下的振动信号,得出其特征具有明显差异;对测试集的混淆矩阵进行可视化分析,验证了ResNet模型能够很好地实现采煤机摇臂齿轮故障分类;与DNN模型和LeNet-5模型对比结果表明,ResNet模型具有更高的故障诊断精度和效率,综合识别率和F-score分别达到99.19％和99.05％;采用t-SNE技术对ResNet模型的最大池化层、预激活残差单元模块和全连接层输出的高维特征进行降维和可视化,验证了ResNet模型具有较强的特征提取能力.