简介概要

基于深度残差网络的采煤机摇臂齿轮故障诊断

来源期刊:工矿自动化2021年第3期

论文作者:李长文 程泽银 张小刚 丁华

文章页码:71 - 78

关键词:采煤机摇臂;齿轮;故障诊断;深度残差网络;深度学习;

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。

详情信息展示

基于深度残差网络的采煤机摇臂齿轮故障诊断

李长文1,程泽银2,3,张小刚2,3,丁华2,3

1. 山西金融职业学院信息技术系2. 太原理工大学机械与运载工程学院3. 煤矿综采装备山西省重点实验室

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。

关键词:采煤机摇臂;齿轮;故障诊断;深度残差网络;深度学习;

<上一页 1 下一页 >

相关论文

  • 暂无!

相关知识点

  • 暂无!

有色金属在线官网  |   会议  |   在线投稿  |   购买纸书  |   科技图书馆

中南大学出版社 技术支持 版权声明   电话:0731-88830515 88830516   传真:0731-88710482   Email:administrator@cnnmol.com

互联网出版许可证:(署)网出证(京)字第342号   京ICP备17050991号-6      京公网安备11010802042557号