基于深度残差网络的采煤机摇臂齿轮故障诊断 论文

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。