基于改进型级联宽度学习的采煤机截割部齿轮箱故障诊断
李鑫1
李淑华1
陈浩1
司垒1
魏东1
邹筱瑜2
1.中国矿业大学机电工程学院,江苏徐州 2211162.中国矿业大学机电工程学院,江苏徐州 221116;智能采矿装备技术全国重点实验室,江苏徐州 221116
摘要：采煤机截割部齿轮箱振动监测数据结构复杂,且易出现类别不平衡问题,导致现有基于传统机器学习的智能故障诊断方法易出现错报现象,而基于深度学习的诊断方法模型结构复杂、学习效率低,且易陷入局部最优解,影响诊断性能.针对上述问题,提出了一种基于改进型级联宽度学习(ICBL)的采煤机截割部齿轮箱故障诊断方法.在ICBL模型的特征节点中引入随机超图卷积机制,充分挖掘采煤机截割部齿轮箱振动数据的复杂多元结构信息,增强故障特征表征能力;采用类特异性权重分配策略,根据输入数据的类间比例信息,为少数类样本赋予更高权重,提高不平衡数据下采煤机截割部齿轮箱故障诊断性能.利用采煤机截割部齿轮箱故障模拟实验台验证基于ICBL的采煤机截割部齿轮箱故障诊断方法的有效性,结果表明该方法能够有效增强故障特征的判别性,在数据不平衡度为15时诊断精度达94.52％,单一样本的故障识别耗时为0.284 ms,优于级联宽度学习系统、加权宽度学习系统、多尺度卷积神经网络、超图神经网络、多分辨率超图卷积网络等.
关键词：采煤机截割部齿轮箱故障诊断级联宽度学习随机超图卷积类特异性权重
分类号：TD67(矿山电工)
资助基金：国家自然科学基金(52404178)江苏省自然科学基金(BK20231064)
论文发表日期：2025-03-31
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 86-95 )
英文信息