立井提升系统刚性罐道故障诊断方法
王建风1
靳远志2
张勇2
王永振3
和佳聪3
1.山东省三河口矿业有限责任公司,山东枣庄 2776052.枣庄矿业集团高庄煤业有限公司,山东枣庄 2776053.中国矿业大学机电工程学院,江苏徐州 221116
摘要：刚性罐道是立井提升系统的关键部件,由于井筒形变、钢材锈蚀等原因易发生故障,影响罐笼正常运行.目前罐道故障诊断多采用振动检测法,诊断精度易受罐笼载荷、运行速度等工况影响.针对该问题,采用涡流传感器采集罐道故障信号,可使信号特征不受罐笼运行环境影响.为提高罐道故障识别准确率,提出一种基于残差学习和注意力机制的一维卷积神经网络(RA1DCNN).该网络通过多尺寸卷积并行运算提取多尺度特征,增强了对不同尺度信号特征的感知能力;引入通道注意力模块和空间注意力模块,并融合残差学习机制,设计了残差注意力模块,可同时获取通道和空间信息特征,提取到更具判别性的特征.搭建罐道故障实验平台模拟不同类别及不同严重程度的罐道故障,对RA1DCNN进行消融实验和对比实验,结果表明:RA1DCNN对罐道故障类别的识别准确率达100％,对间隙故障严重程度的平均识别准确率为99.7％,对错位故障严重程度的平均识别准确率为97.68％,验证了多尺度卷积层和残差注意力模块的有效性;整体故障识别准确率为98.05％,优于一维卷积神经网络等对比模型.
关键词：立井提升系统刚性罐道罐道故障诊断涡流检测一维卷积神经网络多尺度卷积残差学习注意力模块
分类号：TD53/67(矿山运输与设备)
资助基金：国家自然科学基金(52274162)
论文发表日期：2025-06-30
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：9( 113-121 )
英文信息