基于深度学习的立柱液压系统智能故障诊断方法
高洋
张悦
张一鸣
煤科(北京)检测技术有限公司 北京 100013;煤炭科学技术研究院有限公司 北京 100013;煤炭资源高效开采与洁净利用国家重点实验室 北京 100013
摘要：针对矿用立柱液压系统难以快速准确诊断故障的问题,提出了一种结合傅里叶变换的注意力卷积神经网络(Fourier Transform Convolutional Block Model-based Convolutional Neural Network,FFT-CBAM-CNN)故障诊断方法.该方法首先利用傅里叶变换将液压系统的多通道一维时域信号转换为频域信号,以更好地捕捉信号的频率特征.然后,采用卷积神经网络(CNN)结合卷积块注意力模块(CBAM)进行特征提取和分类.实验结果表明,基于FFT-CBAM-CNN的诊断方法平均准确率达到 97.75%,标准差为 0.012 2,相较于仅使用CNN和FFT-CNN的方法,具有更高的准确性和稳定性.
关键词：立柱液压系统故障诊断注意力机制卷积神经网络傅里叶变换
分类号：TD355+.47(矿山压力与支护)
资助基金：煤炭科学技术研究院有限公司技术创新基金(2023CX-I-13)
论文发表日期：2026-02-28
在线出版日期：2026-01-31（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