深度残差网络在采煤机齿轮故障诊断中的应用

"基于深度残差网络的采煤机摇臂齿轮故障诊断论文，通过构建ResNet模型，解决传统方法无法自主提取特征的问题，提高诊断精度和效率。使用预激活残差单元降低模型复杂度，优化数据输入，提高识别能力。在实验中，对比了ResNet与其他模型的性能，证明了ResNet在故障分类上的优越性，并通过t-SNE技术验证其特征提取能力。" 本文主要探讨了采煤机摇臂齿轮故障诊断的新方法，即利用深度残差网络（ResNet）进行智能诊断。传统的故障诊断方法由于无法自主提取特征，导致诊断精度和效率不高。为解决这一问题，研究者构建了一个基于ResNet的模型，该模型利用预激活残差单元来降低模型的复杂度，使得模型能更快地收敛，从而提高诊断效率。 在实际应用中，研究人员在采煤机摇臂加载实验台上进行了实验，收集了摇臂直齿轮在正常、磨损、断裂、点蚀和裂纹五种状态下的振动信号。通过对这些信号的数据重组，优化了模型的输入方式，提升了模型对不同故障状态的识别能力。实验结果表明，不同状态的振动信号特征存在显著差异，这为故障分类提供了基础。 通过对测试集的混淆矩阵进行可视化分析，ResNet模型在采煤机摇臂齿轮故障分类上表现出色，综合识别率和F-score分别达到了99.19%和99.05%，明显优于DNN模型和LeNet-5模型。这进一步验证了ResNet在故障诊断领域的高效性和准确性。 为了深入理解ResNet模型的特征提取能力，研究人员采用了t-SNE（t-distributed Stochastic Neighbor Embedding）技术，将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处理。结果显示，ResNet模型在特征提取方面表现出强大的能力。 基于深度残差网络的采煤机摇臂齿轮故障诊断模型是一种有效的解决方案，它能够自主提取特征，提高诊断精度和效率，对于提升采煤机设备的维护效率和安全性具有重要意义。这种利用深度学习的方法对于工业设备的故障预防和健康管理具有广泛的借鉴价值。