提升机逆变器故障诊断：融合统计与深度特征的创新策略

本文主要探讨了矿井提升机逆变器故障诊断中的挑战，特别是在面对复杂环境因素如背景噪声和负载变化时，如何提高故障识别的准确性。传统的方法通常依赖于信号处理技术获取故障统计特征，或者采用神经网络提取深度特征。然而，这些单一的特征提取方法往往难以捕捉到故障的全部关键信息。 针对这个问题，研究人员提出了一个创新的故障诊断策略，即基于特征融合的提升机逆变器故障诊断方法。首先，他们利用希尔伯特-黄变换（HHT）进行优化集合经验模态分解（MEEMD），对逆变器输出电流信号进行处理，从而提取出故障的统计特征。这种方法能够有效地捕捉信号的非平稳特性，有助于揭示故障模式。 接着，文章引入了压缩激励密集连接卷积网络（SE-DenseNet），这是一种深度学习模型，用于深入挖掘输出电流信号的内在深度特征。这种网络结构能够学习到信号的复杂关系，并提取出更深层次的故障特征。 为了整合统计特征和深度特征，文中采用了局部线性判别分析（LFDA）进行特征降维，将这两种类型的特征降低维度后进行融合。这样做的目的是减少冗余信息，提高特征的区分度，便于后续的分类任务。 最后，作者将低维融合特征输入极限学习机，通过这种机器学习模型对逆变器的故障进行分类，特别是针对单个IGBT开路故障的诊断，结果显示融合特征的表征能力显著优于单一特征，从而显著提升了故障识别的准确率。 这篇论文展示了如何通过特征融合和深度学习技术改进矿井提升机逆变器的故障诊断性能，特别是在复杂环境条件下，这为提升设备运行安全性和维护效率提供了新的可能。研究者们不仅关注传统的故障统计分析，还重视深度特征的学习，这为未来故障诊断领域的研究开辟了新的路径。