基于CNN-SVM的刮板输送机飘链故障深度诊断方法

本文主要探讨了刮板输送机在弯曲区段常见的飘链问题，针对这一问题，研究人员提出了一种创新的故障诊断方法。他们构建了一种基于卷积神经网络（Convolutional Neural Network, CNN）和支持向量机（Support Vector Machine, SVM）的声音信号识别模型。该模型的核心步骤是首先对综采工作面设备在运行过程中的声音信号进行预处理，采用主成分分析（Principal Component Analysis, PCA）进行白化处理，以减少噪声干扰并提取出关键特征。 输入到模型的是处理后的声谱图，利用深度CNN网络来深入挖掘声音信号的复杂模式，提取出有用的特征表示。然后，这些特征被送入SVM分类器，用于区分正常运行与飘链故障的声音信号。研究者还特别关注了模型训练过程中误差反向传播时，输出层（即SVM）对全连接层的敏感度函数，这有助于优化网络结构和提升诊断精度。 进一步的研究发现，将输入声音信号切割成不同长度作为模型的输入，会对CNN-SVM模型的识别率产生显著影响。通过实验，研究人员揭示了不同时间尺度下信号处理对模型性能的具体规律，这对于优化模型参数和提高识别效率至关重要。 最后，作者通过对比试验验证了他们的新模型——CNN-SVM相较于传统的高斯混合模型（Gaussian Mixture Model - Hidden Markov Model, GMM-HMM）在刮板输送机飘链故障诊断方面的优越性，表现为更高的识别准确率和稳定性。这项研究不仅解决了刮板输送机飘链故障的检测问题，也为其他工业设备的故障诊断提供了一种有效且先进的技术手段，对于提升煤炭开采过程中的设备维护效率具有重要意义。