刚性罐道是立井采矿中煤炭运输以及设备运输环节的重要组成机械,对罐道做出精确的故障诊断具有保证和提高立井采矿生产效率的重要意义。面对罐道难以实现精确故障诊断的问题,在Improved Convolution Neural Networks with Training Inte...刚性罐道是立井采矿中煤炭运输以及设备运输环节的重要组成机械,对罐道做出精确的故障诊断具有保证和提高立井采矿生产效率的重要意义。面对罐道难以实现精确故障诊断的问题,在Improved Convolution Neural Networks with Training Interference(ITICNN)的基础上添加了Inception_v4与Long Short Term Memory(LSTM),提出了一种高精度卷积神经网络——Improved Convolution Neural Network Based on ITICNN(IBICNN),并采用了一种方向振动传感器收集罐道振动信号,用IBICNN的卷积层提取振动信号数字特征,并用LSTM提取多方向振动信号之间的相关性信息的刚性罐道故障诊断方法。通过搭建实验平台对罐道实验模型进行了故障诊断研究,取得了99.4%的诊断率。为了解决罐道在使用过程中伴有大量噪声从而难以诊断故障的问题,在Adaptive Batch Normalization(AdaBN)算法的基础上进行了改进,并采取自迁移学习的方法,提高了IBICNN的抗噪声能力,在噪声含量为100%的情况下取得了90.11%的诊断率。展开更多
文摘刚性罐道是立井采矿中煤炭运输以及设备运输环节的重要组成机械,对罐道做出精确的故障诊断具有保证和提高立井采矿生产效率的重要意义。面对罐道难以实现精确故障诊断的问题,在Improved Convolution Neural Networks with Training Interference(ITICNN)的基础上添加了Inception_v4与Long Short Term Memory(LSTM),提出了一种高精度卷积神经网络——Improved Convolution Neural Network Based on ITICNN(IBICNN),并采用了一种方向振动传感器收集罐道振动信号,用IBICNN的卷积层提取振动信号数字特征,并用LSTM提取多方向振动信号之间的相关性信息的刚性罐道故障诊断方法。通过搭建实验平台对罐道实验模型进行了故障诊断研究,取得了99.4%的诊断率。为了解决罐道在使用过程中伴有大量噪声从而难以诊断故障的问题,在Adaptive Batch Normalization(AdaBN)算法的基础上进行了改进,并采取自迁移学习的方法,提高了IBICNN的抗噪声能力,在噪声含量为100%的情况下取得了90.11%的诊断率。
