关键词:
采煤机截割部
齿轮箱
故障诊断
级联宽度学习
随机超图卷积
类特异性权重
摘要:
采煤机截割部齿轮箱振动监测数据结构复杂,且易出现类别不平衡问题,导致现有基于传统机器学习的智能故障诊断方法易出现错报现象,而基于深度学习的诊断方法模型结构复杂、学习效率低,且易陷入局部最优解,影响诊断性能。针对上述问题,提出了一种基于改进型级联宽度学习(ICBL)的采煤机截割部齿轮箱故障诊断方法。在ICBL模型的特征节点中引入随机超图卷积机制,充分挖掘采煤机截割部齿轮箱振动数据的复杂多元结构信息,增强故障特征表征能力;采用类特异性权重分配策略,根据输入数据的类间比例信息,为少数类样本赋予更高权重,提高不平衡数据下采煤机截割部齿轮箱故障诊断性能。利用采煤机截割部齿轮箱故障模拟实验台验证基于ICBL的采煤机截割部齿轮箱故障诊断方法的有效性,结果表明该方法能够有效增强故障特征的判别性,在数据不平衡度为15时诊断精度达94.52%,单一样本的故障识别耗时为0.284 ms,优于级联宽度学习系统、加权宽度学习系统、多尺度卷积神经网络、超图神经网络、多分辨率超图卷积网络等。