文献类型：期刊文章

作　　者：李娟莉[1,2] 闫方元[1,2] 梁思羽[1] 李博[1,2] 苗栋[1,2]

LI Juanli;YAN Fangyuan;LIANG Siyu;LI Bo;MIAO Dong(College of Mechanical and Vehicle Engineering,Taiyuan University of Technology,Taiyuan 030024,China;Shanxi Key Laboratory of Fully Mechanized Coal Mining Equipment,Taiyuan University of Technology,Taiyuan 030024,China)

机构地区：[1]太原理工大学机械与运载工程学院,太原030024 [2]太原理工大学煤矿综采装备山西省重点实验室,太原030024

出　　处：《太原理工大学学报》

基　　金：山西省自然科学基金面上资助项目(201901D111056);山西省回国留学人员科研资助项目(2020-034);山西省“1331”工程资助。

年　　份：2022

卷　　号：53

期　　号：3

起止页码：524-530

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、JST、ZGKJHX、核心刊

摘　　要：可靠的制动系统是矿井提升机安全运行的重要保障。为了充分利用矿井提升机运行过程中的监测数据判别提升机的运行状态,并进一步对其进行故障诊断,将深度学习方法引入到提升机的故障诊断中,提出了一种基于卷积神经网络(convolutional neural network,CNN)的提升机制动系统故障诊断方法。首先,分析了提升机制动系统的故障机理,并由此确定了监测参数,采集了提升机正常状态和故障模拟状态下的监测数据;然后,建立了基于CNN的提升机制动系统故障诊断模型,将监测数据进行编码生成了故障诊断数据集,使用梯度下降法对神经网络进行了训练,迭代更新网络结构参数;最后利用测试数据集分别对传统反馈神经网络模型(back propagation,BP)和CNN诊断模型进行了对比验证。结果表明,CNN诊断模型的准确率要高于BP诊断模型,能够达到99.37%的准确率。该方法能够充分利用监测数据进行诊断,不受专家的主观干预,提高了诊断的准确率。

关 键 词：深度学习  矿井提升机 制动系统 故障诊断 卷积神经网络

分 类 号：TH113.1] TD534]