基于噪聲數據驅動CNN和LSTM的罐道故障診斷

摘 要：剛性罐道是立井采礦中煤炭運輸以及設備運輸環節的重要組成機械，對罐道做出精確的故障診斷具有保證和提高立井采礦生產效率的重要意義。面對罐道難以實現精確故障診斷的問題，在Ｉｍｐｒｏｖｅｄ Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｗｉｔｈＴｒａｉｎｉｎｇ Ｉｎｔｅｒｆｅｒｅｎｃｅ （ＩＴＩＣＮＮ） 的基礎上添加了Ｉｎｃｅｐｔｉｏｎ＿ｖ４ 與Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ （ＬＳＴＭ），提出了一種高精度卷積神經網絡———Ｉｍｐｒｏｖｅｄ Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｂａｓｅｄ ｏｎ ＩＴＩＣＮＮ （ＩＢＩＣＮＮ），并采用了一種方向振動傳感器收集罐道振動信號，用ＩＢＩＣＮＮ 的卷積層提取振動信號數字特征，并用ＬＳＴＭ 提取多方向振動信號之間的相關性信息的剛性罐道故障診斷方法。通過搭建實驗平臺對罐道實驗模型進行了故障診斷研究，取得了９９． ４％ 的診斷率。為了解決罐道在使用過程中伴有大量噪聲從而難以診斷故障的問題，在Ａｄａｐｔｉｖｅ Ｂａｔｃｈ Ｎｏｒｍａｌｉｚａｔｉｏｎ （ＡｄａＢＮ） 算法的基礎上進行了改進，并采取自遷移學習的方法，提高了ＩＢＩＣＮＮ 的抗噪聲能力，在噪聲含量為１００％ 的情況下取得了９０． １１％ 的診斷率。

關鍵詞：罐道；故障診斷；ＩＢＩＣＮＮ；ＬＳＴＭ；ＡｄａＢＮ

中圖分類號：ＴＰ２７７ 文獻標志碼：Ａ 開放科學（資源服務）標志碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０４－１０４３－１０

０ 引言

隨著我國經濟建設發展，煤礦資源得到了廣泛開發，我國井下采礦礦場越來越多，因此立井提升運輸設備得到了大量的應用［１］。罐籠是井下采礦工程中的主要提升運輸設備，其主要功能是將地底的煤、機械和人員提升至地面，因此罐籠的安全穩定運行影響著采煤效率。剛性罐道作為罐籠的運行軌道，出現故障損傷時將影響到罐籠的安全與穩定運行。在采礦作業中由于機械振動、高腐蝕的環境往往引起罐道的損傷，當罐道發生故障時在不影響罐道使用的情況下對罐道提前做出故障診斷，對罐籠的使用具有重大安全意義［２］。

傳統的罐道故障診斷方法有傅里葉變換［３］、小波變換［４］、線性對應和模態分解［５］等，在罐道發生故障時，根據加速度傳感器采集到的振動數據的時域頻域特征，進行有監督的特征提取與分析從而識別出故障類型［６］。雖然傳統方法對罐道進行故障診斷比較直觀便于專業人員進行分析，但面對工況復雜、故障類型較多、故障數據較多以及噪聲干擾較大的問題時難以做出快速高效的故障診斷［７］。

隨著深度學習理論的不斷發展，各種神經網絡被廣泛應用于機械［８］、土木［９］和采礦［１０］等各個領域［１１］。張仲杭等［１２］提出了一種基于紋理圖像與卷積神經網絡的軸承故障診斷方法，該方法將震動數據轉換成紋理圖像從而增加神經網絡的輸入尺度，進而增強了軸承故障診斷的精度。蔡超志等［１３］提出了一種基于搭載Ｉｎｃｅｐｔｉｏｎ 模塊的卷積神經網絡對齒輪箱進行了故障診斷研究，研究結果表明在神經網絡中加入Ｉｎｃｅｐｔｉｏｎ 模塊可以提升網絡的抗噪聲能力和診斷精度，但其采用的Ｉｎｃｅｐｔｉｏｎ＿ｖ１ 較為陳舊，性能提升有限。隨后蔡超志等［１４］在ＴＩＣＮＮ基礎上采用了Ｉｎｃｅｐｔｉｏｎ 替換小卷積層，進而提出了一種高精度的卷積神經網絡———ＩｍｐｒｏｖｅｄＣｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｗｉｔｈ Ｔｒａｉｎｉｎｇ Ｉｎｔｅｒｆｅｒｅｎｃｅ（ＩＴＩＣＮＮ）用于框架結構故障診斷研究并將該模型命名為ＢＩＣＮＮ，研究結果表明ＢＩＣＮＮ 不僅具備超高診斷精度而且具備較強的抗噪聲能力。此外，神經網絡具有強大的自適應特征提取能力與分類能力，因此本研究采取數據驅動的方法，在ＩＴＩＣＮＮ 的基礎上加入Ｉｎｃｅｐｔｉｏｎ＿ｖ４［１５］和Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ（ＬＳＴＭ）［１６］，提出了一種分類精度較高的卷積神經網絡———Ｉｍｐｒｏｖｅｄ Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｗｉｔｈＴｒａｉｎｉｎｇ Ｉｎｔｅｒｆｅｒｅｎｃｅ（ＩＢＩＣＮＮ）。本研究采取ＩＢＩＣＮＮ中的卷積層提取振動信號數字特征，用ＬＳＴＭ 提取加速度傳感器Ｘ、Ｙ、Ｚ 三個方向組合信號之間的相關性特征的綜合特征提取方法進行罐道故障診斷研究，對罐道的安全與穩定使用具有重大工程意義。為了對噪聲環境中的罐道做出精確的故障診斷，本研究使用帶噪聲的數據訓練ＩＢＩＣＮＮ，從而提高ＩＢＩＣＮＮ 對噪聲的容納范圍，并使用自遷移學習的Ａｄａｐｔｉｖｅ Ｂａｔｃｈ Ｎｏｒｍａｌｉｚａｔｉｏｎ（ＡｄａＢＮ）［１７］方法，凍結ＢＮ 層參數，將帶噪聲振動數據作為源域進行正向傳播訓練，從而消除ＢＮ 層參數在源域和目標域形成相互獨立的關系，達到進一步提升抗噪聲能力的目的。

１ 數據采集與增強

采取深度學習方法對罐道進行故障診斷時，采集數據位置的便利性尤為重要，選擇合適的位置不僅便于安裝傳感器，而且在罐道發生故障時便于快速地進行故障診斷，因此在實驗過程中將加速度傳感器放置在罐道頂端，由此來對應實際使用過程中罐道的頂部數據采取較為方便的特征，進而更加快速與準確地做出故障診斷。本實驗模擬了罐道在使用過程中的發生率最高的故障，包括傾斜、凸起、凹陷、錯位和間隙５ 種故障類型。數據采集方式為每一次在罐籠開始提升時加速度傳感器采集不同方向的振動信號。實驗裝置與故障原理如圖１ 所示，圖中①為加速度傳感器，②為提升裝置，③為罐道。

本實驗所采取的加速度傳感器可以收集來自Ｘ、Ｙ、Ｚ 三個方向的振動數據，所采集振動數據如圖２所示。

為了方便觀察，本研究采取了１ ０２４ 個點位進行了繪制。由圖２ 可以看出，在時域內同一種故障情況下加速度傳感器采集到的３ 個方向的振動信號雖然不同，但振幅區間相同，不同故障情況下采集到的同一方向振動信號凌亂程度具有較大差異。使用單一方向的震動數據進行故障診斷可以提取的特征數量有限，因此本研究采取對同一種故障的３ 個方向的振動數據先進行數組增強保持其在數據增強中具有相同的步長，并且保持每個方向增強后的樣本順序不變，然后將每個方向的數據進行依次組合，最后將組合數據進行歸一化，其原理如圖３ 所示。

經過銜接后的數組中具有不同方向的特征，因此使用神經網絡對其訓練可以提取到更加豐富的特征信息。在數據增強過程中，滑動窗口數據增強法因其本身高度的靈活性受到廣大研究學者的青睞，通過設置窗口的長度ｌ 獲得樣本數據的長度，設置滑動步長ｂ 可控制樣本的數量，ｂ 的值越小得到的樣本重復性越高。滑動窗口數據增強原理如下：

式中：Ｎ 為數據增強后的樣本數量，Ｌ 為源數據點位數量。從式中可以看出，滑動窗口越大則會導致樣本數量越少，滑動步長ｂ 越小則得到的樣本數量越多，ｂ ＝ １ 時可獲取最多的樣本數量為Ｌ－ｌ。

數據歸一化有利于提升卷積神經網絡的訓練速度，并可以提升卷積神經網絡的收斂速度與訓練精度。振動數據歸一化常用的方法有線性歸一化以及零均值歸一化，線性歸一化和零值歸一化往往忽略振動信號中的負幅值，因此導致部分特征丟失，本研究將２ 種方法結合起來對振動信號進行正負值歸一化，正負值歸一化原理如下：

式中：ｘｉ 為樣本ｘ 中的第ｉ 個點位的數值，ｙｉ 為樣本第ｉ 個點位歸一化的數值。經過式（２）可以將樣本ｘ 的點位全部歸一化到［－１，１］，相當于將振動數據進行了等比例還原，因此保留了振動數據的負值特征。

２ 罐道故障診斷流程

罐道往往被運用于噪聲較大的采礦運輸場所［１８－１９］，因此使用卷積神經網絡對罐道進行故障診斷研究要求其具備良好的抗噪聲能力。使用不帶噪聲的振動數據訓練出來的卷積神經網絡具備一定的抗噪聲能力，但泛化能力較低。為了提高卷積神經網絡本身的抗噪聲能力，本研究采取帶一定噪聲的數據訓練神經網絡，從而提高卷積神經網絡的抗噪聲能力上限。本研究罐道故障診斷流程如圖４所示。

首先將數據劃分成訓練集、測試集和驗證集，使用不帶噪聲的訓練集和測試集訓練基于ＡｄａＢＮ 的卷積神經網絡，生成模型并保存。隨之往驗證集中逐步按照百分比添加１０％ ～ １００％ 間隔為１０％ 的噪聲，并用不帶噪聲數據訓練出來的模型對帶噪聲的驗證集進行分類，當分類結果準確率小于等于９０％且大于等于８０％ 時停止添加噪聲，依次探究出網絡模型最大的抗噪聲能力。將模型可承受的最大噪聲添加至訓練集和測試及并用于訓練卷積神經網絡，從而得出抗噪聲能力更強勢的卷積神經網絡模型。此外，往訓練數據中添加合適的噪聲去訓練卷積神經網絡，相比于傳統使用無噪聲信號訓練卷積神經網絡的方法，可容納噪聲范圍得到了增加，從而有利于高噪聲情況下罐道的故障診斷。

２． １ 卷積神經網絡

卷積神經網絡的性能往往取決于感受視野的大小和參數量，２０２２ 年池耀磊［２０］在ＩＴＩＣＮＮ 的基礎上加入了Ｉｎｃｅｐｔｉｏｎ 模塊提出了精確度較高的ＢＩＣＮＮ，但其輸入樣本數據較短，在卷積神經網絡末端生成的特征參數量過低，因此在網絡訓練過程中損失函數值變化較大。為了對罐道做出精確的故障診斷，本研究在ＢＩＣＮＮ 的基礎上沿用了第一個卷積層為１６ 通道、卷積核大小為６４、步長為１６ 的結構，使得卷積神經網絡具備較高的感受視野，并將原有的樣本輸入數據由１ ０２４ 增加為３ ０７２，從而提高網絡末端的特征數量，此外將原有的Ｉｎｃｅｐｔｉｏｎ＿ｖ１ 升級至Ｉｎｃｅｐｔｉｏｎ＿ｖ４，使得ＢＩＣＮＮ 增加了一個１×１ 卷積的尺度并降低整體的參數量，從而得到ＩＢＩＣＮＮ 結構。本研究所用的卷積神經網絡如圖５ 所示。

ＩＢＩＣＮＮ 首先由卷積核為６４ 的大卷積層對振動數據進行特征提取，第一層卷積的感受視野即為卷積核的尺寸，因此ＩＢＩＣＮＮ 第一個卷積層可提取到較多的特征信息；其次，ＩＢＩＣＮＮ 的第二個卷積核尺寸為３２，用于細化提取第一層卷積輸出的特征參數；隨后，使用了５ 組Ｉｎｃｅｐｔｉｏｎ＿ｖ４ 結構，Ｉｎｃｅｐｔｉｏｎ＿ｖ４ 中存在４ 個尺度的卷積，且卷積核大小均不相同，從而可以提取到更加豐富的特征參數。

２． ２ ＬＳＴＭ

ＩＢＩＣＮＮ 在訓練過程中卷積核僅僅提取當前區域的特征信息，因此忽略了前后卷積區域的相關性信息。此外，本研究采取了數據拼接，卷積層僅僅可以提取到每段信號的獨立信息，難以捕捉到拼接數據與數據之間的特征關系，因此在本研究在全連接層位置加入２ 層ＬＳＴＭ 用于提取特征與特征之間的特征關系。ＬＳＴＭ 邏輯如圖６ 所示。

圖６ 為一個ＬＳＴＭ 單元，經過組合形成整體ＬＳＴＭ 層，ｘｔ 為ｔ 時刻的輸入數據，ｈｔ 為經過ＬＳＴＭ后的輸出數據。ＬＳＴＭ 的更新公式如下：

ｉｔ ＝ σ（Ｗｉ［ｈｔ－１ ，ｘｔ］＋ｂｉ）， （３）

ｏｔ ＝ σ（Ｗｏ ［ｈｔ－１ ，ｘｔ］＋ｂｏ ）， （４）

ｆｔ ＝ σ（Ｗｆ［ｈｔ－１ ，ｘｔ］＋ｂｆ）， （５）

Ｃｔ ＝ ｆｔ ?Ｃｔ－１ ＋ｉｔ ?ｔａｎｈ（Ｗｃ ［ｈｔ－１ ，ｘｔ］＋ｂｃ ）， （６）

ｈｔ ＝ ｏｔ ?ｔａｎｈ（Ｃｔ）， （７）

式中：Ｗｉ、Ｗｏ、Ｗｆ 分別表示輸入門、輸出門、遺忘門的權重系數，ｂｉ、ｂｏ、ｂｆ 為偏置矢量。通過這樣的門結構，使得ＬＳＴＭ 神經網絡結構具有了保持長期儲存信息的能力，有效增加了記憶的長度，適用于提取組合信號之間的相關性特征提取。

２． ３ 網絡參數

改進后的ＩＢＩＣＮＮ 參數如表１ 所示。

３ ＡｄａＢＮ

ＡｄａＢＮ 的原理為使用一個卷積神經網絡訓練形成的ＢＮ 參數去替換掉另一個神經網絡的ＢＮ 參數，從而防止神經網絡的訓練集和測試集在訓練過程中ＢＮ 層的均值和方差在空間領域分布為相互獨立，進而使得模型的泛化能力和魯棒性大大提高。ＡｄａＢＮ 算法的實現需要將ＩＢＩＣＮＮ 在目標領域訓練的ＢＮ 層局部參數替換掉ＩＢＩＣＮＮ 在源領域訓練所產生的ＢＮ 層的參數。本文在傳統ＡｄａＢＮ 算法的基礎上將ＢＮ 層所需要替換的參數提升為４ 個，即進行整個ＢＮ 層參數替換，從而降低了ＡｄａＢＮ 算法的實現難度。ＡｄａＢＮ 算法如圖７ 所示。

ＡｄａＢＮ 的具體實現方式為：首先，將數據分為等比例的訓練集和測試集，先用訓練集訓練ＩＢＩＣＮＮ，訓練過程中再次進行７ ∶ ３ 數據劃分，使得ＩＢＩＣＮＮ 在訓練過程中進行正向和反向傳播并保存訓練好的模型；然后，使用訓練集的數據進行遷移學習，在遷移ＩＢＩＣＮＮ 模型過程中凍結所有ＢＮ 層，使得ＢＮ 層不進行參數學習，同時在遷移學習的過程中只做正向傳播不做反向傳播；最終，保存遷移學習訓練好的模型用于故障診斷。ＡｄａＢＮ 算法流程如圖８ 所示。

４ 神經網絡訓練

本文本在一臺處理器為Ｃｏｒｅｉ７８７５０Ｈ，ＧＰＵ 為ＮＶＩＤＩＡ ＧＴＸ１０５０ｔｉ４Ｇ，內存１６ ＧＢ 的筆記本上運行ＩＢＩＣＮＮ，噪聲來源為Ｔｅｎｓｏｒｆｌｏｗ 中的ｎｕｍｐｙ 函數模擬產生的高斯白噪聲。將不帶噪聲的數據輸入到ＩＢＩＣＮＮ 的訓練結果如圖９ 所示。

由圖９ 可以看出，在源域和目標域的訓練過程中精確率值最終均穩定在１００％ 左右，但目標域的目標函數值在訓練１７０ ～ ２００ 次的跳躍程度明顯高于源域，由此可以說明源域訓練神經網絡穩定性更高。訓練達到２００ 次時聚類結果如圖１０ 所示。

由圖１０ 可以看出，目標域的訓練結果雖然可以將５ 種故障數據分離，并且每種故障均收縮，但每種故障之間的距離接近，當信號中存在噪聲因素時會導致故障誤判。源域訓練結果可以將５ 種故障數據完全分開各自歸攏，且故障數據與故障數據之間均存在較大的距離，因此當數據中含有一定的噪聲時，對源域訓練結果影響較低。

使用保存的ＩＢＩＣＮＮ 模型對帶不同程度噪聲的驗證集數據進行故障分類，得到的分類精確度如圖１１ 所示。

由圖１１ 可以看出，當驗證集中噪聲含量達到５０％ 時，診斷精度降低到９０％ ，因此在原始數據中加入５０％ 噪聲用于訓練最終ＩＢＩＣＮＮ 模型。訓練結果如圖１２ 所示。

對比圖１２ 和圖９ 可以看出，往數據中加入５０％ 噪聲后ＩＢＩＣＮＮ 的目標域訓練曲線更加粗糙、跳躍度更加明顯，但整體仍然趨于收斂，同時可以看出ＩＢＩＣＮＮ 源域訓練受噪聲的影響不大，訓練曲線趨于一致，但加入噪聲后使得目標函數值發生高頻率的跳躍。單方面地分析訓練曲線難以看出模型是否具備分類條件，因此引入混淆矩陣和Ｔｓｎｅ 可視化，結果如圖１３ 所示。

由圖１３ 可以看出，數據中加入５０％ 噪聲后，故障數據中存在２％ 的情況４ 被判斷成情況５，１％ 的情況５ 被判斷成情況４，但聚類結果中各種故障情況依舊各自歸攏且故障情況之間存在一定的距離，說明生成的模型仍然可以做出有效的故障診斷。通過混淆矩陣可計算出訓練的精確率，計算如下：

式中：ＴＰ 為預測成正的樣本數量，ＴＮ 為預測成負的樣本數量，ＴＰ＋ＴＦ＋ＦＰ＋ＦＮ 為所有樣本數量。

５ 消融實驗

當振動數據中存在５０％ 噪聲時，通過圖１３ 中的混淆矩陣可計算出本研究所提出的方法精度可以達到９９． ４％ ，為了探究本研究所改進網絡中各個組成部分的效果，使用ＴＩＣＮＮ、ＩＴＩＣＮＮ、ＢＩＣＮＮ 以及ＩＢＩＣＮＮ（ＡｄａＢＮ）對帶有不同噪聲的振動數據進行訓練，經過對比訓練結果曲線的精度分析出各個改進機制的作用。訓練對比結果如表２ 所示。

對比表２ 中ＩＴＩＣＮＮ 和ＢＩＣＮＮ 可以看出，ＢＩＣＮＮ在噪聲含量為１０％ 時，精度高于ＩＴＩＣＮＮ １． ２６％ 左右，同時ＢＩＣＮＮ 的訓練結果曲線顯示精度均高于ＩＴＩＣＮＮ，由此說明使用Ｉｎｃｅｐｔｉｏｎ 模塊可以增強卷積神經網絡的特征識別能力；對比ＢＩＣＮＮ 和ＩＢＩＣＮＮ的目標域訓練結果可以看出，ＩＢＩＣＮＮ 目標域訓練結果曲線精度均大于ＢＩＣＮＮ，由此可以說明本研究采用的Ｉｎｃｅｐｔｉｏｎ＿ｖ４ 識別精度高于Ｉｎｃｅｐｔｉｏｎ＿ｖ１；對比ＩＢＩＣＮＮ 源域和目標域精度，由于ＩＢＩＣＮＮ 的源域訓練僅僅進行正向傳播，從而導致源域的訓練精度遠高于目標與訓練精度，同時可以說明采?。粒洌幔拢?算法可以提高網絡訓練的精度。經過對比分析結果可以得出本研采取Ｉｎｃｅｐｔｉｏｎ＿ｖ４ 以及ＡｄａＢＮ 算法改進ＢＩＣＮＮ 可以提高網絡的識別能力的結論。

６ 抗噪聲能力測試

使用帶噪聲數據訓練的ＩＢＩＣＮＮ 模型對加入不同程度噪聲的驗證集進行分類，分類精度曲線如圖１４ 所示。

由圖１４ 可以看出，當源數據中含有６０％ 噪聲時分類精確度可以達到１００％ ，數據中含有１００％ 噪聲時分類精確度仍然可以達到９０％ ，滿足使用要求。對比圖９ 和圖１２ 說明本研究所使用的方法可以大大提高故障診斷過程中的診斷精度。通過往驗證集數據中添加不同含量的高斯白噪聲，將ＳＶＭ、ＭＬＰ、ＴＩＣＮＮ、ＩＴＩＣＮＮ、ＢＩＣＮＮ 以及本研究所提出方法的故障診斷的抗噪聲能力做對比，對比結果如表３ 所示。

由表３ 可以看出，傳統機器學習方法的ＳＶＭ 診斷精度較低且精度降低速度較快，當數據中噪聲含量達到一定程度后診斷精度值變為１． １１％ ，不再變化，說明網絡已經完全喪失分類能力。對比ＴＩＣＮＮ、ＩＴＩＣＮＮ、ＢＩＣＮＮ 以及本研究所提出的方法可以看出，網絡結構越復雜得到的抗噪聲能力越強，當噪聲含量達到６０％ 時本研究所提方法仍然可以得到１００％ 的診斷率，當噪聲含量達到１００％ 時，本方法可以做出精度為９０． １１％ 的故障診斷，由此說明本研究所提出方法具有較強的抗噪聲能力和較高的診斷精度。

７ 結束語

本研究采取了多軸加速度傳感器數據拼接的數據預處理方法，并在ＩＴＩＣＮＮ 基礎上提出了一種高精度的ＩＢＩＣＮＮ 卷積神經網絡，并利用ＡｄａＢＮ 算法，將ＩＢＩＣＮＮ 訓練集與測試集的ＢＮ 層參數達到完全相互獨立，從而提升網絡本身的抗噪聲能力。此外，本研究采取了往罐道故障數據中逐步添加噪聲，當模型仍然可以做出９０％ 診斷率時，將噪聲添加進訓練數據再次訓練ＩＢＩＣＮＮ，從而得到使用噪聲數據訓練出來的模型對噪聲環境下的罐道數據進行故障診斷。研究結果表明，當數據中含有６０％ 噪聲時使用本研究所提出的方法仍然可以達到１００％ 的診斷率，當數據中噪聲含量達到１００％ 時仍然具備９０． １１％ 的診斷精度。所提出的方法可用于噪聲環境下的罐道故障診斷，對罐道的使用具有重大安全意義。

參考文獻

［１］ 吳波． 立井提升剛性罐道系統健康監測研究［Ｄ］． 徐州：中國礦業大學，２０１９．

［２］ 季華，肖興明，劉正全． 罐道測試平臺的設計［Ｊ］． 煤礦機械，２００７（１１）：２５－２７．

［３］ 郟豪，尚嘯，張強． 航空發動機振動數據稀疏傅里葉變換分析［Ｊ］． 現代機械，２０２３（１）：５４－５９．

［４］ 黃姍姍，李志農． 基于高密度小波變換的航空發動機滾動軸承故障診斷方法［Ｊ］． 軸承，２０２３（２）：１９－２５．

［５］ 鄒寧，金楊超，郭成，等． 基于ＥＭＤ 的井中雷達信號預處理［Ｊ］． 電子科技大學學報，２０２２，５１（６）：８７５－８８３．

［６］ 馬艷芳，劉雪貞，鄧小飛． 刮板輸送機鏈傳動系統故障檢測與診斷［Ｊ］． 煤礦機械，２０２１，４２（４）：１８１－１８３．

［７］ 胡偉康． 基于卷積神經網絡的立井剛性罐道健康監測研究［Ｄ］． 淮南：安徽理工大學，２０２１．

［８］ 謝佳琪． 深度學習框架下的旋轉機械故障診斷研究［Ｄ］． 蘇州：蘇州大學，２０２０．

［９］ ＡＢＤＥＬＪＡＢＥＲ Ｏ，ＡＶＣＩ Ｏ，ＫＩＲＡＮＹＡＺ Ｓ，ｅｔ ａｌ． Ｉｎｍａｎ，Ｒｅａｌｔｉｍｅ ｖｉｂｒａｔｉｏｎｂａｓｅｄ Ｓｔｒｕｃｔｕｒａｌ Ｄａｍａｇｅ Ｄｅｔｅｃｔｉｏｎ Ｕｓｉｎｇ Ｏｎｅｄｉｍｅｎｓｉｏｎａｌ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｓｏｕｎｄ ａｎｄ Ｖｉｂｒａｔｉｏｎ，２０１７，３８８：１５４－１７０．

［１０］ 顧清華，江松，李學現，等． 人工智能背景下采礦系統工程發展現狀與展望［Ｊ］． 金屬礦山，２０２２（５）：１０－２５．

［１１］ 邱穎豫，張柯，楊欣毅． 面向旋轉機械故障診斷的深度流形遷移學習［Ｊ］． 計算機工程與應用，２０２２，５８（１２）：２８９－２９８．

［１２］ 張仲杭，蔡超志，徐輝，等． 基于紋理圖像的強抗干擾性軸承故障診斷方法［Ｊ］． 軸承，２０２３（８）：７９－８６．

［１３］ 蔡超志，池耀磊，郭璐彬． 基于一種高精度卷積神經網絡的框架結構模型故障診斷研究［Ｊ］． 制造技術與機床，２０２２（１）：１３５－１４０．

［１４］ 蔡超志，白金鑫，張仲杭等． 基于自適應小波降噪和Ｉｎ-ｃｅｐｔｉｏｎ 網絡的齒輪箱故障診斷［Ｊ］． 制造技術與機床，２０２２（１０）：２１－２８．

［１５］ 邢科，呂澤均． 基于ＩｎｃｅｐｔｉｏｎＶ４ 模型的通信信號調制方式識別新方法［Ｊ］． 現代計算機，２０２１（１２）：４８－５４．

［１６］ 熊志斌． 基于ＣＥＥＭＤＡＮ 與ＬＳＴＭ 的人民幣匯率分析與預測［Ｊ］． 數理統計與管理，２０２２，４１（３）：５０７－５２５．

［１７］ ＺＨＡＮＧ Ｗ，ＬＩ Ｃ Ｈ，ＰＥＮＧ Ｇ Ｌ，ｅｔ ａｌ． Ａ Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｗｉｔｈ Ｎｅｗ Ｔｒａｉｎｉｎｇ Ｍｅｔｈｏｄｓ ｆｏｒ Ｂｅａｒｉｎｇ Ｆａｕｌｔ Ｄｉａｇｎｏｓｉｓ Ｕｎｄｅｒ Ｎｏｉｓｙ Ｅｎｖｉｒｏｎｍｅｎｔ ａｎｄ Ｄｉｆｆｅｒｅｎｔ Ｗｏｒｋｉｎｇ Ｌｏａｄ ［Ｊ ］． Ｍｅｃｈａｎｉｃａｌ Ｓｙｓｔｅｍｓ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，２０１８，１００：４３９－４５３．

［１８］ 杜菲，馬天兵，胡偉康，等． 基于小波變換和改進卷積神經網絡的剛性罐道故障診斷［Ｊ］． 工礦自動化，２０２２，４８（９）：４２－４８．

［１９］ 馬天兵，王孝東，杜菲，等． 基于小波包和ＢＰ 神經網絡的剛性罐道故障診斷［Ｊ］． 工礦自動化，２０１８，４４（８）：７６－８０．

［２０］ 池耀磊． 基于深度學習理論的框架結構綜合故障診斷研究［Ｄ］． 邯鄲：河北工程大學，２０２２．

作者簡介

馬利芬 女，（１９８６—），碩士，高級工程師。主要研究方向：基于深度學習的采礦運輸設備智能故障診斷。

王 偉 男，（１９７４—），博士，高級工程師。主要方向：暖通設備智能化健康檢測與故障診斷。

池耀磊 男，（１９９６—），碩士，工程師。主要研究方向：基于深度學習理論的機械結構故障診斷。

朱宏偉 男，（１９９２—），碩士，講師。主要研究方向：深度學習理論在實際工程中的應用。

韓 磊 男，（１９８２—），碩士，工程師。主要研究方向：基于深度學習理論的電子技術。

基金項目：河北省重大科技成果轉化專項（２２２９３６０１Ｚ）