基于卷积神经网络多传感器油液系统故障诊断

作     者：郭铸锋 曾建潮 张晓红 秦彦凯 GUO Zhu-feng;ZENG Jian-chao;ZHANG Xiao-hong;QIN Yan-kai

作者机构：太原科技大学电子信息工程学院山西太原030024 太原科技大学工业与系统工程研究所山西太原030024 中北大学大数据与视觉计算研究所山西太原030051 太原科技大学经济与管理学院山西太原030024 中国煤炭科工集团太原研究院有限公司山西太原030006 

出 版 物：《计算机仿真》 (Computer Simulation)

年 卷 期：2024年第41卷第7期

页      面：508-515页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：山西省基础研究计划项目(20210302124680) 国家自然科学基金项目(72071183) 山西省自然科学基金项目(202203021211194,202203021222214) 山西省回国留学人员科研资助项目(2022-161) 太原科技大学研究生联合培养示范基地(JD2022008) 山西省高等学校科技创新项目(2022L306) 

主　　题：故障诊断 油液系统 卷积神经网络 多传感器融合 

摘      要：针对单个传感器无法提供掘进机油液系统在长期运行过程中数据互补性和多维性的问题,提出了基于卷积神经网络(CNN)的掘进机多传感器油液系统故障诊断方法。首先,油液监测方法是通过润滑油的理化性能指标和油液携带的磨粒信息反应油液的性能和状态,可以直接从油液数据中学习最好的特征,不需要任何形式的转换以及特征提取。其次,结合多个传感器采集到的数据作为CNN的输入来对油液系统进行故障诊断。最后,将提出的方法与其它机器学习方法在故障状态分类准确性方面进行比较,通过实验验证得到所提出方法的诊断精度高于其它方法,从而实现了高效诊断性能。