摘 要：剛性罐道是立井采礦中煤炭運(yùn)輸以及設(shè)備運(yùn)輸環(huán)節(jié)的重要組成機(jī)械，對(duì)罐道做出精確的故障診斷具有保證和提高立井采礦生產(chǎn)效率的重要意義。面對(duì)罐道難以實(shí)現(xiàn)精確故障診斷的問(wèn)題，在Ｉｍｐｒｏｖｅｄ Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｗｉｔｈＴｒａｉｎｉｎｇ Ｉｎｔｅｒｆｅｒｅｎｃｅ （ＩＴＩＣＮＮ） 的基礎(chǔ)上添加了Ｉｎｃｅｐｔｉｏｎ＿ｖ４ 與Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ （ＬＳＴＭ），提出了一種高精度卷積神經(jīng)網(wǎng)絡(luò)———Ｉｍｐｒｏｖｅｄ Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｂａｓｅｄ ｏｎ ＩＴＩＣＮＮ （ＩＢＩＣＮＮ），并采用了一種方向振動(dòng)傳感器收集罐道振動(dòng)信號(hào)，用ＩＢＩＣＮＮ 的卷積層提取振動(dòng)信號(hào)數(shù)字特征，并用ＬＳＴＭ 提取多方向振動(dòng)信號(hào)之間的相關(guān)性信息的剛性罐道故障診斷方法。通過(guò)搭建實(shí)驗(yàn)平臺(tái)對(duì)罐道實(shí)驗(yàn)?zāi)Ｐ瓦M(jìn)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(guò)程中伴有大量噪聲從而難以診斷故障的問(wèn)題，在Ａｄａｐｔｉｖｅ Ｂａｔｃｈ Ｎｏｒｍａｌｉｚａｔｉｏｎ （ＡｄａＢＮ） 算法的基礎(chǔ)上進(jìn)行了改進(jìn)，并采取自遷移學(xué)習(xí)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(guān)鍵詞：罐道；故障診斷；ＩＢＩＣＮＮ；ＬＳＴＭ；ＡｄａＢＮ

中圖分類號(hào)：ＴＰ２７７ 文獻(xiàn)標(biāo)志碼：Ａ 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)志碼（ＯＳＩＤ）：

文章編號(hào)：１００３－３１０６（２０２４）０４－１０４３－１０

０ 引言

隨著我國(guó)經(jīng)濟(jì)建設(shè)發(fā)展，煤礦資源得到了廣泛開(kāi)發(fā)，我國(guó)井下采礦礦場(chǎng)越來(lái)越多，因此立井提升運(yùn)輸設(shè)備得到了大量的應(yīng)用［１］。罐籠是井下采礦工程中的主要提升運(yùn)輸設(shè)備，其主要功能是將地底的煤、機(jī)械和人員提升至地面，因此罐籠的安全穩(wěn)定運(yùn)行影響著采煤效率。剛性罐道作為罐籠的運(yùn)行軌道，出現(xiàn)故障損傷時(shí)將影響到罐籠的安全與穩(wěn)定運(yùn)行。在采礦作業(yè)中由于機(jī)械振動(dòng)、高腐蝕的環(huán)境往往引起罐道的損傷，當(dāng)罐道發(fā)生故障時(shí)在不影響罐道使用的情況下對(duì)罐道提前做出故障診斷，對(duì)罐籠的使用具有重大安全意義［２］。

傳統(tǒng)的罐道故障診斷方法有傅里葉變換［３］、小波變換［４］、線性對(duì)應(yīng)和模態(tài)分解［５］等，在罐道發(fā)生故障時(shí)，根據(jù)加速度傳感器采集到的振動(dòng)數(shù)據(jù)的時(shí)域頻域特征，進(jìn)行有監(jiān)督的特征提取與分析從而識(shí)別出故障類型［６］。雖然傳統(tǒng)方法對(duì)罐道進(jìn)行故障診斷比較直觀便于專業(yè)人員進(jìn)行分析，但面對(duì)工況復(fù)雜、故障類型較多、故障數(shù)據(jù)較多以及噪聲干擾較大的問(wèn)題時(shí)難以做出快速高效的故障診斷［７］。

隨著深度學(xué)習(xí)理論的不斷發(fā)展，各種神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于機(jī)械［８］、土木［９］和采礦［１０］等各個(gè)領(lǐng)域［１１］。張仲杭等［１２］提出了一種基于紋理圖像與卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法，該方法將震動(dòng)數(shù)據(jù)轉(zhuǎn)換成紋理圖像從而增加神經(jīng)網(wǎng)絡(luò)的輸入尺度，進(jìn)而增強(qiáng)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(jīng)網(wǎng)絡(luò)對(duì)齒輪箱進(jìn)行了故障診斷研究，研究結(jié)果表明在神經(jīng)網(wǎng)絡(luò)中加入Ｉｎｃｅｐｔｉｏｎ 模塊可以提升網(wǎng)絡(luò)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(chǔ)上采用了Ｉｎｃｅｐｔｉｏｎ 替換小卷積層，進(jìn)而提出了一種高精度的卷積神經(jīng)網(wǎng)絡(luò)———ＩｍｐｒｏｖｅｄＣｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｗｉｔｈ Ｔｒａｉｎｉｎｇ Ｉｎｔｅｒｆｅｒｅｎｃｅ（ＩＴＩＣＮＮ）用于框架結(jié)構(gòu)故障診斷研究并將該模型命名為ＢＩＣＮＮ，研究結(jié)果表明ＢＩＣＮＮ 不僅具備超高診斷精度而且具備較強(qiáng)的抗噪聲能力。此外，神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的自適應(yīng)特征提取能力與分類能力，因此本研究采取數(shù)據(jù)驅(qū)動(dòng)的方法，在ＩＴＩＣＮＮ 的基礎(chǔ)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(jīng)網(wǎng)絡(luò)———Ｉｍｐｒｏｖｅｄ Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｗｉｔｈＴｒａｉｎｉｎｇ Ｉｎｔｅｒｆｅｒｅｎｃｅ（ＩＢＩＣＮＮ）。本研究采?。桑拢桑茫危沃械木矸e層提取振動(dòng)信號(hào)數(shù)字特征，用ＬＳＴＭ 提取加速度傳感器Ｘ、Ｙ、Ｚ 三個(gè)方向組合信號(hào)之間的相關(guān)性特征的綜合特征提取方法進(jìn)行罐道故障診斷研究，對(duì)罐道的安全與穩(wěn)定使用具有重大工程意義。為了對(duì)噪聲環(huán)境中的罐道做出精確的故障診斷，本研究使用帶噪聲的數(shù)據(jù)訓(xùn)練ＩＢＩＣＮＮ，從而提高ＩＢＩＣＮＮ 對(duì)噪聲的容納范圍，并使用自遷移學(xué)習(xí)的Ａｄａｐｔｉｖｅ Ｂａｔｃｈ Ｎｏｒｍａｌｉｚａｔｉｏｎ（ＡｄａＢＮ）［１７］方法，凍結(jié)ＢＮ 層參數(shù)，將帶噪聲振動(dòng)數(shù)據(jù)作為源域進(jìn)行正向傳播訓(xùn)練，從而消除ＢＮ 層參數(shù)在源域和目標(biāo)域形成相互獨(dú)立的關(guān)系，達(dá)到進(jìn)一步提升抗噪聲能力的目的。

１ 數(shù)據(jù)采集與增強(qiáng)

采取深度學(xué)習(xí)方法對(duì)罐道進(jìn)行故障診斷時(shí)，采集數(shù)據(jù)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(fā)生故障時(shí)便于快速地進(jìn)行故障診斷，因此在實(shí)驗(yàn)過(guò)程中將加速度傳感器放置在罐道頂端，由此來(lái)對(duì)應(yīng)實(shí)際使用過(guò)程中罐道的頂部數(shù)據(jù)采取較為方便的特征，進(jìn)而更加快速與準(zhǔn)確地做出故障診斷。本實(shí)驗(yàn)?zāi)M了罐道在使用過(guò)程中的發(fā)生率最高的故障，包括傾斜、凸起、凹陷、錯(cuò)位和間隙５ 種故障類型。數(shù)據(jù)采集方式為每一次在罐籠開(kāi)始提升時(shí)加速度傳感器采集不同方向的振動(dòng)信號(hào)。實(shí)驗(yàn)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(shí)驗(yàn)所采取的加速度傳感器可以收集來(lái)自Ｘ、Ｙ、Ｚ 三個(gè)方向的振動(dòng)數(shù)據(jù)，所采集振動(dòng)數(shù)據(jù)如圖２所示。

為了方便觀察，本研究采取了１ ０２４ 個(gè)點(diǎn)位進(jìn)行了繪制。由圖２ 可以看出，在時(shí)域內(nèi)同一種故障情況下加速度傳感器采集到的３ 個(gè)方向的振動(dòng)信號(hào)雖然不同，但振幅區(qū)間相同，不同故障情況下采集到的同一方向振動(dòng)信號(hào)凌亂程度具有較大差異。使用單一方向的震動(dòng)數(shù)據(jù)進(jìn)行故障診斷可以提取的特征數(shù)量有限，因此本研究采取對(duì)同一種故障的３ 個(gè)方向的振動(dòng)數(shù)據(jù)先進(jìn)行數(shù)組增強(qiáng)保持其在數(shù)據(jù)增強(qiáng)中具有相同的步長(zhǎng)，并且保持每個(gè)方向增強(qiáng)后的樣本順序不變，然后將每個(gè)方向的數(shù)據(jù)進(jìn)行依次組合，最后將組合數(shù)據(jù)進(jìn)行歸一化，其原理如圖３ 所示。

經(jīng)過(guò)銜接后的數(shù)組中具有不同方向的特征，因此使用神經(jīng)網(wǎng)絡(luò)對(duì)其訓(xùn)練可以提取到更加豐富的特征信息。在數(shù)據(jù)增強(qiáng)過(guò)程中，滑動(dòng)窗口數(shù)據(jù)增強(qiáng)法因其本身高度的靈活性受到廣大研究學(xué)者的青睞，通過(guò)設(shè)置窗口的長(zhǎng)度ｌ 獲得樣本數(shù)據(jù)的長(zhǎng)度，設(shè)置滑動(dòng)步長(zhǎng)ｂ 可控制樣本的數(shù)量，ｂ 的值越小得到的樣本重復(fù)性越高?；瑒?dòng)窗口數(shù)據(jù)增強(qiáng)原理如下：

式中：Ｎ 為數(shù)據(jù)增強(qiáng)后的樣本數(shù)量，Ｌ 為源數(shù)據(jù)點(diǎn)位數(shù)量。從式中可以看出，滑動(dòng)窗口越大則會(huì)導(dǎo)致樣本數(shù)量越少，滑動(dòng)步長(zhǎng)ｂ 越小則得到的樣本數(shù)量越多，ｂ ＝ １ 時(shí)可獲取最多的樣本數(shù)量為Ｌ－ｌ。

數(shù)據(jù)歸一化有利于提升卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，并可以提升卷積神經(jīng)網(wǎng)絡(luò)的收斂速度與訓(xùn)練精度。振動(dòng)數(shù)據(jù)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(dòng)信號(hào)中的負(fù)幅值，因此導(dǎo)致部分特征丟失，本研究將２ 種方法結(jié)合起來(lái)對(duì)振動(dòng)信號(hào)進(jìn)行正負(fù)值歸一化，正負(fù)值歸一化原理如下：

式中：ｘｉ 為樣本ｘ 中的第ｉ 個(gè)點(diǎn)位的數(shù)值，ｙｉ 為樣本第ｉ 個(gè)點(diǎn)位歸一化的數(shù)值。經(jīng)過(guò)式（２）可以將樣本ｘ 的點(diǎn)位全部歸一化到［－１，１］，相當(dāng)于將振動(dòng)數(shù)據(jù)進(jìn)行了等比例還原，因此保留了振動(dòng)數(shù)據(jù)的負(fù)值特征。

２ 罐道故障診斷流程

罐道往往被運(yùn)用于噪聲較大的采礦運(yùn)輸場(chǎng)所［１８－１９］，因此使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)罐道進(jìn)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(dòng)數(shù)據(jù)訓(xùn)練出來(lái)的卷積神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)本身的抗噪聲能力，本研究采取帶一定噪聲的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，從而提高卷積神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)劃分成訓(xùn)練集、測(cè)試集和驗(yàn)證集，使用不帶噪聲的訓(xùn)練集和測(cè)試集訓(xùn)練基于ＡｄａＢＮ 的卷積神經(jīng)網(wǎng)絡(luò)，生成模型并保存。隨之往驗(yàn)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(shù)據(jù)訓(xùn)練出來(lái)的模型對(duì)帶噪聲的驗(yàn)證集進(jìn)行分類，當(dāng)分類結(jié)果準(zhǔn)確率小于等于９０％且大于等于８０％ 時(shí)停止添加噪聲，依次探究出網(wǎng)絡(luò)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(xùn)練集和測(cè)試及并用于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，從而得出抗噪聲能力更強(qiáng)勢(shì)的卷積神經(jīng)網(wǎng)絡(luò)模型。此外，往訓(xùn)練數(shù)據(jù)中添加合適的噪聲去訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，相比于傳統(tǒng)使用無(wú)噪聲信號(hào)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)的性能往往取決于感受視野的大小和參數(shù)量，２０２２ 年池耀磊［２０］在ＩＴＩＣＮＮ 的基礎(chǔ)上加入了Ｉｎｃｅｐｔｉｏｎ 模塊提出了精確度較高的ＢＩＣＮＮ，但其輸入樣本數(shù)據(jù)較短，在卷積神經(jīng)網(wǎng)絡(luò)末端生成的特征參數(shù)量過(guò)低，因此在網(wǎng)絡(luò)訓(xùn)練過(guò)程中損失函數(shù)值變化較大。為了對(duì)罐道做出精確的故障診斷，本研究在ＢＩＣＮＮ 的基礎(chǔ)上沿用了第一個(gè)卷積層為１６ 通道、卷積核大小為６４、步長(zhǎng)為１６ 的結(jié)構(gòu)，使得卷積神經(jīng)網(wǎng)絡(luò)具備較高的感受視野，并將原有的樣本輸入數(shù)據(jù)由１ ０２４ 增加為３ ０７２，從而提高網(wǎng)絡(luò)末端的特征數(shù)量，此外將原有的Ｉｎｃｅｐｔｉｏｎ＿ｖ１ 升級(jí)至Ｉｎｃｅｐｔｉｏｎ＿ｖ４，使得ＢＩＣＮＮ 增加了一個(gè)１×１ 卷積的尺度并降低整體的參數(shù)量，從而得到ＩＢＩＣＮＮ 結(jié)構(gòu)。本研究所用的卷積神經(jīng)網(wǎng)絡(luò)如圖５ 所示。

ＩＢＩＣＮＮ 首先由卷積核為６４ 的大卷積層對(duì)振動(dòng)數(shù)據(jù)進(jìn)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(gè)卷積層可提取到較多的特征信息；其次，ＩＢＩＣＮＮ 的第二個(gè)卷積核尺寸為３２，用于細(xì)化提取第一層卷積輸出的特征參數(shù)；隨后，使用了５ 組Ｉｎｃｅｐｔｉｏｎ＿ｖ４ 結(jié)構(gòu)，Ｉｎｃｅｐｔｉｏｎ＿ｖ４ 中存在４ 個(gè)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(shù)。

２． ２ ＬＳＴＭ

ＩＢＩＣＮＮ 在訓(xùn)練過(guò)程中卷積核僅僅提取當(dāng)前區(qū)域的特征信息，因此忽略了前后卷積區(qū)域的相關(guān)性信息。此外，本研究采取了數(shù)據(jù)拼接，卷積層僅僅可以提取到每段信號(hào)的獨(dú)立信息，難以捕捉到拼接數(shù)據(jù)與數(shù)據(jù)之間的特征關(guān)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(guān)系。ＬＳＴＭ 邏輯如圖６ 所示。

圖６ 為一個(gè)ＬＳＴＭ 單元，經(jīng)過(guò)組合形成整體ＬＳＴＭ 層，ｘｔ 為ｔ 時(shí)刻的輸入數(shù)據(jù)，ｈｔ 為經(jīng)過(guò)ＬＳＴＭ后的輸出數(shù)據(jù)。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(mén)、輸出門(mén)、遺忘門(mén)的權(quán)重系數(shù)，ｂｉ、ｂｏ、ｂｆ 為偏置矢量。通過(guò)這樣的門(mén)結(jié)構(gòu)，使得ＬＳＴＭ 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)具有了保持長(zhǎng)期儲(chǔ)存信息的能力，有效增加了記憶的長(zhǎng)度，適用于提取組合信號(hào)之間的相關(guān)性特征提取。

２． ３ 網(wǎng)絡(luò)參數(shù)

改進(jìn)后的ＩＢＩＣＮＮ 參數(shù)如表１ 所示。

３ ＡｄａＢＮ

ＡｄａＢＮ 的原理為使用一個(gè)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練形成的ＢＮ 參數(shù)去替換掉另一個(gè)神經(jīng)網(wǎng)絡(luò)的ＢＮ 參數(shù)，從而防止神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集和測(cè)試集在訓(xùn)練過(guò)程中ＢＮ 層的均值和方差在空間領(lǐng)域分布為相互獨(dú)立，進(jìn)而使得模型的泛化能力和魯棒性大大提高。ＡｄａＢＮ 算法的實(shí)現(xiàn)需要將ＩＢＩＣＮＮ 在目標(biāo)領(lǐng)域訓(xùn)練的ＢＮ 層局部參數(shù)替換掉ＩＢＩＣＮＮ 在源領(lǐng)域訓(xùn)練所產(chǎn)生的ＢＮ 層的參數(shù)。本文在傳統(tǒng)ＡｄａＢＮ 算法的基礎(chǔ)上將ＢＮ 層所需要替換的參數(shù)提升為４ 個(gè)，即進(jìn)行整個(gè)ＢＮ 層參數(shù)替換，從而降低了ＡｄａＢＮ 算法的實(shí)現(xiàn)難度。ＡｄａＢＮ 算法如圖７ 所示。

ＡｄａＢＮ 的具體實(shí)現(xiàn)方式為：首先，將數(shù)據(jù)分為等比例的訓(xùn)練集和測(cè)試集，先用訓(xùn)練集訓(xùn)練ＩＢＩＣＮＮ，訓(xùn)練過(guò)程中再次進(jìn)行７ ∶ ３ 數(shù)據(jù)劃分，使得ＩＢＩＣＮＮ 在訓(xùn)練過(guò)程中進(jìn)行正向和反向傳播并保存訓(xùn)練好的模型；然后，使用訓(xùn)練集的數(shù)據(jù)進(jìn)行遷移學(xué)習(xí)，在遷移ＩＢＩＣＮＮ 模型過(guò)程中凍結(jié)所有ＢＮ 層，使得ＢＮ 層不進(jìn)行參數(shù)學(xué)習(xí)，同時(shí)在遷移學(xué)習(xí)的過(guò)程中只做正向傳播不做反向傳播；最終，保存遷移學(xué)習(xí)訓(xùn)練好的模型用于故障診斷。ＡｄａＢＮ 算法流程如圖８ 所示。

４ 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

本文本在一臺(tái)處理器為Ｃｏｒｅｉ７８７５０Ｈ，ＧＰＵ 為ＮＶＩＤＩＡ ＧＴＸ１０５０ｔｉ４Ｇ，內(nèi)存１６ ＧＢ 的筆記本上運(yùn)行ＩＢＩＣＮＮ，噪聲來(lái)源為Ｔｅｎｓｏｒｆｌｏｗ 中的ｎｕｍｐｙ 函數(shù)模擬產(chǎn)生的高斯白噪聲。將不帶噪聲的數(shù)據(jù)輸入到ＩＢＩＣＮＮ 的訓(xùn)練結(jié)果如圖９ 所示。

由圖９ 可以看出，在源域和目標(biāo)域的訓(xùn)練過(guò)程中精確率值最終均穩(wěn)定在１００％ 左右，但目標(biāo)域的目標(biāo)函數(shù)值在訓(xùn)練１７０ ～ ２００ 次的跳躍程度明顯高于源域，由此可以說(shuō)明源域訓(xùn)練神經(jīng)網(wǎng)絡(luò)穩(wěn)定性更高。訓(xùn)練達(dá)到２００ 次時(shí)聚類結(jié)果如圖１０ 所示。

由圖１０ 可以看出，目標(biāo)域的訓(xùn)練結(jié)果雖然可以將５ 種故障數(shù)據(jù)分離，并且每種故障均收縮，但每種故障之間的距離接近，當(dāng)信號(hào)中存在噪聲因素時(shí)會(huì)導(dǎo)致故障誤判。源域訓(xùn)練結(jié)果可以將５ 種故障數(shù)據(jù)完全分開(kāi)各自歸攏，且故障數(shù)據(jù)與故障數(shù)據(jù)之間均存在較大的距離，因此當(dāng)數(shù)據(jù)中含有一定的噪聲時(shí)，對(duì)源域訓(xùn)練結(jié)果影響較低。

使用保存的ＩＢＩＣＮＮ 模型對(duì)帶不同程度噪聲的驗(yàn)證集數(shù)據(jù)進(jìn)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(dāng)驗(yàn)證集中噪聲含量達(dá)到５０％ 時(shí)，診斷精度降低到９０％ ，因此在原始數(shù)據(jù)中加入５０％ 噪聲用于訓(xùn)練最終ＩＢＩＣＮＮ 模型。訓(xùn)練結(jié)果如圖１２ 所示。

對(duì)比圖１２ 和圖９ 可以看出，往數(shù)據(jù)中加入５０％ 噪聲后ＩＢＩＣＮＮ 的目標(biāo)域訓(xùn)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(shí)可以看出ＩＢＩＣＮＮ 源域訓(xùn)練受噪聲的影響不大，訓(xùn)練曲線趨于一致，但加入噪聲后使得目標(biāo)函數(shù)值發(fā)生高頻率的跳躍。單方面地分析訓(xùn)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(jié)果如圖１３ 所示。

由圖１３ 可以看出，數(shù)據(jù)中加入５０％ 噪聲后，故障數(shù)據(jù)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(jié)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(shuō)明生成的模型仍然可以做出有效的故障診斷。通過(guò)混淆矩陣可計(jì)算出訓(xùn)練的精確率，計(jì)算如下：

式中：ＴＰ 為預(yù)測(cè)成正的樣本數(shù)量，ＴＮ 為預(yù)測(cè)成負(fù)的樣本數(shù)量，ＴＰ＋ＴＦ＋ＦＰ＋ＦＮ 為所有樣本數(shù)量。

５ 消融實(shí)驗(yàn)

當(dāng)振動(dòng)數(shù)據(jù)中存在５０％ 噪聲時(shí)，通過(guò)圖１３ 中的混淆矩陣可計(jì)算出本研究所提出的方法精度可以達(dá)到９９． ４％ ，為了探究本研究所改進(jìn)網(wǎng)絡(luò)中各個(gè)組成部分的效果，使用ＴＩＣＮＮ、ＩＴＩＣＮＮ、ＢＩＣＮＮ 以及ＩＢＩＣＮＮ（ＡｄａＢＮ）對(duì)帶有不同噪聲的振動(dòng)數(shù)據(jù)進(jìn)行訓(xùn)練，經(jīng)過(guò)對(duì)比訓(xùn)練結(jié)果曲線的精度分析出各個(gè)改進(jìn)機(jī)制的作用。訓(xùn)練對(duì)比結(jié)果如表２ 所示。

對(duì)比表２ 中ＩＴＩＣＮＮ 和ＢＩＣＮＮ 可以看出，ＢＩＣＮＮ在噪聲含量為１０％ 時(shí)，精度高于ＩＴＩＣＮＮ １． ２６％ 左右，同時(shí)ＢＩＣＮＮ 的訓(xùn)練結(jié)果曲線顯示精度均高于ＩＴＩＣＮＮ，由此說(shuō)明使用Ｉｎｃｅｐｔｉｏｎ 模塊可以增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)的特征識(shí)別能力；對(duì)比ＢＩＣＮＮ 和ＩＢＩＣＮＮ的目標(biāo)域訓(xùn)練結(jié)果可以看出，ＩＢＩＣＮＮ 目標(biāo)域訓(xùn)練結(jié)果曲線精度均大于ＢＩＣＮＮ，由此可以說(shuō)明本研究采用的Ｉｎｃｅｐｔｉｏｎ＿ｖ４ 識(shí)別精度高于Ｉｎｃｅｐｔｉｏｎ＿ｖ１；對(duì)比ＩＢＩＣＮＮ 源域和目標(biāo)域精度，由于ＩＢＩＣＮＮ 的源域訓(xùn)練僅僅進(jìn)行正向傳播，從而導(dǎo)致源域的訓(xùn)練精度遠(yuǎn)高于目標(biāo)與訓(xùn)練精度，同時(shí)可以說(shuō)明采?。粒洌幔拢?算法可以提高網(wǎng)絡(luò)訓(xùn)練的精度。經(jīng)過(guò)對(duì)比分析結(jié)果可以得出本研采取Ｉｎｃｅｐｔｉｏｎ＿ｖ４ 以及ＡｄａＢＮ 算法改進(jìn)ＢＩＣＮＮ 可以提高網(wǎng)絡(luò)的識(shí)別能力的結(jié)論。

６ 抗噪聲能力測(cè)試

使用帶噪聲數(shù)據(jù)訓(xùn)練的ＩＢＩＣＮＮ 模型對(duì)加入不同程度噪聲的驗(yàn)證集進(jìn)行分類，分類精度曲線如圖１４ 所示。

由圖１４ 可以看出，當(dāng)源數(shù)據(jù)中含有６０％ 噪聲時(shí)分類精確度可以達(dá)到１００％ ，數(shù)據(jù)中含有１００％ 噪聲時(shí)分類精確度仍然可以達(dá)到９０％ ，滿足使用要求。對(duì)比圖９ 和圖１２ 說(shuō)明本研究所使用的方法可以大大提高故障診斷過(guò)程中的診斷精度。通過(guò)往驗(yàn)證集數(shù)據(jù)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(duì)比，對(duì)比結(jié)果如表３ 所示。

由表３ 可以看出，傳統(tǒng)機(jī)器學(xué)習(xí)方法的ＳＶＭ 診斷精度較低且精度降低速度較快，當(dāng)數(shù)據(jù)中噪聲含量達(dá)到一定程度后診斷精度值變?yōu)椋保?１１％ ，不再變化，說(shuō)明網(wǎng)絡(luò)已經(jīng)完全喪失分類能力。對(duì)比ＴＩＣＮＮ、ＩＴＩＣＮＮ、ＢＩＣＮＮ 以及本研究所提出的方法可以看出，網(wǎng)絡(luò)結(jié)構(gòu)越復(fù)雜得到的抗噪聲能力越強(qiáng)，當(dāng)噪聲含量達(dá)到６０％ 時(shí)本研究所提方法仍然可以得到１００％ 的診斷率，當(dāng)噪聲含量達(dá)到１００％ 時(shí)，本方法可以做出精度為９０． １１％ 的故障診斷，由此說(shuō)明本研究所提出方法具有較強(qiáng)的抗噪聲能力和較高的診斷精度。

７ 結(jié)束語(yǔ)

本研究采取了多軸加速度傳感器數(shù)據(jù)拼接的數(shù)據(jù)預(yù)處理方法，并在ＩＴＩＣＮＮ 基礎(chǔ)上提出了一種高精度的ＩＢＩＣＮＮ 卷積神經(jīng)網(wǎng)絡(luò)，并利用ＡｄａＢＮ 算法，將ＩＢＩＣＮＮ 訓(xùn)練集與測(cè)試集的ＢＮ 層參數(shù)達(dá)到完全相互獨(dú)立，從而提升網(wǎng)絡(luò)本身的抗噪聲能力。此外，本研究采取了往罐道故障數(shù)據(jù)中逐步添加噪聲，當(dāng)模型仍然可以做出９０％ 診斷率時(shí)，將噪聲添加進(jìn)訓(xùn)練數(shù)據(jù)再次訓(xùn)練ＩＢＩＣＮＮ，從而得到使用噪聲數(shù)據(jù)訓(xùn)練出來(lái)的模型對(duì)噪聲環(huán)境下的罐道數(shù)據(jù)進(jìn)行故障診斷。研究結(jié)果表明，當(dāng)數(shù)據(jù)中含有６０％ 噪聲時(shí)使用本研究所提出的方法仍然可以達(dá)到１００％ 的診斷率，當(dāng)數(shù)據(jù)中噪聲含量達(dá)到１００％ 時(shí)仍然具備９０． １１％ 的診斷精度。所提出的方法可用于噪聲環(huán)境下的罐道故障診斷，對(duì)罐道的使用具有重大安全意義。

參考文獻(xiàn)

［１］ 吳波． 立井提升剛性罐道系統(tǒng)健康監(jiān)測(cè)研究［Ｄ］． 徐州：中國(guó)礦業(yè)大學(xué)，２０１９．

［２］ 季華，肖興明，劉正全． 罐道測(cè)試平臺(tái)的設(shè)計(jì)［Ｊ］． 煤礦機(jī)械，２００７（１１）：２５－２７．

［３］ 郟豪，尚嘯，張強(qiáng)． 航空發(fā)動(dòng)機(jī)振動(dòng)數(shù)據(jù)稀疏傅里葉變換分析［Ｊ］． 現(xiàn)代機(jī)械，２０２３（１）：５４－５９．

［４］ 黃姍姍，李志農(nóng)． 基于高密度小波變換的航空發(fā)動(dòng)機(jī)滾動(dòng)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(dá)信號(hào)預(yù)處理［Ｊ］． 電子科技大學(xué)學(xué)報(bào)，２０２２，５１（６）：８７５－８８３．

［６］ 馬艷芳，劉雪貞，鄧小飛． 刮板輸送機(jī)鏈傳動(dòng)系統(tǒng)故障檢測(cè)與診斷［Ｊ］． 煤礦機(jī)械，２０２１，４２（４）：１８１－１８３．

［７］ 胡偉康． 基于卷積神經(jīng)網(wǎng)絡(luò)的立井剛性罐道健康監(jiān)測(cè)研究［Ｄ］． 淮南：安徽理工大學(xué)，２０２１．

［８］ 謝佳琪． 深度學(xué)習(xí)框架下的旋轉(zhuǎn)機(jī)械故障診斷研究［Ｄ］． 蘇州：蘇州大學(xué)，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(xué)現(xiàn)，等． 人工智能背景下采礦系統(tǒng)工程發(fā)展現(xiàn)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(zhuǎn)機(jī)械故障診斷的深度流形遷移學(xué)習(xí)［Ｊ］． 計(jì)算機(jī)工程與應(yīng)用，２０２２，５８（１２）：２８９－２９８．

［１２］ 張仲杭，蔡超志，徐輝，等． 基于紋理圖像的強(qiáng)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(jīng)網(wǎng)絡(luò)的框架結(jié)構(gòu)模型故障診斷研究［Ｊ］． 制造技術(shù)與機(jī)床，２０２２（１）：１３５－１４０．

［１４］ 蔡超志，白金鑫，張仲杭等． 基于自適應(yīng)小波降噪和Ｉｎ-ｃｅｐｔｉｏｎ 網(wǎng)絡(luò)的齒輪箱故障診斷［Ｊ］． 制造技術(shù)與機(jī)床，２０２２（１０）：２１－２８．

［１５］ 邢科，呂澤均． 基于ＩｎｃｅｐｔｉｏｎＶ４ 模型的通信信號(hào)調(diào)制方式識(shí)別新方法［Ｊ］． 現(xiàn)代計(jì)算機(jī)，２０２１（１２）：４８－５４．

［１６］ 熊志斌． 基于ＣＥＥＭＤＡＮ 與ＬＳＴＭ 的人民幣匯率分析與預(yù)測(cè)［Ｊ］． 數(shù)理統(tǒng)計(jì)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(jìn)卷積神經(jīng)網(wǎng)絡(luò)的剛性罐道故障診斷［Ｊ］． 工礦自動(dòng)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(jīng)網(wǎng)絡(luò)的剛性罐道故障診斷［Ｊ］． 工礦自動(dòng)化，２０１８，４４（８）：７６－８０．

［２０］ 池耀磊． 基于深度學(xué)習(xí)理論的框架結(jié)構(gòu)綜合故障診斷研究［Ｄ］． 邯鄲：河北工程大學(xué)，２０２２．

作者簡(jiǎn)介

馬利芬 女，（１９８６—），碩士，高級(jí)工程師。主要研究方向：基于深度學(xué)習(xí)的采礦運(yùn)輸設(shè)備智能故障診斷。

王 偉 男，（１９７４—），博士，高級(jí)工程師。主要方向：暖通設(shè)備智能化健康檢測(cè)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(xué)習(xí)理論的機(jī)械結(jié)構(gòu)故障診斷。

朱宏偉 男，（１９９２—），碩士，講師。主要研究方向：深度學(xué)習(xí)理論在實(shí)際工程中的應(yīng)用。

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

基金項(xiàng)目：河北省重大科技成果轉(zhuǎn)化專項(xiàng)（２２２９３６０１Ｚ）