典型文献
基于卷积神经网络的矿井提升机制动系统故障诊断方法
文献摘要：
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.
文献关键词：
深度学习;矿井提升机;制动系统;故障诊断;卷积神经网络
中图分类号：
作者姓名：
李娟莉;闫方元;梁思羽;李博;苗栋
作者机构：
太原理工大学 机械与运载工程学院,太原 030024;太原理工大学 煤矿综采装备山西省重点实验室,太原 030024
文献出处：
引用格式：
[1]李娟莉;闫方元;梁思羽;李博;苗栋-.基于卷积神经网络的矿井提升机制动系统故障诊断方法)[J].太原理工大学学报,2022(03):524-530
A类：
B类：
矿井提升机,提升机制,制动系统,系统故障,故障诊断方法,机运,深度学习方法,convolutional,neural,network,故障机理,监测参数,正常状态,故障模拟,故障诊断模型,梯度下降法,迭代更新,新网,测试数据,反馈神经网络,back,propagation,对比验证
AB值：
0.200643
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
