徐卫鹏,徐 冰

(1.中煤科工集团 上海有限公司，上海 200030；2.日照职业技术学院 现代汽车学院， 山东 日照 276825 )

随着煤矿综采技术的进步，采煤机截割系统向智能化发展，且截割工况复杂，生产过程中难以避免地截割硬度为8～10的夹矸、断层甚至更为坚硬的硫化铁结核，产生较大冲击力，对摇臂各组成部件的开发、生产及维护提出了更苛刻的要求。任何组件特别是轴承的一个微观损伤或轻微震荡都可能影响整机的工作性能，降低生产质量，甚至引发严重的安全事故。为及时准确地掌握采煤机截割系统的健康信息，监测系统需采集大量样本数据，在此背景下，设备健康监测技术进入大数据时代，文献[1]以传感器获取监测样本数据，以机器学习积累训练经验作为主要技术手段，智能判断机械健康状态作为最终目的。

深度学习概念由Hinton等[2]首次提出，作为人工智能领域的一个重要跨越，深度学习技术因其卓越的数据挖掘及特征自适应学习能力[3]在机械状态监测领域受到青睐。文献[4]指出，机械故障诊断常用的网络模型为卷积神经网络(convolutional neural network,CNN)、自动编码器(auto-encoder,AE)、深度信念网络(deep belief network,DBN)和循环神经网络(recurrent neural network,RNN)。通过适当调整网络结构，并结合不同信号处理技术，可对不同应用场景下的故障进行智能诊断。

具备稀疏交互、参数共享等特点的卷积神经网络可以有效简化故障诊断模型，减少训练参数数量，提高边缘检测效率，使模型具有较强的鲁棒性和容错性。由于这些出色的特性，CNN信号处理能力优于全连接网络，既可降低训练难度，又可以提高识别准确率。……