中圖分類號(hào)：TD53/67 文獻(xiàn)標(biāo)志碼：A

Fault diagnosis method for rigid guides in vertical shaft hoisting systems

WANGJianfeng1，JINYuanzhi2，ZHANGYong2，WANGYongzhen3，HE Jiacong3 （1.Shandong Province Sanhekou Mining Co.，Ltd.，Zaozhuang 277605，China；2.Zaozhuang Mining Group Gaozhuang CoalMiningCo.，Ltd.，Zaozhuang2776o5，China；3.SchoolofMechanicalandElectrical Engineering， ChinaUniversity ofMiningand Technology，Xuzhou ， China）

Abstract：Rigid guide is a keycomponent of vertical shaft hoisting systems.Due to shaft deformation and steel corrosion，faultsare likely tooccur，affectingthenormal operationof thecage.Atpresent，vibration detectionmethodsaremostlyused forrigid guidefaultdiagnosis，butthediagnosticaccuracyiseasilyaffected by operating conditions such ascage load and rumning speed.Toaddressthis problem，eddy current sensors are used to collct fault signals of the rigid guides，ensuring thatthe signalfeatures arenot affected bythecage's operating environment.To improve the accuracy of rigid guide fault identification，Residual Attntion One-Dimensional Convolutional Neural Network （RAlDCNN） was proposed.The network extracted multi-scale features through paralel multi-scale convolutions，enhancing itsability to perceive signal features at diferent scales.Channel attention and spatial attention modules were introduced and combined with the residual learning mechanism to design aresidual atention module，which simultaneously captured channel and spatial feature information， extracting more discriminativefeatures.Anexperimental platformforrigid guide faultswas established to simulate diferent types and severities of rigid guide faults. Ablation experiments and comparative experiments were conducted on RA1DCNN. The results showed that the RA1DCNN achieved 100% accuracy in identifying rigid guide fault categories， an average accuracy of 99.7% in identifying the severity of clearance faults， and an average accuracy of 97.68% in identifying the severity of misalignment faults， verifying the effectiveness of the multi-scale convolution layers and residual attention module.The overall fault identification accuracy reached 98.05% ， outperforming comparative models including one-dimensional convolutional neural networks.

Key words： vertical shaft hoisting system; rigid guides; guide fault diagnosis; eddy current detection; onedimensional convolutional neural network; multi-scale convolution; residual learning; atention module

0 引言

立井是地下礦井的重要組成部分，主要用于運(yùn)輸人員、設(shè)備和材料。剛性罐道是立并提升系統(tǒng)的關(guān)鍵部件，在提升過程中起導(dǎo)向、穩(wěn)定運(yùn)行的作用[1]由于井筒形變、鋼材銹蝕等原因，罐道容易發(fā)生故障，影響罐籠正常運(yùn)行，甚至導(dǎo)致事故發(fā)生。根據(jù)對(duì)罐籠沖擊程度的不同，罐道故障可分為溫和故障和沖擊故障，其中溫和故障（如傾斜）對(duì)罐籠運(yùn)行的沖擊較小，沖擊故障（如錯(cuò)位、間隙過大）對(duì)罐籠運(yùn)行的沖擊很大[2]。對(duì)罐道狀態(tài)進(jìn)行實(shí)時(shí)檢測(cè)，進(jìn)而實(shí)現(xiàn)故障類別與嚴(yán)重程度診斷，對(duì)保障立井提升系統(tǒng)安全穩(wěn)定運(yùn)行具有重要意義。

早期的罐道故障診斷主要通過測(cè)定罐道之間的距離和垂直度來實(shí)現(xiàn)，費(fèi)時(shí)費(fèi)力，且精度不高。近年來，一些學(xué)者通過分析罐籠振動(dòng)信號(hào)實(shí)現(xiàn)罐道故障識(shí)別。MaChi等3采集罐籠試驗(yàn)臺(tái)的振動(dòng)信號(hào)和傾斜信號(hào)，利用數(shù)據(jù)挖掘方法進(jìn)行罐道故障診斷，可有效識(shí)別常見故障，但采集的特征參數(shù)易受環(huán)境影響，實(shí)際效果不理想。WuBo等4利用不同故障模式和操作條件下的振動(dòng)信號(hào)，對(duì)罐道凸起、錯(cuò)位、間隙故障進(jìn)行分類，提高了原始數(shù)據(jù)利用率，但未對(duì)罐道故障進(jìn)行定量分析。馬天兵等[5]基于小波包及BP神經(jīng)網(wǎng)絡(luò)提取罐籠的加速度信號(hào)，實(shí)現(xiàn)了罐道凸起及接頭故障診斷。杜菲等[提出了一種基于小波變換和改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）的剛性罐道故障診斷方法。振動(dòng)檢測(cè)法屬于間接測(cè)量方法，診斷精度易受罐籠載荷、運(yùn)行速度等工況的影響。渦流傳感器基于電磁感應(yīng)原理檢測(cè)金屬樣本缺陷，可獲取直接表征樣本缺陷的一維（OneDimensional，1D）信號(hào)，具有精度高、無接觸、抗干擾能力強(qiáng)等優(yōu)點(diǎn)，非常適用于惡劣環(huán)境下的罐道故障檢測(cè)與識(shí)別[7]。因此，本文采用渦流傳感器采集罐道故障信號(hào)。

罐道故障的渦流信號(hào)為1D時(shí)間序列數(shù)據(jù)。傳統(tǒng)機(jī)器學(xué)習(xí)方法基于1D信號(hào)進(jìn)行故障診斷的步驟一般包括故障特征提取和故障模式分類：通過經(jīng)驗(yàn)?zāi)B(tài)分解[8]、主成分分析[9]、小波變換[10]、選擇頻帶[11]等方法從采集信號(hào)中提取特征，再將提取的特征輸入故障分類算法，如貝葉斯分類器[12]、支持向量機(jī)[13] k 星算法[14]等進(jìn)行分類。但傳統(tǒng)機(jī)器學(xué)習(xí)方法存在以下缺點(diǎn)： ① 特征提取大多基于人工選擇，嚴(yán)重依賴相關(guān)領(lǐng)域的專業(yè)知識(shí)。 ② 分類模型大多屬于淺層模式，在分類精度和效率方面存在不足。③ 原始信號(hào)存在噪聲，需對(duì)數(shù)據(jù)預(yù)處理，比較耗時(shí)。

深度學(xué)習(xí)融合特征提取和特征分類方法，能夠建立一種端到端的故障診斷模型，有效解決了傳統(tǒng)機(jī)器學(xué)習(xí)存在的問題[15]。其中CNN具有能提取深層特征信息、共享權(quán)重、局部感知等優(yōu)點(diǎn)，在故障檢測(cè)領(lǐng)域應(yīng)用廣泛[16]。根據(jù)網(wǎng)絡(luò)輸入的不同，利用CNN進(jìn)行故障檢測(cè)的方法可分為2類： ① 直接對(duì)采集的1D原始信號(hào)進(jìn)行故障檢測(cè)，即1DCNN。 ② 將1D信號(hào)轉(zhuǎn)換成二維（TwoDimensional，2D）圖像，再利用傳統(tǒng)的2DCNN進(jìn)行故障檢測(cè)。WangHuan等[17]將1個(gè)聯(lián)合特征編碼網(wǎng)絡(luò)和2個(gè)基于注意力的編碼器網(wǎng)絡(luò)整合到1DCNN架構(gòu)中，實(shí)現(xiàn)了端到端的軸承故障診斷。王琦等[18]提出了一種基于1DCNN遷移學(xué)習(xí)的滾動(dòng)軸承故障診斷方法，可直接處理軸承振動(dòng)信號(hào)，利用最大均值差異計(jì)算數(shù)據(jù)特征分布距離，實(shí)現(xiàn)了端到端的變工況滾動(dòng)軸承故障分類。劉濤等[19]提出一種基于多尺度注意力機(jī)制與CNN的故障診斷方法，將振動(dòng)信號(hào)轉(zhuǎn)換為灰度圖，利用多種卷積模塊組合而成的2DCNN提取深層次故障特征，可有效對(duì)渦旋壓縮機(jī)故障進(jìn)行分類。謝云等[20]對(duì)振動(dòng)信號(hào)進(jìn)行短時(shí)傅里葉變換，得到2D時(shí)頻圖，將時(shí)頻圖輸入2DCNN進(jìn)行特征提取，實(shí)現(xiàn)了齒輪箱故障診斷。

與2DCNN相比，1DCNN優(yōu)勢(shì)體現(xiàn)在： ① 1DCNN可直接對(duì)原始數(shù)據(jù)進(jìn)行高效訓(xùn)練，無需進(jìn)行數(shù)據(jù)預(yù)處理。 ② 1DCNN訓(xùn)練所需數(shù)據(jù)集較少，不易出現(xiàn)過擬合現(xiàn)象。 ③ 1DCNN結(jié)構(gòu)更加簡(jiǎn)單、緊湊，可有效降低運(yùn)算成本[21]。但1DCNN用于罐道故障診斷存在無法自動(dòng)學(xué)習(xí)故障特征、部分特征丟失等問題，主要原因： ① 渦流信號(hào)通常具有多尺度特征，在不同時(shí)間尺度上包含不同的特征，傳統(tǒng)1DCNN不具有多尺度特征提取能力[22]。 ② 為了更加有效地提取罐道故障特征，通常增加網(wǎng)絡(luò)深度，但易引起梯度消失或梯度爆炸，同時(shí)更多的參數(shù)導(dǎo)致訓(xùn)練更加困難[23]。③ 1DCNN通過提取局部感受野信息進(jìn)行特征提取，其全局感知能力差，特征提取的魯棒性不強(qiáng)，無法學(xué)習(xí)更有判別性的故障特征[24]。針對(duì)上述問題，本文提出一種基于殘差學(xué)習(xí)和注意力機(jī)制的1DCNN（Residual Attention One-dimensional ConvolutionalNeuralNetwork，RA1DCNN），通過實(shí)驗(yàn)驗(yàn)證了該網(wǎng)絡(luò)可有效識(shí)別不同類型和嚴(yán)重程度的罐道故障，且識(shí)別精度較高。

1 1DCNN

1DCNN主要包括卷積層、池化層、歸一化層、激活層和全連接（FullyConnecteion，F(xiàn)C）層?；诮?jīng)典1DCNN[25]，構(gòu)建了基線網(wǎng)絡(luò)，如圖1所示。該網(wǎng)絡(luò)由1個(gè)輸入層、6個(gè)卷積池化層和1個(gè)輸出層組成，其中卷積層由卷積函數(shù)、歸一化函數(shù)和ReLU函數(shù)組成，池化層由最大池化函數(shù)組成。輸入層采用大尺寸卷積核，對(duì)輸入數(shù)據(jù)進(jìn)行降維操作，以降低運(yùn)算量。6個(gè)卷積池化層用于提取特征。輸出層由全局平均池化（Global Average Pooling，GAP）函數(shù)、FC層和分類函數(shù)（Softmax函數(shù)）組成。

2 RA1DCNN

基于1DCNN設(shè)計(jì)RAIDCNN：利用多尺度卷積層（Multi-scaleConvolutionalLayers，MCL）對(duì)原始1D渦流信號(hào)進(jìn)行降維，以降低網(wǎng)絡(luò)運(yùn)算成本，增強(qiáng)數(shù)據(jù)淺層特征的表達(dá)能力；引入殘差學(xué)習(xí)機(jī)制，降低網(wǎng)絡(luò)模型訓(xùn)練量，提高故障診斷精度；構(gòu)建殘差注意力模塊（ResidualAttentionModule，RAM），在學(xué)習(xí)特征圖全局信息基礎(chǔ)上，有效學(xué)習(xí)故障特征。

2.1 MCL構(gòu)建

受罐籠運(yùn)行速度、載荷、振動(dòng)等因素的影響，電渦流傳感器采集的罐道故障信號(hào)通常具有高維性和非線性特征，需快速降維以減少計(jì)算成本。直接利用大尺寸卷積核進(jìn)行降維易丟失局部特征。對(duì)此，設(shè)計(jì)了MCL，其結(jié)構(gòu)如圖2所示。該層采用多個(gè)并行的小尺寸卷積核代替大尺寸卷積核進(jìn)行卷積運(yùn)算，不僅增強(qiáng)了數(shù)據(jù)淺層特征的表達(dá)能力，而且降低了網(wǎng)絡(luò)計(jì)算成本。具體地，第1個(gè)分支采用 1×7 尺寸的卷積核，以獲取輸入信號(hào)的較大感受野，學(xué)習(xí)更長(zhǎng)時(shí)間信號(hào)片段，從而增強(qiáng)網(wǎng)絡(luò)對(duì)低頻特征的提取能力；第2個(gè)分支將3個(gè)不同尺寸的卷積核串行連接，增加網(wǎng)絡(luò)深度，進(jìn)一步增強(qiáng)網(wǎng)絡(luò)的特征提取能力，并有效降低網(wǎng)絡(luò)計(jì)算成本；第3個(gè)分支采用1×3 小尺寸卷積核提取信號(hào)的細(xì)節(jié)特征，隨后與1×1 小尺寸卷積核串行連接，進(jìn)一步降低網(wǎng)絡(luò)運(yùn)算量，最后通過最大池化操作降低網(wǎng)絡(luò)過擬合風(fēng)險(xiǎn)，并提高網(wǎng)絡(luò)泛化能力。

2.2殘差學(xué)習(xí)

為了提高故障診斷精度，需增加網(wǎng)絡(luò)的深度和寬度，以獲取更豐富的故障信號(hào)特征。但網(wǎng)絡(luò)計(jì)算規(guī)模會(huì)隨網(wǎng)絡(luò)深度的增加而顯著增大，且可能伴隨梯度消失和梯度爆炸問題。對(duì)此，HeKaiming等[26]提出了殘差學(xué)習(xí)思想，通過引人殘差連接來學(xué)習(xí)殘差映射。殘差學(xué)習(xí)機(jī)制如圖3所示，其定義為

y=F（x，w_i）+x

式中： _x，y 分別為殘差學(xué)習(xí)的輸入和輸出; F（?） 為殘差函數(shù)； w_i 為殘差學(xué)習(xí)的第 i 個(gè)權(quán)重。

殘差學(xué)習(xí)機(jī)制不增加網(wǎng)絡(luò)參數(shù)，因此網(wǎng)絡(luò)復(fù)雜度不變。

2.3 RAM構(gòu)建

基于殘差學(xué)習(xí)機(jī)制、通道注意力模塊（Channel

AttentionModule，CAM）和空間注意力模塊（SpatialAttentionModule，SAM），設(shè)計(jì)了RAM。

2.3.1 CAM

在罐道故障特征識(shí)別過程中，同一特征圖的不同通道在特征描述中的重要程度存在差異。因此，采用CAM學(xué)習(xí)同一特征圖中不同通道的權(quán)重，以增強(qiáng)通道在網(wǎng)絡(luò)特征表達(dá)中的信息敏感性。經(jīng)典的CAM通過將通道權(quán)重與輸入特征1相乘來重構(gòu)不同通道特征的重要性[27]。然而，網(wǎng)絡(luò)中重復(fù)使用CAM會(huì)導(dǎo)致網(wǎng)絡(luò)特征值逐漸降低，最終影響網(wǎng)絡(luò)性能。為避免在正向傳播過程中丟失重要特征，在CAM中引入殘差學(xué)習(xí)機(jī)制，如圖4所示，在保留原始信息完整性的同時(shí)，提高網(wǎng)絡(luò)的收斂性能。

圖4中， I 為輸入特征， 為輸出特征， C 為特征圖通道數(shù)， W 為1D數(shù)據(jù)長(zhǎng)度，Conv表示卷積操作，δ（?） 為ReLU激活函數(shù)， σ（?） 為Sigmoid激活函數(shù)。

2.3.2 SAM

由于不同位置的輸入信號(hào)反映了故障特征的不同特性，所以常規(guī)卷積平均考慮每個(gè)位置在故障特征圖中的作用并不合理。為避免常規(guī)卷積正向傳播過程中丟失重要信號(hào)特征，采用SAM并引入殘差學(xué)習(xí)機(jī)制，使網(wǎng)絡(luò)更加關(guān)注引起故障的信號(hào)段，如圖5所示。

SAM輸出特征為

2.3.3 RAM

將CAM與SAM結(jié)合，設(shè)計(jì)RAM，以獲取更強(qiáng)的信號(hào)特征。通常將二者串行連接，但重復(fù)該操作可能會(huì)過度強(qiáng)調(diào)某些特征，導(dǎo)致部分細(xì)節(jié)信息丟失。

本文采用并行連接方式，所得RAM結(jié)構(gòu)如圖6所示。

RAM輸出特征為

式中：cat為特征融合操作；CAM為通道注意力操作；SAM（-）為空間注意力操作。

2.4 RAIDCNN構(gòu)成

設(shè)計(jì)的RAIDCNN模型由1個(gè) ΔMCL 、6個(gè)RAM、6個(gè)池化層、6個(gè)卷積層、1個(gè)GAP層、1個(gè)FC層和1個(gè)分類層組成。模型參數(shù)見表1。

3罐道故障診斷流程

基于RAIDCNN模型的罐道故障診斷流程如圖7所示。通過罐道故障實(shí)驗(yàn)臺(tái)采集罐道故障的渦流信號(hào)并進(jìn)行數(shù)據(jù)增強(qiáng)，以滿足訓(xùn)練要求，同時(shí)將增強(qiáng)數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集。將訓(xùn)練集數(shù)據(jù)輸入RA1DCNN模型進(jìn)行訓(xùn)練。將測(cè)試集數(shù)據(jù)輸人訓(xùn)練好的模型，預(yù)測(cè)罐道故障類別及嚴(yán)重程度。

4實(shí)驗(yàn)驗(yàn)證

4.1實(shí)驗(yàn)數(shù)據(jù)集

搭建罐道故障實(shí)驗(yàn)臺(tái)，用于驗(yàn)證RA1DCNN的有效性。實(shí)驗(yàn)臺(tái)主要包括變頻器、控制箱、驅(qū)動(dòng)電動(dòng)機(jī)、罐籠、剛性罐道、渦流傳感器、信號(hào)采集卡、工控機(jī)等，如圖8所示。變頻器用于設(shè)置電動(dòng)機(jī)速度，使罐籠按照既定速度運(yùn)行。剛性罐道由多段組成，可設(shè)置不同程度的錯(cuò)位和間隙故障。渦流位移傳感器量程為 2～8mm ，精度為 0.1% ，輸出信號(hào)范圍為 4～20mA 。該傳感器水平安裝于罐籠內(nèi)部，探頭對(duì)準(zhǔn)罐道中心位置，通過調(diào)整卡座螺母來設(shè)定傳感器與剛性罐道之間的初始提離距離，確保其處于靈敏區(qū)間，以實(shí)現(xiàn)間隙實(shí)時(shí)監(jiān)測(cè)。信號(hào)采集卡最大采集頻率為 10kHz， 將采集的1D渦流信號(hào)傳輸至工控機(jī)。

實(shí)驗(yàn)中設(shè)置剛性罐道正常、錯(cuò)位故障和間隙故障3種模式，通過改變罐籠運(yùn)行速度和渦流傳感器的提離距離模擬多種工況，通過設(shè)置不同的錯(cuò)位高度和間隙長(zhǎng)度模擬不同嚴(yán)重程度的罐道故障。為構(gòu)建包含典型缺陷特征的實(shí)驗(yàn)數(shù)據(jù)集，采集多種工況及不同缺陷條件下的渦流信號(hào)。GB50946—2013《煤礦設(shè)備安裝工程質(zhì)量驗(yàn)收規(guī)范》要求剛性罐道的安裝間隙應(yīng)控制在 2～4mm 范圍內(nèi)，罐道錯(cuò)位誤差不得超過 1mm ?；诖耍O(shè)置12種剛性罐道故障狀態(tài)，標(biāo)記為C1—C12，具體描述見表2。

實(shí)驗(yàn)中設(shè)置罐籠運(yùn)行速度分別為 0.1，0.2，0.3m/s 渦流傳感器的提離距離分別為 3，4，5mm ，共9種工況。在同一工況下，每種故障采集8個(gè)樣本，每個(gè)樣本包含21760個(gè)樣本點(diǎn)。每種故障采集72個(gè)樣本數(shù)據(jù)，12種故障共采集864個(gè)樣本數(shù)據(jù)。以罐籠速度為 0.2m/s， 提離距離為 4mm 為例，12種剛性罐道故障的原始渦流信號(hào)如圖9所示。

4.2 實(shí)驗(yàn)設(shè)置

為提高故障識(shí)別的準(zhǔn)確性，采用數(shù)據(jù)增強(qiáng)技術(shù)擴(kuò)充數(shù)據(jù)樣本。首先對(duì)原始數(shù)據(jù)進(jìn)行降采樣，采樣率為8，降采樣后樣本長(zhǎng)度為2720。然后進(jìn)行窗口裁剪，裁剪位移設(shè)置為96，裁剪后樣本長(zhǎng)度為2048。最后對(duì)樣本數(shù)據(jù)進(jìn)行翻轉(zhuǎn)操作。經(jīng)數(shù)據(jù)增強(qiáng)后，每種故障有1008個(gè)樣本數(shù)據(jù)，共計(jì)12096個(gè)樣本，足以滿足訓(xùn)練需求。

RA1DCNN訓(xùn)練和測(cè)試環(huán)境為Windows10操作系統(tǒng)、Intel Corei7-11700 CPU和RTX3070 TiGPU。訓(xùn)練集和測(cè)試集按照8：2的比例隨機(jī)分配。網(wǎng)絡(luò)采用交叉熵?fù)p失函數(shù)、隨機(jī)梯度下降優(yōu)化器，設(shè)置學(xué)習(xí)率為0.001，批量大小為100。

4.3實(shí)驗(yàn)結(jié)果與分析

4.3.1模型訓(xùn)練

RA1DCNN訓(xùn)練過程中的準(zhǔn)確率和損失函數(shù)值如圖10所示?？煽闯瞿Ｐ驮诘?輪迭代中的準(zhǔn)確率達(dá)到 60.21% ，驗(yàn)證了RA1DCNN診斷的有效性，隨著迭代次數(shù)增加，準(zhǔn)確率逐步提升，訓(xùn)練60次后穩(wěn)定在 95% 以上，最高達(dá) 98.68% ；模型的損失函數(shù)值在前10次迭代過程中迅速下降，隨著訓(xùn)練次數(shù)增加，損失函數(shù)值總體呈下降趨勢(shì)，雖偶有波動(dòng)，但能夠迅速調(diào)整，驗(yàn)證了模型具有較強(qiáng)的魯棒性。

100 w w 0.128 A 80WWmW跌0.04損50 0.0240 1 L0 20 4060 80 100 0 20 4060 80 100迭代次數(shù) 迭代次數(shù)（a）識(shí)別準(zhǔn)確率 （b）損失函數(shù)值

基于RA1DCNN的罐道故障類別及故障嚴(yán)重程度診斷結(jié)果混淆矩陣如圖11所示。該模型對(duì)罐道正常、錯(cuò)位故障和間隙故障的識(shí)別準(zhǔn)確率均為100% ，表明該模型能有效識(shí)別出不同的故障類型；對(duì)于C2—C6這5種罐道間隙故障的識(shí)別準(zhǔn)確率分別為 100% ， 100% ， 100% ， 99.0% ， 99.5% ，平均為 99.7% 表明該模型能夠有效識(shí)別罐道間隙故障的嚴(yán)重程度；對(duì)于C7—C12這6種罐道錯(cuò)位故障的識(shí)別準(zhǔn)確率分別為 100% 100% 100% 94.6% 96.0% 95.5% ，平均為 97.68% ，針對(duì)C10和C11的召回率較低，說明錯(cuò)位誤差較大的故障易相互混淆。整體上，RA1DCNN對(duì)罐道故障及其嚴(yán)重程度具有較高的識(shí)別準(zhǔn)確率。

4.3.2 消融實(shí)驗(yàn)

為了驗(yàn)證RA1DNCN各模塊的有效性，以1DCNN為基線網(wǎng)絡(luò)（將RA1DCNN的MCL和RAM替換為普通卷積層）進(jìn)行消融實(shí)驗(yàn)。為了減少實(shí)驗(yàn)的隨機(jī)性，采用五折交叉驗(yàn)證進(jìn)行測(cè)試。消融實(shí)驗(yàn)結(jié)果見表3，其中“”表示模型含有對(duì)應(yīng)模塊，“x”表示模型不包含該模塊。

模型1表示不使用任何模塊的1DCNN，即基線網(wǎng)絡(luò)，其準(zhǔn)確率僅為 87.09% ，訓(xùn)練時(shí)間為 2.59h ○

模型2表示基線網(wǎng)絡(luò)嵌入MCL，其平均準(zhǔn)確率比基線網(wǎng)絡(luò)提高 4.54% ，表明MCL能夠提取更加豐富的特征，訓(xùn)練時(shí)間為 2.65h ，僅比基線網(wǎng)絡(luò)多 0.06h 說明MCL未顯著增加模型的運(yùn)算量。

模型3表示基線網(wǎng)絡(luò)嵌入6個(gè)CAM，其訓(xùn)練時(shí)間比基線網(wǎng)絡(luò)增加了 0.58h ，平均準(zhǔn)確率提高了5.99% 。為了直觀說明CAM的有效性，將模型3中6個(gè)通道注意力權(quán)重向量組進(jìn)行可視化，如圖12所示?？煽闯鲭S著網(wǎng)絡(luò)深度增加，產(chǎn)生的冗余通道特征越來越多，而CAM能夠自動(dòng)選擇更重要的通道特征，從而學(xué)習(xí)更具判別性的故障特征。

模型4表示基線網(wǎng)絡(luò)嵌入6個(gè)SAM，其訓(xùn)練時(shí)間比基線網(wǎng)絡(luò)增加了 0.43h ，平均準(zhǔn)確率提高了4.48% 。與模型2和模型3相比，模型4的準(zhǔn)確率有所下降，說明僅從空間位置角度關(guān)注故障信號(hào)不能顯著提高故障識(shí)別精度。為直觀說明SAM的有效性，對(duì)模型4中6個(gè)空間注意力權(quán)重向量進(jìn)行可視化，如圖13所示?？煽闯霾煌恢玫奶卣鲗W(xué)習(xí)權(quán)重存在差異，SAM能更加關(guān)注原始信號(hào)中產(chǎn)生突變的特征，使網(wǎng)絡(luò)自適應(yīng)地選擇更重要的特征信息。

模型5表示基線網(wǎng)絡(luò)嵌人RAM，其訓(xùn)練時(shí)間較基線網(wǎng)絡(luò)增加 1.02h. ，平均準(zhǔn)確率提高了 8.09% 較模型2、模型3和模型4分別提高了 3.55% 2.10% 3.61% ，表明將CAM，SAM并行連接能有效提高檢測(cè)精度。

模型6表示基線網(wǎng)絡(luò)嵌人MCL與RAM，即RA1DCNN。其訓(xùn)練時(shí)間比基線網(wǎng)絡(luò)增加 1.17h ，比模型5增加 0.15h. ，平均準(zhǔn)確率較基線網(wǎng)絡(luò)提高了10.96% ，在所有模型中最優(yōu)。

為了直觀說明不同模塊的有效性，采用T-SNE算法展示各模型的2D特征分布，如圖14所示?？煽闯鯮A1DCNN診斷結(jié)果具有更強(qiáng)的判別性。

4.3.3 對(duì)比實(shí)驗(yàn)

將RA1DCNN與8種先進(jìn)深度學(xué)習(xí)算法進(jìn)行對(duì) 比實(shí)驗(yàn)，包括基線網(wǎng)絡(luò)1DCNN、5層反向傳播神 經(jīng)網(wǎng)絡(luò)（Back PropagationNeural Network，BPNN）[28]、 循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）[29]、 基于寬第一層核的深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Networks with Wide First-layer Kernels，WDCNN）[30]、雙路徑深度學(xué)習(xí)網(wǎng)絡(luò)（DualpathRecurrentNeuralNetworkwithaWideFirst-layer KernelandDeep ConvolutionalNeural Network，RNNWDCNN）[31]、融合分組稀疏濾波的CNN（Grouping SparseFiltering-Convolutional Neural Network，GSFCNN）[32]、基于多感受野的降噪殘差卷積網(wǎng)絡(luò) （MultireceptiveField DenoisingResidual Convolutional NeuralNetwork，MF-DRCNN）[33]及結(jié)合貝葉斯算法優(yōu) 化的CNN-LSTM（Bayesian Optimization-Convolutional NeuralNetwork-Long Short-term Memory，BO-CNNLSTM）神經(jīng)網(wǎng)絡(luò)[34]。為了減少實(shí)驗(yàn)的隨機(jī)性，采用 五折交叉驗(yàn)證，實(shí)驗(yàn)結(jié)果見表4。

從表4可看出：1DCNN，BPNN，RNN因網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，識(shí)別準(zhǔn)確率較低，分別為 87.09% ， 89.88% 91.40% ；WDCNN在第1層使用大尺寸卷積核提取短時(shí)特征，準(zhǔn)確率為 93.02% ，高于1DCNN，BPNN，RNN，但單純?cè)龃缶矸e核尺寸并不能顯著提升識(shí)別效果；RNN-WDCNN將RNN與WDCNN結(jié)合，增加了模型的寬度和深度，識(shí)別準(zhǔn)確率為 93.27% ，較RNN和WDCNN分別提高 1.87% 和 0.25% ;GSF-CNN，MF-DRCNN，BO-CNN-LSTM均為基于CNN的改進(jìn)模型，識(shí)別準(zhǔn)確率分別為 91.60% ， 92.79% 和 95.47% 較1DCNN分別提高了 4.51% ， 5.70% 和 8.38% RA1DCNN的識(shí)別準(zhǔn)確率達(dá) 98.05% ，較1DCNN，BPNN，RNN，WDCNN，RNN-WDCNN，GSF-CNN，MF-DRCNN，BO-CNN-LSTM分別提高了 10.96% 8.17% 6.65% 4 5.03% ， 4.78% ， 6.45% 5.26% 2.58% ，效果最優(yōu)。

5結(jié)論

1）采用渦流傳感器采集剛性罐道故障信號(hào)，根據(jù)渦流信號(hào)可直接表征罐道故障特征且不受罐籠運(yùn)行工況和立井惡劣環(huán)境影響的特點(diǎn)，使采集信號(hào)更加穩(wěn)定、可靠，有效提高了故障診斷的準(zhǔn)確率。

2）以1DCNN為基線網(wǎng)絡(luò)，設(shè)計(jì)了RAIDCNN：將多個(gè)小尺寸卷積核組成的MCL作為網(wǎng)絡(luò)模型的第1層，以降低模型運(yùn)算量，增強(qiáng)網(wǎng)絡(luò)對(duì)淺層特征的表達(dá)能力；基于殘差學(xué)習(xí)機(jī)制、CAM和SAM，構(gòu)建RAM，可同時(shí)獲取通道和空間信息特征，并提取到更具判別性的特征。

3）在罐道故障實(shí)驗(yàn)平臺(tái)模擬不同類型及不同嚴(yán)重程度的罐道故障，對(duì)RA1DCNN進(jìn)行消融實(shí)驗(yàn)和對(duì)比實(shí)驗(yàn)，驗(yàn)證了RAIDCNN可有效診斷出不同類型和嚴(yán)重程度的罐道故障，準(zhǔn)確率達(dá) 98.05% 。

參考文獻(xiàn)（References）：

[1] ZHAO Jianlong，MA Chi，XIAO Xingming，et al. Research on deformation law of guide rails caused by minevertical shafts under non-mining action[J]. EngineeringFailure Analysis，2022，134.DOI：10.1016/ J.ENGFAILANAL.2022.106089.

[2]YAO Jiannan，MA Yansong，MA Chi， et al. Effect of misalignment failuresofsteelguides on impact responsesinfrictionminehoistingsystems[J]. Engineering Failure Analysis， 2020，118.DOI： 10.1016/ j.engfailanal.2020.104841.

[3]MA Chi， WANG Taibin， XIAO Xingming， et al. Pattern recognition of rigid hoisting guides based on vibration characteristics[J]. Journal of Vibroengineering，2017， 19（1）： 237-245.

[4]WU Bo，LI Wei， JIANG Fan. Fault diagnosis of mine shaft guide rails using vibration signal analysis based on dynamic time warping[J]. Symmetry，2018，10（10）. DOI： 10.3390/sym10100500.

[5]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. MA Tianbing， WANG Xiaodong， DU Fei， et al. Fault diagnosis of rigid cage guide based on wavelet packet and BP neuralnetwork[J]． Industry and Mine Automation，2018，44（8）：76-80.

[6]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）：42-48，62. DU Fei，MA Tianbing，HU Weikang，et al. Fault diagnosis of rigid guide based on wavelet transform and improved convolutional neural network[J]. Journal of Mine Automation， 2022，48（9）： 42-48， 62.

[7]MENG Tian，TAO Yang，CHEN Ziqi，et al. Depth evaluation for metal surface defects by eddy current testingusingdeep residualconvolutional neural networks [J]. IEEE Transactions on Instrumentation and Measurement，2021，70.DOI：10.1109/TIM.2021. 3117367.

[8]LIU Baoling，HUANG Pingjie，HOU Dibo，et al. Application of Hilbert-Huang transform for defect recognition inpulsededdycurrent testing[J]. Nondestructive Testing and Evaluation，2015，30（3）： 233-251.

[9]DU Bolun，HE Yigang，HE Yunze，et al. Intelligent classification of silicon photovoltaic cell defects based on eddy current thermography and convolution neural network[J]. IEEETransactionson Industrial Informatics，2019，16（10）： 6242-6251.

[10]HO K C，PROKOPIW W，CHAN Y T. Modulation identificationofdigitalsignalsby thewavelet transform[J]． IEE Proceedings-Radar， Sonarand Navigation， 2000，147（4）： 169-176.

[11]XIE Shejuan， ZHANG Lei， ZHAO Ying，et al. Features extraction and discussion in a novel frequency-bandselecting pulsed eddy current testing method for the detection of a certain depth range of defects[J]. NDT amp; EInternational，2020，11.DOI：10.1016/j.ndteint. 2019.102211.

[12]PENG Ying，QIU Xuanbing，WEI Jilin，et al. Defect classification using PEC responesbased on power spectral density analysis combined with EMD and EEMD[J]. NDT amp; E Intermational， 2016， 78： 37-51.

[13]HUANG Pingjie，DING Tianyu， LUO Qing，et al. Defect localisation and quantitative identification in multi-layer conductive structures based on projection pursuit algorithm[J]． Nondestructive Testingand Evaluation，2019，34（1）： 70-86.

[14]RAVIKUMAR K N， MADHUSUDANA C K， KUMAR H，et al. Clasification of gear faults in intermal combustion （IC） engine gearbox using discrete wavelet transform features and K star algorithm[J]. Engineering Science and Technology，an International Journal， 2022， 30.DOI： 10.1016/J.JESTCH.2021.08.005.

[15]KULIN M， KAZAZ T，MOERMAN I， et al. End-to-end learning from spectrum data： a deep learning approach for wireless signal identification in spectrum monitoring applications[J].IEEE Access，2018，6： 18484-18501.

[16]SU Binyi，CHEN Haiyong， ZHOU Zhong. BAFdetector：aneffcientCNN-baseddetectorfor photovoltaic cell defect detection[J]. IEEE Transactions on Industrial Electronics，2021，69（3）：3161-3171.

[17]WANG Huan，LIU Zhiliang，PENG Dandan，et al. Attention-guided joint learning CNN with noise robustness for bearing fault diagnosis and vibration signal denoising[J]．ISA Transactions，2022，128： 470-484.

[18]王琦，鄧林峰，趙榮珍.基于一維CNN遷移學(xué)習(xí)的滾 動(dòng)軸承故障診斷[J].振動(dòng).測(cè)試與診斷，2023，43（1）： 24-30，195. WANG Qi， DENG Linfeng， ZHAO Rongzhen. Fault diagnosis of rolling bearings based on one-dimensional convolutional neural network with transfer learning[J]. Journal of Vibration，Measurement amp;Diagnosis，2023， 43（1）： 24-30，195.

[19]劉濤，麻德權(quán).基于CBAM-CNN的渦旋壓縮機(jī)故障 診斷[J].振動(dòng).測(cè)試與診斷，2024，44（5）：900-906，1036. LIU Tao， MA Dequan. Fault diagnosis of scroll compressor based on improved CBAM-CNN[J]. Jourmal of Vibration，Measurement amp; Diagnosis，2024，44（5）： 900-906，1036.

[20]謝鋒云，汪淦，王玲嵐，等.STFT結(jié)合 2D CNNSVM的齒輪箱故障診斷方法[J].噪聲與振動(dòng)控制， 2024，44（4）： 103-109. XIE Fengyun， WANG Gan， WANG Linglan， et al. Fault diagnosis method of gearbox based on STFT and 2DCNN-SVM[J].Noise and Vibration Control，2024， 44（4）：103-109.

[21]KIMM S，YUNJP，PARKP. An explainable neural network for fault diagnosis with a frequency activation map[J]. IEEE Access， 2021， 9： 98962-98972.

[22]JIANG Guoqian， HE Haibo，YAN Jun， et al. Multiscale convolutional neural networks for fault diagnosis of windturhina ganrhov[1] IEEE Tror Industrial Electronics，2018，66（4）： 3196-3207.

[23]MAO Shangbo，RAJAN D， CHIA L T. Deep residual pooling network for texture recognition[J]．Patterm Recognition，2021，112． DOI： 10.1016/J.PATCOG. 2021.107817.

[24]FANG Chenyu， HE Dakuo， LI Kang，et al. Image-based thickener mud layer height prediction with attention mechanism-based CNN[J]．ISA Transactions，2022， 128： 677-689.

[25]LI Shi，WANG Huaqing， SONG Liuyang，et al. An adaptive data fusion strategy for fault diagnosis based on the convolutional neural network[J]. Measurement， 2020，165. DOI： 10.1016/j.measurement.2020.108122.

[26]HE Kaiming，ZHANG Xiangyu，REN Shaoqing，et al. Deep residual learning for image recognition[C]. IEEE ConferenceonComputerVisionandPaterm Recognition， Las Vegas， 2016： 770-778.

[27]WOO S， PARK J， LEE J Y， et al. CBAM： convolutional block attention module[C]． European Conferenceon Computer Vision，Munich，2018：3-19.

[28]SHAO Siyu， MCALEER S， YAN Ruqiang， et al. Highly accurate machine fault diagnosis using deep transfer learning[J]．IEEETransactionson Industrial Informatics，2019，15（4）： 2446-2455.

[29]MANSOURI M，DHIBI K，HAJJI M，et al. Intervalvalued reduced RNN for fault detection and diagnosis for wind energy conversion systems[J]. IEEE Sensors Jourmal， 2022，22（13）：13581-13588.

[30]ZHANG Wei， PENG Gaoliang，LI Chuanhao，et al. A new deep learning model for fault diagnosis with good anti-noise and domain adaptation ability on raw vibration signals［J]．Sensors，2017，17（2）.DOI：10.3390/ s17020425.

[31]SHENFIELD A， HOWARTH M. A novel deep learning model for the detection and identification of rolling element-bearing faults[J]. Sensors，2020，20（18）.DOI： 10.3390/s20185112.

[32]WANG Pengxin， SONG Liuyang，WANG Huaqing， et al. Grouping sparse filtering： a novel down-sampling approach toward rotating machine intelligent diagnosis in 1D-convolutional neural networks[J]. Measurement Science and Technology，2022，33（6） .DOI： 10.1088/ 1361-6501/AC4CE6.

[33]XU Yadong，YAN Xiao'an， SUN Beibei，et al. Multireceptive field denoising residual convolutional networks for fault diagnosis[J]. IEEE Transactions on Industrial Electronics，2022， 69（11）： 11686-11696.

[34]DAO Fang， ZENG Yun， QIAN Jing. Fault diagnosis of hydro-turbineviatheincorporationofBayesian algorithm optimized CNN-LSTM neural network[J]. Energy，2024，290.DOI：10.1016/J.ENERGY. 2024.130326.