金属矿山

作者：权国辉邰金华张庆莉薛春霞

单位：1. 郑州职业技术学院新材料工程学院,河南 郑州 450121;2. 华北水利水电大学机械学院,河南 郑州450046;3. 河南牧业经济学院信息工程学院,河南 郑州 450011

关键词：滚动轴承,故障识别,信号处理,鲸鱼优化算法,变模态分解,卷积神经网络,

基金：2025 年度河南省高等学校重点科研项目(编号:25B430045,25B430040);2025 年度河南省科技攻关项目(编号:252102230071);2024年度河南省高等教育(高等职业教育类)教学改革研究与实践项目(编号:2024SJGLX0721)。

针对矿山皮带输送机滚动轴承故障振动信号噪声大、故障特征提取困难的问题,提出了一种结合信号优化预处理与深度学习的故障识别模型。该模型首先利用鲸鱼优化算法(Whale Optimization Algorithm,WOA)优化的变分模态分解(Variational Mode Decomposition,VMD)方法,对原始振动信号进行自适应降噪与重构以精准提取故障特征。然后,将重构后的信号转换为二维灰度图,作为模型的输入。最后,在识别分类阶段构建了一种改进的ExtremeInception (Xception)和卷积神经网络(Extreme Inception and Convolutional Neural Network,Xception-CNN)模型。该模型融合了Xception 架构的深度可分离卷积优点以更高效地利用计算资源,同时引入了通道注意力机制以增强对关键故障特征的关注,并嵌入残差学习模块以缓解深层网络的梯度消失问题,最终实现端到端的故障状态智能分类。结果表明:Xception-CNN 故障识别模型在测试集上实现了98. 61%的最高识别准确率,F1 分数达到0. 985;在强噪声(信噪比为10 dB)干扰下,该模型准确率仍保持在98. 61%,显著优于对比方法,具有较好的鲁棒性。同时,模型参数量仅为42. 7 MB,单样本推理耗时仅12. 3 ms,在保证高精度的同时具备良好的工程应用效率。

来源：2025年第10期

《金属矿山》期刊编辑部

查看金属矿山杂志2025年第10期