煤矿机械齿轮箱磨损故障的特征提取与GAN模型检测研究

  • 摘要: 目的 针对煤矿机械齿轮箱在强噪声、小样本及数据不均衡等复杂工况下磨损故障检测精度低、抗噪能力弱、泛化性差的问题;方法 提出一种融合振动特征提取与Wasserstein生成对抗网络(WGAN)的智能检测方法:分析齿面磨损与齿面点蚀的物理机制,建立振动信号特征提取框架;并引入Wasserstein距离改进传统GAN,构建具备强抗噪性与不均衡数据适应能力的检测模型;设计包含错误预测惩罚机制的检测损失函数及系统化预训练策略;最终通过模拟煤矿工况的齿轮箱试验台进行对比实验。结果 实验表明:该方法在轻度磨损阶段,第48分钟,噪声值52.3 dB可准确识别故障,中度磨损阶段检出时刻较对比方法提前约35分钟,重度磨损阶段实现全程稳定检测;综合分类准确率达96.8%,召回率97.2%,AUC值0.991;在信噪比-10 dB时准确率仍保持76.4%,训练样本仅500个时准确率达84.6%,均显著优于改进深度森林和CWT+Swin Transformer方法。结论 本文方法在小样本、强噪声工况下具有高精度与强鲁棒性,为煤矿齿轮箱磨损故障的早期检测与安全预警提供了有效技术支撑。

     

/

返回文章
返回