强噪声环境下基于RBFNN的煤矿机械状态检测

摘要

在煤矿井下复杂工况中，带式输送机轴承运行信号长期受到强背景噪声干扰，导致状态特征不稳定，制约在线状态检测的准确性与可靠性。针对上述问题，提出了一种面向强噪声环境的轴承状态检测方法。通过多域特征构建与特征相关性建模，将高维状态特征重组为若干相关特征子空间，并在此基础上构建协同径向基函数神经网络（RBFNN），以提升噪声抑制能力与判别稳定性。实验结果表明，在标准工况下，该方法对内圈故障、外圈故障及滚动体故障的识别准确率均达到0.92。工程评估显示，该方法在批大小为1时单样本推理时延为0.96 ms，吞吐率达到1 041 samples/s。结果表明，该方法能够在强噪声条件下实现高精度、低时延的轴承状态检测，适用于煤矿设备在线检测场景。

关键词

轴承状态检测 / 强噪声环境 / 特征相关性建模 / RBFNN / 在线检测