基于小波变换和卷积神经网络的矿井通风故障诊断

摘要

矿井通风系统是矿山生产的生命线，其故障诊断的准确性与实时性至关重要。针对传统方法在处理非平稳、非线性通风信号时存在的特征提取不充分等问题，提出了一种融合小波变换（WT）与卷积神经网络（CNN）的智能故障诊断方法。该方法首先利用WT将风速、风压等一维监测信号转换为蕴含时频局部特征的二维图像，进而构建CNN模型，实现故障特征的自动提取与高效分类。通过构建模拟实验平台，采集多工况下的风量、风压数据，并对比了3种诊断模型。实验结果表明，该方法在风量特性、风压特性及复合特性诊断任务中平均准确率最高，显著优于对比模型。现场工程应用表明，对调节风窗的模拟故障实现了平均94.7%的准确诊断，验证了该模型在实际生产环境中的良好泛化能力与鲁棒性，为矿井通风系统的状态感知与智能预警提供了一种高精度、高可靠性的解决方案。

关键词

矿井通风 / 故障诊断 / WT / CNN / 智能诊断

基金资助

辽宁省教育厅基金项目（JYTMS20231448）