来源：期刊VIP网 时间：
作者：王建风;靳远志;张勇;王永振;和佳聪;
单位：山东省三河口矿业有限责任公司;枣庄矿业集团高庄煤业有限公司;中国矿业大学机电工程学院;
摘要：刚性罐道是立井提升系统的关键部件，由于井筒形变、钢材锈蚀等原因易发生故障，影响罐笼正常运行。目前罐道故障诊断多采用振动检测法，诊断精度易受罐笼载荷、运行速度等工况影响。针对该问题，采用涡流传感器采集罐道故障信号，可使信号特征不受罐笼运行环境影响。为提高罐道故障识别准确率，提出一种基于残差学习和注意力机制的一维卷积神经网络（RA1DCNN）。该网络通过多尺寸卷积并行运算提取多尺度特征，增强了对不同尺度信号特征的感知能力；引入通道注意力模块和空间注意力模块，并融合残差学习机制，设计了残差注意力模块，可同时获取通道和空间信息特征，提取到更具判别性的特征。搭建罐道故障实验平台模拟不同类别及不同严重程度的罐道故障，对RA1DCNN进行消融实验和对比实验，结果表明：RA1DCNN对罐道故障类别的识别准确率达100%，对间隙故障严重程度的平均识别准确率为99.7%，对错位故障严重程度的平均识别准确率为97.68%，验证了多尺度卷积层和残差注意力模块的有效性；整体故障识别准确率为98.05%，优于一维卷积神经网络等对比模型。
关键词：立井提升系统;;刚性罐道;;罐道故障诊断;;涡流检测;;一维卷积神经网络;;多尺度卷积;;残差学习;;注意力模块
基金资助：国家自然科学基金资助项目（52274162）
