来源：期刊VIP网 时间：
作者：李鑫;李淑华;陈浩;司垒;魏东;邹筱瑜;
单位：中国矿业大学机电工程学院;智能采矿装备技术全国重点实验室;
摘要：采煤机截割部齿轮箱振动监测数据结构复杂，且易出现类别不平衡问题，导致现有基于传统机器学习的智能故障诊断方法易出现错报现象，而基于深度学习的诊断方法模型结构复杂、学习效率低，且易陷入局部最优解，影响诊断性能。针对上述问题，提出了一种基于改进型级联宽度学习（ICBL）的采煤机截割部齿轮箱故障诊断方法。在ICBL模型的特征节点中引入随机超图卷积机制，充分挖掘采煤机截割部齿轮箱振动数据的复杂多元结构信息，增强故障特征表征能力；采用类特异性权重分配策略，根据输入数据的类间比例信息，为少数类样本赋予更高权重，提高不平衡数据下采煤机截割部齿轮箱故障诊断性能。利用采煤机截割部齿轮箱故障模拟实验台验证基于ICBL的采煤机截割部齿轮箱故障诊断方法的有效性，结果表明该方法能够有效增强故障特征的判别性，在数据不平衡度为15时诊断精度达94.52%，单一样本的故障识别耗时为0.284 ms，优于级联宽度学习系统、加权宽度学习系统、多尺度卷积神经网络、超图神经网络、多分辨率超图卷积网络等。
关键词：采煤机截割部;齿轮箱;故障诊断;级联宽度学习;随机超图卷积;类特异性权重
基金资助：国家自然科学基金项目（52404178）; 江苏省自然科学基金项目（BK20231064）
