煤炭工程

作者：王路明,寇子明,韩　聪,李　鑫

单位：1. 太原理工大学机器人科学与工程学院，山西 太原 0300242. 矿山流体控制国家地方联合工程实验室，山西太原 030024

关键词：深度学习,故障诊断,带式输送机,注意力机制,音频数据,

带式输送机托辊在长期运行中易受生锈、磨损等故障影响，其早期故障声学信号微弱且易被工业环境强噪声淹没，传统诊断方法存在特征提取不足与鲁棒性差的问题。文章提出一种基于CNN-Swin Transformer双分支特征融合网络（CSF）的故障诊断方法。通过融合变分模态分解与快速傅里叶变换构建时频域特征矩阵，结合CNN的局部特征提取优势与Swin Transformer的全局注意力机制，设计SE-CGA注意力机制实现深度特征提取。实验表明，该方法在真实工业数据集上达到98.11%的测试准确率，较单一CNN模型性能提升超过9%。在叠加-15dB极端噪声时仍保持65.59%的识别精度验证了其在强噪声场景下的诊断鲁棒性与工程应用价值。

来源：2026年第3期

《煤炭工程》期刊编辑部

查看煤炭工程杂志2026年第3期