煤炭科学技术

作者：苏树智, 杨梦洋, 马天兵, 朱彦敏, 王贤,

关键词：掘进机截割头, 故障诊断, 频率动态感知, 树形拓扑结构, 卷积神经网络,

掘进机作为巷道掘进的主力装备，其掘进工况却复杂多变，极易导致掘进机截割头发生故障。恶劣的掘进工况，导致掘进机截割信号通常存在强背景噪声耦合与高度非平稳特性的问题，这使得故障特征提取困难，故障诊断准确率低。针对这一问题，提出一种频率动态感知的多视角树形拓扑诊断网络（Frequency Dynamic-aware Multi-view Tree-topology Diagnosis Network， FDM-TreeDNet）。该网络设计了一种新颖的频率动态感知卷积（Frequency Dynamic-Aware Convolution，FDAC）模块，该模块利用通道的频谱质心指导通道重排，并结合高低频信号的能量分布特性，使用各向异性卷积对高低频特征精准解耦，随后经过多支路卷积门控机制，捕捉实时语义来动态生成样本特异性权重。FDAC在实现频率感知的同时，也对特征图进行了自适应重构与校准，从而抑制强背景噪声，有效克服了非平稳工况与强背景噪声下的特征漂移困境。为了进一步解决该模块在深层特征传递中的语义迷失问题，设计了源流引导的多视角树形拓扑（Source-Guided Multi-view Tree-topology，SGM-Tree）结构，该结构在主干网络的各个关键阶段建立横向注入通道，利用并行支路从原始信号中显式分解出精确坐标、长程结构及全局上下文等多视角关键特征。这些特征作为语义锚点被逐阶段注入到FDAC模块之前，有效校准了因频率重排引起的语义偏差。为了充分挖掘树形拓扑结构带来的层级化特征优势，进一步提出了一种面向树形结构的蒸馏（Tree-Structured Distillation，TSD）策略，该策略利用参数共享分类机制将各阶段SGM-Tree注入的多视角关键特征与主干网络的动态输出特征映射至同一语义度量空间，并在该空间内借助置信变换来获取语义软掩码，结合多层联级自蒸馏，提高掘进机截割头故障诊断准确率。试验表明，该掘进机截割头故障诊断方法在自建AUST掘进机数据集和CWRU数据集上效果显著，验证了其有效性。

来源：2026年第5期

《煤炭科学技术》期刊编辑部

查看煤炭科学技术杂志2026年第5期