针对实际应用中矿井通风机轴承负样本少导致故障诊断率低的问题,提出一种基于深度迁移学习的矿井通风机轴承故障诊断方法。组合卷积神经网络(CNN)与双向门控循环单元(BiGRU),并采用随机森林(RF)分类器替换CNN的Softmax层,构建CNN-BiGRU-RF诊断模型,提取轴承更深层次故障特征以便于故障识别;利用源域数据对模型训练,确定模型结构参数;最后,引入迁移学习将模型迁移至目标域,使用目标域有标签数据微调模型参数,构建目标域诊断模型进行故障分类。实验结果表明:在矿井通风机轴承负样本稀少情况下,所提方法的故障识别平均准确率在94%以上,与其他方法相比,具有更好的诊断精度和泛化能力。

GAF型矿井通风机的在线实时监测系统包括硬件系统部分和软件系统部分.硬件系统部分采用振动检测诊断法,借助振动传感器、数据采集卡PCI-9114HG等设备,以单端输入和差分输入两种方式进行数据采集；软件部分利用Lab VIEW软件搭建数据采集系统平台,实现各监测参数的实时显示、故障报警与控制.