关键词：钻采设备;故障诊断;深度残差网络;卷积神经网络
摘 要：针对传统钻采设备故障诊断方法存在的成本高、缺乏实时性和普适性不足的问题，提出了一种基于深度残差网络的旋转机械故障诊断方法。该方法通过固定窗口长度的随机采样来构建充足的训练数据集，利用深层架构和残差学习机制，结合一维卷积神经网络提取时序信号中的多尺度特征，并通过全连接神经网络完成故障的识别与分类。实验结果表明，对公开数据集（CWRU）添加3dB噪声后，所提方法在测试集上的准确率依然保持在99%以上。在PT800实采数据集上，该方法的准确率也超过了98%。这些结果验证了该方法在变工况条件下对旋转机械设备故障进行高效、准确诊断的能力，为旋转机械故障的自动诊断提供了一种新的可行方法。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取