目的 为了解决掘进机截割头故障振动信号信息量大且难以充分提取和现有的掘进机截割头故障诊断模型参数量多且计算量大，训练需要耗费大量时间，部署和使用对硬件设备的性能要求严苛的问题。方法 提出一种小体积和运行速度快的轻量化网络模型时空特征融合(STFF)-ShuffleNet用于掘进机截割头故障诊断研究。ShuffleNet在模型进行时空特征提取时引入深度可分离卷积提高模型的运算效率，再对融合后的时空特征做通道混洗和分组卷积，既解决了通道分组的问题又提高了诊断精度。通过悬臂式掘进机截割头实验台模拟不同故障条件，将采集到的振动信号输入模型中进行测试。结果 实验表明，STFF-ShuffleNet模型对掘进机截割头的诊断与其他传统模型相比参数量少，收敛速度快，运行效率更高，更容易满足掘进机截割头故障诊断高实时性要求，准确率达到99.3%。结论 STFF-ShuffleNet模型对提高掘进机截割头故障诊断效率和降低硬件要求提供了一种新的解决思路

国家重点实验室基金资助项目(SKLMRDPC20ZZ01)；安徽省重点研究与开发计划基金资助项目(202104a07020005)；安徽省智能矿山技术与装备工程实验室开放基金资助项目(AIMTEEL202202)；安徽省高校自然科学研究基金资助项目(2023AH051196)；安徽高校协同创新基金资助项目(GXXT-2022-019)；

1 理论基础
1.1 MCNN-LSTM网络模型
1.2 分组卷积
1.3 深度可分离卷积
1)深度卷积(Depthwise Convolution)
2)点卷积(Pointwise Convolution)
1.4 通道混洗
2 实验台搭建与信号采集
2.1 悬臂式掘进机截割头实验台搭建
2.2 截割头故障模拟
2.3 信号采集与选取
3 STFF-ShuffleNet模型的构建及测试
3.1 STFF-ShuffleNet模型构建
3.2 数据处理
3.3 模型训练和测试结果
3.4 模型性能对比
3.5 泛化性能分析
4 结论

[1]马天兵,陈旭升,童玮,等.基于STFF-ShuffleNet的掘进机截割头故障诊断[J].安徽理工大学学报(自然科学版),2024,44(04):1-10.