现有刚性罐道故障诊断方法有的仅适用于小样本数据集，有的虽适用于大样本数据集，但忽略了实际工作环境中的多工况背景。基于卷积神经网络的刚性罐道故障诊断方法存在数据和运算量庞大，易产生过拟合等问题。针对上述问题，提出了一种基于小波变换和改进卷积神经网络的刚性罐道故障诊断方法。首先，在刚性罐道设置错位与间隙2种缺陷，采集多工况下提升容器振动加速度信号。其次，利用小波变换将采集的振动加速度信号转换为二维时频图像，采用试凑法最终确定经Complex Morlet小波基函数处理后的二维时频图像的时间和频率分辨率最佳。然后，通过改进卷积神经网络模型结构，即保留第1层和第5层池化层，将第2,3,4层池化层替换为小尺度卷积层，以防止过拟合现象。最后，将二维时频图像输入改进后的卷积神经网络模型。实验结果表明:(1)改进模型经过训练后，在训练集上的平均准确率为99%左右，在测试集上的平均准确率为99.5%。(2)当数据训练至200步后，改进模型的准确率达99%以上，改进模型的损失函数值趋近于0，说明改进模型收敛性能较好，模型的泛化能力得到了增强，在学习过程中对于过拟合的抑制效果明显。(3)在验证集混淆矩阵上，间隙缺陷和错位缺陷识别准确率为100%，无缺陷识别准确率为92%。(4)与EMD-SVD-SVM、小波包-SVM、EMD-SVD-BP神经网络、小波包-BP神经网络相比，基于小波变换和改进卷积神经网络的刚性罐道故障诊断方法准确率达99%。

安徽省自然科学基金面上项目（2008085ME178）；安徽省重点研究与开发计划项目（202104a07020005）；安徽高校自然科学研究项目（KJ2020A0281）；安徽高校学科拔尖人才项目（gxbjZD202020063）；国家重点实验室资助项目（SKLMRDPC20ZZ01）；

0 引言
1 刚性罐道缺陷诊断过程
2 小波变换
2.1 振动加速度信号采集与选取
2.2 小波基函数选取与二维时频图像生成
3 改进卷积神经网络
4 实验结果与分析
4.1 数据集
4.2 实验验证
5 结论

杜菲,马天兵,胡伟康,吕英辉,彭猛.基于小波变换和改进卷积神经网络的刚性罐道故障诊断[J].工矿自动化,2022,48(09):42-48+62.DOI:10.13272/j.issn.1671-251x.17964.