《Actuators》：A Fault Diagnosis Method for Roadheader Cutting Head Based on GADF and Attention-Enhanced Transfer Learning AlexNet
编辑推荐：
截割头是掘进机的主要截割负载装置。恶劣复杂的掘进环境常导致带标签故障样本稀缺，严重阻碍了精确故障诊断模型的开发。本文提出了一种基于格拉姆角差场（GADF）和注意力增强迁移学习AlexNet的新型故障诊断方法。利用GADF将采集的一维振动信号转换为二维图像数据，
截割头是掘进机的主要截割负载装置。恶劣复杂的掘进环境常导致带标签故障样本稀缺，严重阻碍了精确故障诊断模型的开发。本文提出了一种基于格拉姆角差场（GADF）和注意力增强迁移学习AlexNet的新型故障诊断方法。利用GADF将采集的一维振动信号转换为二维图像数据，以捕获瞬态冲击梯度并保留绝对时间相关性。为克服数据限制，该方法保留了在ImageNet上预训练的AlexNet模型的基础卷积特征提取器，同时丢弃了原有的全连接层和分类层，构建了一个融合多头自注意力（MSA）机制的新型分类头，专门针对故障诊断任务对网络进行微调。这种结构修改自适应地为故障敏感空间区域分配更高权重，即使在强背景噪声下也显著增强了模型的特征提取聚焦能力和泛化能力。在缩比截割头故障诊断试验台上进行了实验验证。结果表明，所提方法在各评估指标上均优于其他基线方法，展现出鲁棒的识别精度和稳定性，有效识别了截割头的运行状态，为未来煤矿井下故障诊断提供了一种新颖且实用的途径。
**基于GADF与注意力增强迁移学习AlexNet的掘进机截割头故障诊断方法解读**
**一、研究背景与问题**
掘进机截割头是巷道掘进中直接接触煤岩的截割负载部件，其运行状态直接影响掘进效率和安全性。由于截割载荷时变、地质条件复杂、作业环境恶劣，截割头极易发生磨损、断齿等故障，进而威胁巷道掘进的安全与稳定，降低设备使用寿命。因此，对截割头进行实时状态监测与故障诊断具有重要意义。振动信号是机械设备固有属性的直接反映，其变化能够可靠地表征运行故障。然而，截割头在复杂地质条件和随机煤岩界面激励下产生的振动信号具有强非线性和非平稳性，传统诊断方法依赖人工特征提取与浅层模式识别，难以有效应对。虽然深度学习方法，尤其是卷积神经网络（CNN），可从二维图像中自动提取层次化特征，但现有信号转图像方法多需手动定义变换参数，参数选择不当会关键故障信息丢失。同时，传统深度学习方法严重依赖大规模标注数据，而实际煤矿井下获取大量截割头故障样本极为困难，导致模型过拟合和泛化不足。尽管数字孪生、对比学习、图神经网络等新兴小样本方法取得了进展，但它们大多需要多传感器辅助、复杂模拟数据生成或高计算开销的复杂网络结构，实际部署困难。因此，亟需一种轻量、直接且在有限数据下仍能保持高精度的诊断方法。本研究基于上述需求，提出了一种结合格拉姆角差场（GADF）与注意力增强迁移学习AlexNet的截割头故障诊断方法，旨在解决小样本与强噪声条件下截割头故障特征提取和诊断精度问题。
**二、研究内容与结论**
研究人员构建了基于相似理论的掘进机截割部实验系统，以EBZ260H掘进机为原型，按1:3缩比设计截割头，并制作了正常、磨损、缺齿三种截割头构型。结合相似理论，以煤尘（71%）、水泥（10%）、砂（5%）和水（14%）的质量比制作模拟煤壁。实验采用左向横摆截割，设置两种截割头转速，共形成六种截割头状态标签。使用INV9832三轴加速度计以2048 Hz采样频率采集截割振动信号，选择y轴信号作为主分析信号。对每类状态采集100个样本，每组1024个采样点，采用非重叠滑动窗口策略分割信号以避免数据泄露。利用GADF将一维振动信号转换为227×227的二维图像，构建共600张图片的故障数据集，并采用五折交叉验证评估模型性能。研究人员提出了改进的AlexNet-MSA模型：保留预训练AlexNet的卷积层（Conv1~Conv5）和前两个全连接层（FC6、FC7），丢弃原有的1000类分类层（FC8），嵌入多头自注意力（MSA）模块，并新增包含六个输出神经元的全连接层和softmax激活函数。实验结果表明，该模型在测试集上平均准确率达99.50%，标准差仅0.46%，有效避免了有限样本下的过拟合。对比实验显示，GADF图像编码优于GASF，其平均准确率提升4%且稳定性更好；采样点数为1024时诊断效果最佳；在多种数据转换方法中，GADF表现最优。模型对比中，AlexNet-MSA在准确率、计算复杂度和推理时间上均具优势，仅需0.724 GFLOPs和2.95 ms单样本推理时间。消融实验验证了迁移学习和MSA模块的重要作用，特别在强噪声条件下，MSA模块使模型在信噪比为?5 dB时仍保持65.33%的准确率，显著优于无MSA的基线模型。t-SNE可视化进一步表明，MSA模块能有效抑制噪声干扰，增强特征聚类性和类间可分性。该研究为复杂煤矿井下截割头故障诊断提供了一种轻量、高效且鲁棒的解决方案。
**三、主要技术方法**
本研究采用的关键技术方法包括：①格拉姆角差场（GADF）信号编码，通过极坐标映射和正弦差运算将一维振动信号转换为二维图像，捕获瞬态冲击梯度并保留时间相关性；②基于ImageNet预训练的AlexNet迁移学习，保留基础卷积特征提取器，降低对大量标注数据的依赖；③多头自注意力（MSA）机制，动态重新分配全局特征权重，强化故障敏感区域，提升模型泛化和抗噪能力。实验数据来源于自建的1:3缩比掘进机截割部故障诊断试验台。
**四、实验结果**
**4.1 GASF与GADF对比分析**：通过对比GASF和GADF转换图像及诊断精度，发现GADF图像在色彩强度、细节刻画和线条比例上更优，其正弦差算子能放大瞬态冲击边缘细节，平均准确率95.33%提升至99.50%，标准差从4.02%降至0.46%，表明GADF更有利于截割头故障特征提取。
**4.2 采样点对比分析**：比较256、512、1024和2048个采样点的诊断效果，发现256和512点信息不充分，2048点因过度压缩丢失高频特征且噪声干扰增强，准确率降至88.5%。1024点能最好平衡信息完整性与特征集中度，获得最优诊断精度和稳定性。
**4.3 数据处理方法对比**：与梅尔频谱图、连续小波变换、多重同步压缩变换和相对位置矩阵对比，GADF具备无需复杂参数调整、处理简单且能准确反映多状态差异的优势，平均准确率达99.50%，优于其他方法（置信区间95.5%~98.67%）。
**4.4 不同学习模型对比**：与从零训练的CNN、稀疏自编码器以及预训练的VGG16、ResNet50、GoogLeNet、DenseNet201对比，AlexNet-MSA在准确率（99.5%）、计算开销（0.724 GFLOPs）和推理速度（2.95 ms）上综合最优，平衡了诊断精度与边缘部署效率。
**4.5 消融实验**：移除迁移学习导致收敛变差；移除MSA模块导致测试曲线波动大、泛化稳定性显著下降；同时移除两者性能最差。抗噪实验表明，在SNR=10至?5 dB条件下，带MSA的模型准确率始终高于无MSA模型，且t-SNE特征可视化验证了MSA能有效抑制噪声、增强类别可分性。最终评估指标（精确率、召回率、特异性、F1值）均表明AlexNet-MSA表现最优。
**五、讨论与结论**
讨论部分指出，传统卷积网络固定尺寸感受野易受高频噪声干扰，而MSA模块通过计算全局像素间相关权重动态校准特征，自主抑制随机噪声产生的无效权重，迫使网络聚焦于截割头故障引起的周期性相关特征，从而解释了模型抗噪性能提升的原因。研究结论部分翻译如下：本文提出了一种基于GADF和注意力增强迁移学习AlexNet的掘进机截割头故障诊断方法。GADF通过将一维截割振动信号转换为二维图像，有效保留了时间相关性并捕获瞬态故障特征。为解决故障样本稀缺问题，该方法利用预训练AlexNet骨干降低数据依赖。此外，MSA模块的集成自适应增强了关键故障特征的提取，显著提升了模型对强背景噪声的泛化能力和鲁棒性。尽管诊断性能良好，但当前结论明确限定于验证范围：实验在1:3缩比实验室试验台而非实际井下掘进机上进行；尽管使用了三轴振动传感器，数据分析仅依赖单轴垂直振动数据；数据集限于三种离散状态（正常、磨损、缺齿），未考虑中间磨损程度或复合故障。未来研究将重点解决这些实际局限，包括融合多轴传感器信息、扩展包含不同磨损程度和复合故障的数据集、跟踪故障阶段附近的连续振动退化动力学，以及在实际煤矿井下开展现场实验以全面验证和优化方法的可靠性、计算效率和抗噪性能。
