为有效、快速地处理含噪声数据,提出将轴承故障诊断建模为时间序列分类任务。利用奇异谱分析将一维时间序列扩展为多维时间序列,并实现降噪;利用凸优化算法快速、有效地从噪声数据中学习到FCMs模型,将时间序列转换成C×C的特征矩阵;采用神经网络对特征矩阵进行分类。利用CWRU轴承数据集对所提出的方法进行验证,结果表明与传统方法相比,所提方法在轴承故障诊断方面的性能较优。

液压支架的动作划分是工作面设备动作智能控制的关键基础信息。以液压支架压力数据为基础,采用时间序列分类的方法将支架动作划分为9类动作升柱过程、初撑力跳变过程、增阻过程、极速增阻跳变过程、极速增阻过程、降柱跳变过程、降柱过程、移架过程、升柱跳变过程。利用Bert预训练模型进行构建全连接分类层,并利用液压支架压力数据进行模型分类训练。试验结果表明,在Bert-base预训练模型中,9类动作均取得了较好的分类效果,其中升柱过程的识别精度达到了96%,其余平稳动作过程的分类精度均超过了92%,验证了Bert模型在液压支架具有较强的泛化能力。