多尺度卷积神经网络小样本轴承故障辨识方法

针对基于深度学习的故障辨识方法工程应用准确率受制于样本数量与质量的问题，提出一种多尺度卷积神经网络（novel multi-scale convolutional neural network，简称NMS-CNN）故障辨识方法。首先，对滚动轴承的振动信号进行快速傅里叶变换（fast Fourier transform，简称FFT）获取其频域数据；其次，利用多尺度卷积提取频域数据中的多粒度敏感特征，并使用实例归一化技术（instance normalization，简称IN）对特征图进行归一化；然后，采取注意力机制对多尺度特征进行自适应加权并进一步使用卷积提取深层抽象特征；最后，使用softmax分类器完成故障辨识任务。经过实验验证，所提方法能够在较少训练样本下完成故障辨识任务，并且其抗噪性与泛化性均优于其他智能故障辨识算法。     

利用DCNN融合多传感器特征的故障诊断方法

缘于多传感器信号的融合能够更加准确地诊断机械故障,针对传统浅层融合模型对复杂数据非线性映射与特征表示能力较弱的问题,提出一种利用深度卷积神经网络(deep convolutional neural network,简称DCNN)融合多传感器信号特征的机械故障诊断方法。首先,对多传感器振动信号分别进行特征提取,将获得特征向量作为一维特征面构造多传感器特征面集合,将该集合作为深度卷积神经网络的输入;其次,利用深度网络结构实现对多通道特征面的自适应层级化融合与提取;最后,由softmax回归分类器输出诊断结果。实验结果表明,该方法具有更高的故障分类与辨识能力,良好的鲁棒性和自适应性。本方法可为解决复杂机械系统故障诊断的多传感器信息融合问题,提供理论参考依据。     

高速加工中心电主轴热态特性研究

高速加工过程中,由电机生热及滚动轴承的摩擦生热而引起的电主轴的温升及热变形是影响加工中心精度的关键因素.对高速加工中心电主轴的热态特性进行了分析研究,详细论述了电主轴内部两大热源的生机理以及电主轴单元的传热机理最后总结并提出了改善电主轴单元热态特性的措施.