多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题，提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network，简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先，对振动信号进行共振稀疏分解，得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量；其次，构建多共振分量融合卷积神经网络，将得到的高、低共振分量和原始振动信号进行自适应的特征级融合，通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明，该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障，成功对行星齿轮箱故障进行诊断，同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

基于动态加权密集连接卷积网络的变转速行星齿轮箱故障诊断

针对变转速工况下基于深度学习的行星齿轮箱故障诊断问题,提出动态加权密集连接卷积网络的故障诊断方法。将行星齿轮箱振动信号的小波包系数二维矩阵输入到密集连接卷积网络作为网络的初始特征图;在密集连接卷积网络的跨层连接中加入动态加权层,形成动态加权密集连接卷积网络,加强网络的深层信息传递;通过动态加权网络层自适应提取不同频带内的故障特征信息进行行星齿轮箱故障诊断。试验表明了所提的动态加权密集连接卷积网络能有效诊断变转速行星齿轮箱故障。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对旋转超声钻用于建筑装修时，噪声小而效率偏低的问题，笔者进行了振动钻机构原理创新与试验研究。首先，搭建了高低频复合旋转超声的试验振动样机，可以实现稳定的高低频复合轴向振动钻孔作业；其次，以黏土砖为对象，进行了钻孔效率试验与振动分析，低频振动的引入，虽然使超声锤击工件表面的时间缩短了80%，但在进给力基本不变的条件下，钻孔速度提高了一倍左右，噪声仍可控制在60dB(A)；最后，结合振动特性分析可以推断，在高低频复合振动钻孔过程中，超声振动主要负责对脆性材料的破碎作业，而低频振动主要负责将破碎后形成的颗粒快速离开切削区，从而提高钻进速度。因此，高低频复合振动钻进新原理，可以发挥高频振动与低频振动的优势，有望发展为一类新型钻孔装备。