基于迁移学习与残差网络的刀具磨损状态监测

针对现有基于深度学习的刀具磨损状态监测方法训练样本少、识别精度低的问题,建立基于迁移学习(TL)与深度残差网络(ResNet)的铣刀磨损状态监测模型。将刀具加工过程中的振动监测信号通过连续小波变换转换成能量时频图,作为网络模型的输入;将在ImageNet数据集上训练的ResNet50模型作为预训练模型,通过迁移学习的方法,应用到刀具磨损状态监测领域当中。实例验证表明:TL-ResNet模型的平均识别准确率达到98.52%,实现了刀具不同磨损状态下的智能识别,有效提高了刀具磨损状态监测的准确性和稳定性。

基于可视图谱信号特征提取的滚动轴承故障诊断

针对滚动轴承传统的故障特征提取方法易受外界的噪声干扰且包含大量的冗余信息的问题,提出一种可视图图谱信号特征提取的故障诊断方法。首先将振动信号转换成可视图图谱信号,计算每个可视图图谱信号的邻接矩阵与拉普拉斯矩阵,得到各种图谱指标,并采用双样本Z值方法筛选出合适故障特征作为故障特征向量,最后通过支持向量机分类算法得到轴承故障诊断分类结果。通过试验分析表明,与传统的故障特征提取方法比较,针对滚动轴承不同类型的故障诊断,采用基于可视图图谱信号的故障特征提取方法准确率提高了8.34%;为进一步证明该方法,针对滚动轴承外圈不同程度的故障诊断,该方法准确率提高了16.67%,更加表明基于可视图谱信号特征提取方法的优越性。