基于参数优化BP神经网络的数控机床主轴承故障诊断

为进一步提高数控机床主轴承故障诊断精度,提出基于参数优化BP神经网络的数控机床主轴承故障诊断方法,利用麻雀搜索算法优化网络中所有的权值和阈值,改善网络在诊断过程中容易出现的收敛困难和陷入局部极值问题。首先,用小波包分解方法对采集的振动加速度信号进行处理,提取轴承故障能量特征值,再利用优化后的BP神经网络进行故障诊断。采用美国凯斯西储大学滚动轴承数据对该改进算法加以检验,实验结果表明,经参数优化后BP神经网络的诊断精度可达0.997,较优化前提升了0.384,具有很好的诊断效果。

结合时空特征的多传感器刀具磨损监测

针对传统深度学习方法监测刀具磨损状况时,相关特征提取繁琐,数据隐含信息提取不全面导致识别精度较低等问题,提出了结合时空特征的多传感器刀具磨损监测模型。首先,将不同传感器采集的波形信号经简单预处理后作为输入,再使用多通道1D卷积神经网络(MC-1DCNN)提取输入数据的空间特征;然后,利用双向长短时记忆网络(BiLSTM)提取时序特征;最终,由全连接层和Softmax层对特征进行分类。仿真结果表明,监测模型流程简单、识别准确率高,具备较强的可适用性。