不平衡数据下基于改进门控卷积网络的轴承故障诊断

深度学习在滚动轴承故障诊断中具有广泛的应用,然而,现实中的监测数据往往具有不平衡性,这就会对模型的诊断性能产生很大影响。因此,提出一种基于改进门控卷积神经网络(Improved Gated Convolutional Neural Network,IGCNN)的故障诊断方法,用于数据不平衡条件下的故障诊断。首先,提出改进门控卷积层以增强特征提取能力,通过批量归一化技术提高模型的泛化能力。然后,使用标签分布感知边界(Label-distribution-aware Margin,LDAM)损失函数提高模型对少数类的敏感度,减小数据不平衡对模型的影响。将所提算法应用在两组故障轴承数据上,在数据不平衡率为20:1的情况下,所提算法仍然可达到92.71%和94.47%的故障识别率,而对比的其他主流深度学习模型在该情况下只有60%~72%的准确率,表明所提方法在数据集严重不平衡情况下具有很强的诊断能力和鲁棒性。

基于RGBD与MVS三维重建技术的3D打印机逆反馈系统

3D打印技术是利用计算机对目标产品进行设计,并将设计模型转变成实物。然而,在打印过程中,由于多方面原因,常常产生加工误差。基于RGBD与MVS三维重建技术的3D打印机逆反馈系统依靠RGBD深度摄像头以及携带旋转升降机构的3D打印机对在打印零件实现全方位的扫描。采用RGBD与MVS算法进行2次三维重建,将三维重建后的扫描模型与含支撑材料的设计模型进行对比,以实现对在打印零件的加工误差检测,提高3D打印工作的工作效率和可靠性。