针对铣刀磨损量预测精度低的问题,提出一种高精度铣刀磨损量预测方法。该方法通过遗传算法(GA)寻出长短期记忆网络(LSTM)的最优参数,并将参数输入LSTM实现改进模型GA-LSTM。采用时域、频域及时频域方法提取特征,应用皮尔逊相关系数法筛选出与铣刀磨损量高度相似的特征向量,输入GA-LSTM模型进行训练,并对测试数据进行预测。实验结果表明:与传统的机器学习方法BPNN或深度学习方法FE-LSTM、CNN相比,GA-LSTM的均方根误差分别下降了41.3%、39.0%、51.5%,平均相对误差分别下降了48.3%、40.8%、56.7%,模型的预测识别精度有较大提高,实现了铣刀磨损量的有效预测。

针对轴承故障诊断中故障样本稀缺、深度神经网络模型在小样本条件下存在故障诊断准确度较低的问题,提出将深度神经网络扩展为孪生网络结构的框架,以提高在小样本条件下的故障诊断性能。孪生网络通过权值共享的骨干网络从样本对中提取特征,采用L1距离判定样本对的特征相似度,实现轴承故障诊断。不同于传统深度神经网络,孪生网络采取输入样本对的方法,在故障数据不足的情况下,可以提高轴承故障诊断性能。分别将不同层数的卷积神经网络(CNN)与长短期记忆网络(LSTM)扩展为孪生网络结构,在实测轴承数据集上进行小样本故障诊断实验。实验结果表明,通过扩展为孪生网络结构可以提高故障诊断结果的准确率,孪生CNN网络比对应的CNN网络准确率平均提高1.08%,孪生LSTM网络比对应的LSTM网络准确率平均提高4.78%。

为保证液控缓闭止回蝶阀的正常、稳定运行,需精准完成其液压缸损坏故障的自动诊断,因此,本文提出基于小波分析的液控缓闭止回蝶阀液压缸损坏故障的自动诊断方法。该方法采用小波包分析处理传感器采集的液压缸运行信号,并提取信号中的液压缸故障特征;通过主成分分析方法降低处理提取特征的维数后,将处理后的特征输入至深度置信网络模型中,通过模型学习和迭代训练,输出液压缸损坏故障的自动诊断结果。测试结果显示,该方法在神经元数量为12个的前提下,能有效完成信号中故障特征的提取,并可呈现时域特征结果;具有较好的液压缸损坏故障的自动诊断能力,能判断液压缸损坏故障程度。

为了研究涡街流量计实际流量信号的能量分布情况，提出了一种基于功率谱幅度的涡街流量计信号能量的表征方法．在此基础上，定义了涡街信号的功率谱能量比，定量讨论实际流量信号在整个涡街流量计输出信号中的能量变化规律．结果表明，涡街信号的功率谱能量比分散性较大；当被测介质为水和空气时，其值分别介于38％～96％和10％～65％；并且在靠近发生体的地方功率谱能量比的值较大，涡街信号强、易于检测．因此，功率谱能量比可作为优化选择涡街流量计检测元件位置的参数之一．

为提高Siamese跟踪算法在快速运动和相似物体等复杂情况下的跟踪性能和跟踪速度,提出一种融合残差连接与深度可分离卷积的Siamese目标跟踪算法。将原特征提取网络中的5×5卷积替换为普通3×3卷积,在减少网络计算量的同时提高其对特征的学习能力。用计算量更小的深度可分离卷积替代原网络中所有的普通3×3卷积,不仅加快了网络推理速度,还加深了特征提取网络的深度,从而获得对目标更具表征能力的深层语义信息。在深度可分离卷积模块中加入残差连接

工业检测过程中,根据分辨率的高低,采集的图像分为加工纹理清晰和模糊两种情况。提出一种基于改进Otsu算法的游标卡尺卡爪缝隙检测方法,基于四叉树理论解决目标像素点较少时Otsu算法效果不好的问题。高分辨率图像下的游标卡尺表面纹理清晰,难以区分纹理特征和缝隙特征。为解决此问题,对采集的缝隙图像进行预处理,利用改进Otsu计算其阈值,进行边缘检测、缝隙特征提取和直线拟合,以完成对游标卡尺缝隙的自动检测和准确识别。建立一套实验装置

针对数值图谱法无法直接求解平面四杆机构少位置设计要求的轨迹综合问题,基于复函数最小二乘法,提出了一种利用傅里叶级数对少位置点近似逼近,实现少位置离散点特征提取的方法。发现了少位置点的平移、旋转、缩放后的特征参数与原始位置少位置点的特征参数之间的内在联系。结合数值图谱法,对平面四杆机构少位置设计要求轨迹综合问题进行求解。综合结果证明,所提出的方法对少位置设计要求的轨迹综合问题具有适用性和有效性。

在机械设备盲信号处理和故障诊断中,信号的非高斯性至关重要,而峭度是非高斯性的自然度量指标,它反映了机械信号信息的动态变化特征。基于此提出了基于峭度的ICA特征提取和故障诊断方法,首先提取机械设备多通道观测信号的峭度值（或标准峭度,或峭度绝对值,或峭度平方）,并依据观测通道顺序将峭度值组成低维ICA特征向量,进而利用最小二乘支持向量机进行机械设备的模式判别和故障诊断。试验表明：该方法的故障识别率基本上达到80%以上,而且相比标准峭度和峭度平方准则,基于峭度绝对值准则方法的模式识别率更高。

针对液压泵故障诊断中特征提取上的瓶颈问题提出了一种基于分形理论的液压泵故障诊断方法.以轴向柱塞泵为例应用Matlab软件通过建立液压泵壳体的振动模型运用分形理论提取特征参数进行液压泵故障分形诊断的研究.结果显示壳体振动信号在一定的尺度范围内具有分形特征不同的状态下关联维数是不同的具有明显可分性.因此关联维数作为液压设备故障诊断的敏感因子是可行的.这种方法简单、直观、易行克服了传统方法分析上故障特征的提取、分析的困难.

基于电液伺服阀的动态工作特性提出一种新的特征提取方法.将一类支持向量机用于电液伺服阀的在线异常检测通过交叉有效性估计学习方法优化一类向量机参数并与神经网络的诊断结果进行对比.实验结果表明所提出的特征提取方法能够有效地提取电液伺服阀的动态特征信息同时利用一类支持向量机优良的泛化能力能够有效地对电液伺服阀的异常状态进行识别.