深度学习因其强大的学习能力使得数据驱动的轴承剩余寿命预测方法发展迅速,人工建立性能退化指标费时费力,缺少不同传感器数据之间相关性的考虑;宜采用一种新的深度可分卷积神经网络DSCNN(Deeply Separable Convolutional Neural Network),将多种传感器采集的监测数据作为DSCNN网络输入,基于可分离卷积和信息特征响应自动调节运算,构造具有残差连接功能可分离卷积构造块。通过叠加多个可分离的卷积构造块,从输入数据中自动学习高维表示。通过将学习到的信息输入到完全连接的输出层来估计RUL(Remaining Useful Life)。利用滚动轴承加速退化试验振动数据对所提出的DSCNN进行了验证。实验结果表明,所提出的DSCNN能够基于原始的多传感器数据提供准确的RUL预测结果,并且优于现有数据驱动预测方法。

为了合理补偿机器人定位误差,提升分类预测精度,提出一种基于改进卷积网络的机器人定位误差补偿方法。以机器人实际与理想关节角度图像作为模型输入,精准提取二者深度特征图,计算实际关节角度与理想关节角度深度特征图之间各特征点欧氏距离,获得并输出机器人定位误差预测结果。将机器人定位误差补偿问题转化为算法优化问题,构建机器人定位误差补偿目标函数及约束条件,通过改进粒子群算法求得最优解,实现机器人定位误差的补偿。实验结果证明该方法可以有效补偿机器人的角位移误差,分类预测精度最高可达到99.87%,能够实现机器人对目标物体的准确抓取。