选择液压锻锤作为测试对象,再以多项式拟合和集成算法结合的过程,开发出了锻锤磨损阶段建立回归模型的方法。再把AdaBoost集成算法也加入统一回归模型内,从而降低磨损过程中的回归模型预测误差。研究结果表明给出了基于AdaBoost集成回归模型的液压锻锤磨损状态识别表达式。平稳磨损阶段所需时间最短,最长的为急剧磨损阶段。该研究为进一步识别锻锤磨损状态提供了一定的理论支撑作用,该研究可以拓宽到其它的磨损领域,具有很好的实际应用价值。

信号处理和机器学习是故障诊断过程中的关键技术,针对机械关键零部件的传统诊断技术,提出了一种采用字典学习和AdaBoost算法的信号诊断方法.该方法基于原始振动信号驱动训练数据,通过K-SVD和OMP算法更新字典并对其在字典空间稀疏表示,筛选重构所得增强信号时、频域特征,采用集成算法在AdaBoost神经网络分类器中实现振动信号的诊断.研究表明,采用字典学习和AdaBoost算法的信号诊断方法自适应强,能准确提取信号本质特征,诊断精度高,优于传统诊断技术.