针对滚动轴承时域信号难以有效提取其故障特征,且信号频谱在高低频区域内较为存在对分类无意义的冗余特征使得故障分类模型在训练过程中做无用功的问题,提出使用双树复小波进行故障特征提取。在此基础上,将双树复小波和宽度学习模型结合,提出了基于双树复小波与宽度学习的滚动轴承故障诊断方法。首先,利用双数复小波将采集到的振动信号分解为不同频带的子信号;然后提取子频带作为特征向量;最后用宽度学习对样本进行训练以完成快速故障分类。

当前机器视觉表面粗糙度检测所采用的方法大多是根据图像信息人为设计指标或者使用深度学习,但前者计算过程复杂,后者模型训练及分类所需时间较长,并不适用快速评判的在线检测场合。针对此问题,提出一种基于宽度学习的铣削表面粗糙度等级检测方法。通过工业相机获取普通光照环境下铣削工件表面图片,将其输入构建好的宽度学习模型中进行训练,实现对铣削表面粗糙度的等级检测。该方法不仅能够实现特征自提取,而且模型训练速度快,为视觉粗糙度在线测量提供了一种新的策略。