近年来,由于传统人工提取特征的方法不足以准确表征滚动轴承的健康状态,深度学习算法被逐渐应用于滚动轴承的故障诊断中,它能够自适应的从输入数据中学习出所需要的特征。其中,相较于普通的深度学习算法,深度残差网络通过恒等映射的方式可以大幅度降低模型的训练难度。因此,采用了一种用于滚动轴承故障诊断的深度残差网络(ResNet),它可以直接将原始振动信号作为模型的输入,通过池化层、残差模块和分类层相互连接,更加有效的挖掘信号特征之间的信息,从而增强了轴承振动信号的特征学习能力。实验结果表明,该模型能够达到99.75%的轴承故障诊断精度,实现了良好的故障分类任务,为以后的机械故障诊断研究提供了理论指导和借鉴。

为了准确监测采煤机工作时摇臂内部传动系统的运行状态,提出了一种基于改进模拟退火算法的采煤机摇臂传感器优化配置方法。以MG1000/2500-WD型交流电牵引采煤机摇臂为研究对象,通过对摇臂壳体模态分析获取实验所需的位移模态数据,然后利用改进模拟退火算法对采煤机摇臂的传感器配置进行优化计算,得到优化结果。综合考虑优化结果与采煤机实际作业环境,研究得到合理的传感器配置方案,为采煤机摇臂的传感器配置提供依据。同时,通过仿真实验验证了改进模拟退火算法的收敛性及稳定性均优于传统模拟退火算法。