针对当前齿轮故障诊断存在着准确性不高、主观性强等问题,提出了一种基于堆栈稀疏自编码器(SSAE)和softmax分类器相结合的齿轮故障诊断方法。首先,运用时域分析以及样本熵方法对风力机锥齿轮振动信号进行特征提取,其次,将提取的特征输入到SSAE中进一步学习目标数据的深层本质特征,并进行特征降维,最后使用softmax分类器中进行分类识别。通过实验结果表明,和文中其他浅层学习模型相比,SSAE能够从齿轮振动信号中有效学习到所需的深层本质特征,拥有更高的识别准确率,因而证实了该方法优越性。

以生物医学工程学的基本理论为基础，提出了血管壁动态信息中“血管壁压力位移波”的理论概念和与此相关的血管性疾病的检测方法，并利用多道传感器技术和计算机检测技术研发了“血管壁无刨动态信息计算机检测系统”。通过临床检测证实了该系统能够有效地反映出人体血管壁弹性功能的病理变化。

针对现有O形密封圈尺寸测量方法的局限性,设计基于主动视觉的精密检测方法,并对快速自动调焦、亚像素边缘检测、边缘点拟合技术进行了研究。将快速自动调焦过程分为3个阶段,使用大步长和方差函数,结合灰度切割对比度增强与中值滤波,完成粗调焦;使用小步长和Tenengrad函数,完成细调焦;采用Brenner函数和微步距完成高灵敏度调焦.用Zernike矩算法对边缘点进行亚像素定位,并采用面积最小误差法拟合边缘点,求取O形密封圈的内径、外径.实验结果表明:本文方法经过16步搜索,在15 s内可自动完成调焦;与传统方法相比,通过亚像素提取,能将内外径测量结果达到微米级,满足O形密封圈测量需求.

针对液压信号高度复杂且难以识别的特点,提出了一种基于堆栈稀疏自编码器(SSAE)与Softmax的深度神经网络(DNN)来对液压泵泄漏状态信号的特征进行优化与识别。对液压泵的压力与流量信号进行5层小波分解,计算5个高频系数与一个低频系数的样本熵值作为小波特征;融合信号的小波特征与时域特征作为低阶特征,输入构建的深度神经网络进行特征优化,学习输出高阶特征,并使用连接的Softmax层完成识别任务。实验结果表明,基于堆栈稀疏自编码器与Softmax构建的深度神经网络能够学习到液压信号的高阶特征,有效完成液压泵不同泄漏状态的识别,识别精度达到99.3%。此外与随机森林与支持向量机相比,该深度神经网络具有更好的识别精度。

针对液压信号的高度复杂性以及难以识别的特点,提出一种基于深度置信网络的方法用于液压泵内泄漏状态的诊断。首先利用小波变换和HHT对压力信号和流量信号进行提取特征,然后利用堆叠RBM网络对原始特征集进行优化,并提取高级的融合特征,最后使用BP进行预测。实验结果表明:DBN能够有效地提取原始特征集的内在特征,使液压信号得到了更好的表达;DBN对液压泵内泄漏状态识别精度达到了98.77%;相比于SSAE和H-ELM分类器,DBN对液压泵内泄漏状态有更好的辨识能力和稳定性。

针对提取有效滚动轴承特征和消除特征之间的冗余,提出一种基于堆栈稀疏自编码器和Softmax层构建的深度神经网络(DNN)用于轴承故障诊断。首先从振动信号提取12个统计特征和6个时频域特征,然后将获得的特征用于构建18维特征向量;高维特征向量通过堆栈稀疏自编码器逐层贪婪学习获得无冗余的高级特征;最后将高级特征输入Softmax分类层进行轴承故障诊断。实验结果表明:相比于传统BP和SVM分类器,DNN能更准确地识别滚动轴承故障类型。