针对旋转机械滚动轴承的故障振动信号具有时序性的特点,提出了改进LSTM的滚动轴承故障诊断方法。首先利用卷积神经网络(CNN)对振动信号进行局部特征提取,然后通过长短期记忆神经网络(LSTM)获取振动信号时间维度上的特征,使得CNN提取的信号特征经过LSTM处理后更加具有时间依赖性,最后运用Softmax分类器输出故障状态类型。并且对改进LSTM模型、CNN模型和原LSTM模型进行了泛化性能和抗噪性对比。实验表明改进LSTM模型比CNN模型和原LSTM模型更能有效的识别滚动轴承的十种故障类型,泛化性和抗噪性均优于CNN模型和原LSTM模型。

首先简要介绍目前测量牙齿松动位移的主要方法,并分析了各自的特点和造成误差的主要原因.着重阐述了采用双激光位移传感器检测牙齿相对位移装置的检测原理、设计方案以及相关性能指标.采用附带压力传感器的探杆配合操作,可为有关牙动度的医学研究和临床提供较精确的变力下牙齿松动位移测量数据.

本文主要阐述一种测量牙齿松动度仪器的工作原理、构造和使用方法.本装置以51单片机和NSWDC-3L型位移传感器为主要部件,通过对采集量软件滤波处理,实现对牙动位移的直接测量.