基于抗噪多核卷积神经网络的轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于抗噪多核卷积神经网络（anti-noise multi-core convolutional neural network,AMCNN）的轴承故障识别新方法。首先,对滚动轴承振动信号进行预处理,得到数据样本,分为训练集和测试集;然后建立轴承寿命状态识别模型,将标签化的训练集数据样本输入AMCNN中进行训练;最后,将训练后的AMCNN模型应用于测试集,输出故障识别结果。在训练过程中,为抑制过拟合,对原始训练样本进行加噪处理;为提高模型抗干扰能力,将dropout层作为AMCNN的第一层。运用轴承实验数据对识别模型进行检验,通过对比验证,结果表明所提出的识别方法在高噪声环境下能更准确地实现轴承故障状态识别。     

基于样本扩充与IDANN的刀具状态识别方法

针对机床刀具磨损数据稀少与刀具磨损状态识别精度低的问题，提出了一种基于样本扩充与改进领域对抗网络(sample expansion and improved domain adversarial training of neural networks, SE-IDANN)的刀具状态识别方法。首先对机床刀具数据进行两次特征提取，并通过Smote算法进行样本扩充，解决机床刀具磨损数据量稀少的问题；其次在领域对抗网络(domain adversarial training of neural networks, DANN)模型特征提取器中加入残差块，进一步提取有效特征信息，解决刀具磨损特征微弱的难题；最后将Wasserstein距离作为目标域与源域的数据分布相似度标准引入DANN模型，实现对刀具磨损量的精确识别。通过对机床刀具数据的分析与仿真试验验证，证明该方法能够有效地识别刀具磨损量。