针对现有基于深度学习的刀具磨损状态监测方法训练样本少、识别精度低的问题,建立基于迁移学习(TL)与深度残差网络(ResNet)的铣刀磨损状态监测模型。将刀具加工过程中的振动监测信号通过连续小波变换转换成能量时频图,作为网络模型的输入;将在ImageNet数据集上训练的ResNet50模型作为预训练模型,通过迁移学习的方法,应用到刀具磨损状态监测领域当中。实例验证表明:TL-ResNet模型的平均识别准确率达到98.52%,实现了刀具不同磨损状态下的智能识别,有效提高了刀具磨损状态监测的准确性和稳定性。

分析了城市轨道交通中产生振动、噪声的原因以及可能造成的不利影响；提出了从线路设计、轨道结构设计、建筑物基础以及施工和维修养护等四方面降低振动和噪声的技术控制措施。

用多变量动态补偿器方法设计了大机组调速给水泵的控制系统，并进行了数字仿真试验，同时对调速系统与定速泵系统的显著节能效果做了计算。

滚动轴承在长期工作过程中存在不同程度的性能退化。如果能够识别滚动轴承的退化状态,就可以采取维修措施。针对滚动轴承性能退化评估问题,提出了一种基于振动信号自回归模型(Autoregressive model,AR)能量比和支持向量数据描述(Support vector data description,SVDD)相结合的滚动轴承性能退化评估方法。首先用AR滤波得到轴承全寿命周期内振动信号的剩余分量,计算能量比作为轴承状态的特征向量;然后利用轴承正常状态下的特征向量对SVDD进行训练,得到正常状态下的超球面。轴承全寿命周期样本特征向量与超球面之间的相对距离作为轴承性能退化定量评估指标;最后设定早期故障报警阈值。结果表明,与常见的监测指标的性能退化评估方法相比,该方法的早期故障检测能力强,对轴承各阶段性能退化状态描述更为准确。

在长期的使用过程中,滚动轴承的使用性能会发生不同程度的退化,如果能对工作中滚动轴承的退化程度定量评估,则可以避免事故的发生。使用自回归模型对滚动轴承全寿命周期的振动信号进行滤波,计算滤波后剩余分量能量与滤波后信号能量的比值,即AR能量比,以此作为特征向量。采用min-max标准化方法处理得到的特征向量,输入到建立好的模糊C均值(FCM)模型中,得到性能退化指标DI值,并描绘出性能退化曲线。对信号进行包络谱分析,验证评估结果的正确性。