滚动轴承工作环境恶劣、复杂,在采集信号的过程中,不可避免地会有噪声夹杂其中。为实现快速特征提取的同时提高识别率,提出一种基于主成分分析(PCA)降噪的卷积神经网络(CNN)故障诊断方法。该方法引入PCA对信号进行降噪预处理,再将处理后的信号转换成二维特征图像,输入CNN模型以提取转换后的图像特征,进行故障模式识别与分类。利用凯斯西储大学滚动轴承数据集进行故障诊断试验,结果表明:所提方法具有可行性与有效性,且满足鲁棒性和实时性的应用要求。

传统数控机床中电机的运动控制采用梯形加减速、三次S形加减速控制算法,使得加速度和加加速度不连续,易对电机产生柔性冲击。采用四次S形加减速控制算法时,因计算繁琐,时间复杂度高,使得加工运行时间长。为改善这一状况,提出一种新的四次S形加减速控制算法并进行验证。结果表明:该算法能有效减少加工时间,降低加工中的柔性冲击,提高电机工作效率,延长电机的寿命和提升加工零件的质量。

采用Stacking集成策略,融合卷积神经网络(CNN)和随机森林(RF)法提出一种故障诊断方法CNN-RF。该方法不仅能准确提取数据集中的数据特征,而且针对数据集中故障数据数量不足的问题能提供平衡数据集误差的有效方法,以提高诊断的准确性。分别采用单独模型和集成后的模型对采集到的嵌入式数控系统实时运行数据进行分析处理。结果表明:利用CNN-RF模型进行嵌入式数控系统故障诊断的准确度较高,验证了该模型的正确性。