为了进一步提高深度神经网络(Deep Neural Network,DNN)在轴承故障诊断中的可靠性和稳定性,对深度学习(Deep Learning)中的一些关键技术进行了研究、借鉴以及改进。具体地沿用传统DNN中被广泛用于无监督学习的去噪自动编码器(Denoising Auto-encoder,DAE)进行特征提取,使得特征提取过程不再依赖于先验知识;然后对传统DNN中的DAE进行稀疏化处理,使得特征的提取更加合理、准确;并在DNN中引入核函数运算形成多核结构,提高诊断结果的可靠性以及鲁棒性。最后通过具体的实验,与传统DNN、支持向量机(Support Vector Machine,SVM)等故障诊断方法相对比,来最终反映基于稀疏化DAE的多核结构DNN在轴承故障诊断领域更优越的正确率与稳定性。

本文提出了一种基于全矢谱的RNN故障诊断方法。RNN是为了在保证在时序信息上能够提取出轴承的特征信息,并且根据全寿命周期的时序信息得到轴承的退化过程,并根据退化特征对于轴承故障信号进行分类。全矢谱技术利用同源双通道故障信息的完备性,并在此基础上,结合循环神经网络的网络特性,取代手工提取故障特征。经过试验结果验证了全矢循环神经网络(FV-RNN)方法提取得特征更加全面和准确,且该方法优于手工选择特征CEEMD以及单通道RNN网络模型。

为了提高分形维数提取碰摩故障特征的区分度和稳定性,提出了一种基于改进谐波小波和分形的算法。采用高斯包络改进的谐波小波对旋转机械信号进行处理,运用G-P关联维数计算分形维数。在Bently转子实验台上分别采集正常工况、单点碰摩、不平衡激励的碰摩三种数据,计算得出改进谐波小波处理后的关联维数能够很好的识别出故障,保真性较高,稳定性相比原始信号以及谐波小波处理信号高29.17%、14.81%以上。结果表明,改进谐波小波和分形能够更准确稳定得诊断碰摩故障信息,优于传统的关联维数算法。

针对轴承故障诊断中知识难以获取的问题,提出了一种GA-CFS(Genetic Algorithm and Correlation-Based Feature Selection,GA-CFS)结合案例推理的轴承故障诊断方法。利用案例推理技术(Case-Based Reasoning,CBR)建立轴承故障案例库进行故障诊断。又针对案例推理技术中案例检索时遇到的属性冗余问题,以及难以人工确定关键属性及其权重的问题,采取GA-CFS方法对属性集合进行筛选,初步确定特征子集,再根据遗传算法确定各个子集中的特征的权重,最后根据特征子集及其权重选取符合要求的最佳特征子集,再用该特征子集构建轴承故障案例库,并通过实验验证了该方法的可行性。

研究开发了嵌入式智能仪器的触摸屏接口；分析了电阻式触摸屏的工作原理；设计了触摸屏与微处理器的接口电路；开发了嵌入式Linux框架下的触摸屏设备驱动程序；阐述了采用触摸屏作为输入的MiniGUI应用程序的编写方法。设计的触摸屏接口已成功应用在故障诊断仪器产品上，增强了仪器的人机交互功能，方便了现场操作人员使用。

对圆柱度误差评定理论及应用进行了研究,建立了圆柱度误差评定的规划模型,探讨了误差评定的最小条件判据,提出直接求解规划模型的修正单纯形法,并给出了求解的步骤.最后对实际测量数据进行了误差评定,结果证明,该方法有较高的精度和速度.另外,此评定方法具有很强的通用性,对于其它形状误差的求解提供参考.

支持向量机（support vector machine,SVM）应用于轴承故障诊断前,首先要提取轴承的特征信号.在以往的特征信号提取中,往往是依据已有的知识模型进行特征筛选.随着近年来深度神经网络（deep neural network,DNN）的应用与推广,自动编码器（auto-encoder,AE）在特征提取方面的优势尤为突出.作为一种无监督的学习方式,AE能够基于数据驱动提取信号的特征值,使得特征提取不再依赖于先验知识,从而让整个故障诊断过程更具智能化.本文运用改进的AE、去噪自动编码器（denoising autoencoder,DAE）,进行轴承信号特征提取,并用SVM进行故障诊断.最终与基于经验模态分解（empirical mode decomposition,EMD）能量熵的SVM对比,反映具有无监督学习方式的DAE-SVM在轴承故障诊断方面的优越性,诊断准确率接近100%.