为有效提取振动信号中隐含的故障特征,以准确判别机械故障类型,提出一种基于卷积残差权值共享长短时记忆神经网络(Conv-Res-SWLSTM)的故障诊断模型。利用卷积网络来捕获振动信号的局部空间特征;通过融合门结构构建共享权值长短时记忆神经网络(SWLSTM),减少网络需要优化的参数及训练时间,进而更高效地发掘上层网络输出信号中隐含的时间特征。同时,引入缩放指数线性单元函数以提升网络自归一化性能,并嵌入残差模块以增强网络对故障特征的感知及提取能力。最后,基于机械故障实测数据集开展对比实验,结果表明所提模型在4种转速下的平均诊断精度达到99.30%,相对于其他模型具有更优的诊断精度和稳定性。

在对汽车铝轮毂进行X射线实时探伤时，由于采集回来的许多图像目标物体的轮廓比较模糊，在评片时容易造成对铝轮毂的误判和漏判。针对这种现象并结合该类图像噪声多的特点，在一般卷积算法的基础上，采用特殊卷积（特殊的卷积核）操作，同时因浮雕底色为灰色，所以给卷积结果都加上灰度值128，使图像明暗区域的过渡显示出来，这样，亮的地方将更亮，而暗的地方则变成适度的亮度。实验结果表明图像中目标物体的轮廓变得更清楚，从而提高了人工评片的效率和质量。

对能谱分析中光电子能谱重叠的原因做了深入地分析,得出了影响光谱质量在于仪器采样率低等原因,在此基础上重点给出了谱峰分离技术的理论依据──卷积法。利用仪器线型函数去卷积和高斯拟合,计算的结果与实验测量结果的对比表明,卷积法在谱线分离技术中的应用是比较成功的,它能使畸变光谱更接近实际光谱,使计算出的物理量更接近实际值,结果更精确。