基于MTF-MSMCNN的小样本滚动轴承故障诊断方法

针对样本数量不足以及工况条件复杂导致故障识别精度低下的问题，提出一种基于马尔科夫转移场与多维监督卷积神经网络（Markov transition field and multidimensional supervised module convolutional neural networks, MTF-MSMCNN）的小样本滚动轴承故障诊断方法。采用MTF编码方式将一维滚动轴承信号转化为二维特征图像，使其保留时间相关性；提出多维监督模块（Multidimensional supervision module, MSM），在空间维度和通道维度监测重要故障特征并自适应赋予权重，提升模型捕捉关键特征的能力；将MSM嵌入到卷积神经网络中，构建出MSMCNN模型；通过试验构建复杂工况条件，将MTF图像输入到所提模型进行故障诊断，并运用两种数据集验证模型有效性。试验结果表明，MTF-MSMCNN在每类故障训练集样本仅有10个且在0 dB噪声污染下故障诊断精度依然可达90%左右，对比其他诊断模型，本文所提方法在小样本、变工况以及噪声干扰条件下具有更高的识别准确率、更强的泛化能力以及抗噪性能。     

切削加工过程中颤振在线监测研究综述

颤振是航空航天加工制造等领域中广泛存在的问题，深入开展切削加工过程中颤振在线监测研究对于进一步提升颤振抑制效果、保障加工系统稳定运行具有重要意义。根据颤振在线监测所需的实时性和精确性的要求，围绕数据采集、在线特征提取及颤振识别进行综述，首先介绍了3种颤振数据采集方法的特点，然后深入归纳与分析了颤振特征应用情况及影响颤振特征提取的关键因素，接着比较并总结了基于有监督学习和无监督学习的颤振识别技术的特点，最后总结并展望了目前颤振在线监测所存在的问题及发展趋势，可为未来颤振在线监测研究提供参考。