摘要：针对滚动轴承振动信号特征提取不充分、过于依赖人工特征提取及预测精度低等问题,提出了CNN-TCN-Attention网络模型预测方法。该方法选取滚动轴承振动信号作为输入通过增强顶帽算子(EAVGH)对信号进行特征增强,运用卷积神经网络(CNN)来提取信号中的深层特征,并构建TCN-Attention模型对滚动轴承剩余寿命进行预测。将注意力机制与时间卷积网络相结合可以有效的提高模型预测精度,通过轴承寿命实验数据进行验证,CNN-TCN-Attention预测模型能有效的提取滚动轴承振动信号中的深层特征,并且具有较高的预测精度。

摘要：基于高斯过程回归(GPR)模型,对激光粉末床熔融Ti-6Al-4V合金的致密度和表面粗糙度观测数据进行了机器学习,得到了高致密度合金样品的激光功率−扫描速度的工艺优化窗口,并探讨了激光功率−扫描速度对表面粗糙度的影响。结果表明:获得高致密(≥99.5%)合金的激光功率−扫描速度工艺窗口呈梨形,扫描速度比激光功率对致密度影响更大,且高功率条件下适宜的扫描速度范围较宽。降低激光功率和提高扫描速度会单调增加表面粗糙度,且在低激光功率和高扫描速度下该影响更显著。同一激光能量密度下打印的合金致密度取决于具体的扫描速度和激光功率,但表面粗糙度基本相同。优化工艺窗口下样品的表面粗糙度小于10μm。实验证明GPR预测的优化工艺窗口是可靠的,该方法可拓展应用到其他合金增材工艺优化设计中。