摘要：以一种偏心式振动磨为研究对象,运用Box-Behnken响应曲面法对振动磨磨矿工艺参数进行优化。通过探索试验可以确定介质充填率、料球比和磨矿浓度适宜取值范围,以磨机利用系数q-0.018作为响应值,利用Design Expert软件对数据进行分析计算。结果表明:单因素条件下料球比对磨机利用系数q-0.018影响最为显著;交互作用下介质充填率与料球比对磨机利用系数q-0.018影响最为显著;响应曲面法优化的最优磨矿工艺参数为介质充填率80%、料球比0.7、磨矿浓度70%,该条件下磨机利用系数取得最大值达0.587 t/m3·h;磨矿试验结果与预测值基本吻合,Design-Expert软件可为振动磨磨矿试验提供高效、准确的方案设计和参数优化。

摘要：基于深度学习的机械设备故障智能诊断方法依赖于大量有标签的样本数据。然而,工程应用中通常难以获取足够的样本数据,这使得深度学习方法难以充分挖掘故障特征,严重影响故障诊断模型的泛化性和鲁棒性。基于此,论文提出一种基于卷积自注意力网络和先验知识的机械设备小样本故障诊断方法。所设计的卷积自注意力网络能够自动学习样本特征,并在训练过程中融合样本多维度特征先验知识,从而减少诊断模型训练所需的样本量,提高小样本情况下机械设备故障诊断精度。最后,以液压螺杆泵为对象,对论文所提出的方法进行实验验证。实验结果表明,所提出的方法在小样本情况下故障诊断精度可达97.5%,性能优于目前常用的深度学习方法。