王静;陈品;杨亚; 

受到单一或频域的特征提取限制，导致在复杂工况下机床工作数据存在微弱故障特征淹没现象，直接降低特征提取质量，间接影响机床的故障定位和诊断性能，为此提出基于双域深度学习与特征提取的机床故障定位与诊断方法。利用传感器设备同步采集振动、温度、电流等机床多源工作数据。构建双域深度学习网络，输入初始采集数据，分别提取机床的时域和频域工作特征，通过双域特征融合，得出机床工作特征提取结果。根据机床故障机理与表现，设定机床故障诊断标准。计算提取特征与故障诊断标准之间的特征匹配度，根据特征匹配度与阈值之间的关系，得出机床故障诊断结果，进而确定机床故障点位置。通过性能测试实验得出结论：与传统方法相比，优化设计方法的机床故障定位精度大幅提升，误诊率明显降低，同时受试者工作特征(receiver operating characteristic, ROC)曲线下面积(area under the curve, AUC)指标明显增大，由此证明优化设计方法在定位和诊断方面具有明显优势。 

2026年01期 v.23;No.107 22-30页 [查看摘要][在线阅读][下载 1194K]