我国是人造金刚石的生产大国,主要采用六面顶静压合成法的生产方式。由于长期承受复杂交变的应力,压机顶锤极易发生疲劳损伤,继续使用可能引发塌锤事故,造成重大经济损失。针对现有在线检测方法存在的不足,引入模式识别与深度学习技术,提出研究一种基于声信号的六面顶压机顶锤裂纹智能检测方法,研究内容与成果包括:(1)针对复杂背景噪声下顶锤故障表征问题,研究给出一种基于信号能量和PCA的顶锤裂纹特征自适应提取方法。依据声信号的能量阈值,采用滑动窗技术从检测声信号中提取独立的声脉冲;通过对比分析故障与正常类声脉冲的统计特性,建立由过零率、声压级和线性预测倒谱系数构成的特征向量,并引入PCA技术消除原始特征向量中的冗余信息。仿真结果表明,该方法能够有效表征顶锤状态。(2)研究提出一种基于SVM-kNN的顶锤裂纹识别方法。综合采用网格寻优和交叉验证技术训练建立初始SVM诊断模型,引入sigmoid函数计算SVM输出的后验概率,据此给出SVM分类结果的可靠度区间;针对区间内的疑似故障样本,设计kNN分类器进行二次判别。实验结果表明:SVM-kNN模型具有较高的识别准确率。(3)针对人工提取特征泛化能力差以及浅层网络结构无法表征顶锤状态和声信号间复杂映射关系的问题,引入深度学习技术,提出基于SAE-PSO的顶锤裂纹智能检测方法。采用滑动窗和FFT技术建立顶锤裂纹的深度学习数据集,依据信号重构误差和随机梯度下降算法建立三层SAE初始诊断模型,并提出改进的PSO算法用于优化模型的Dropout参数和权重衰减系数。实验结果表明:相比于SVM、PCA-SVM和SAE方法,SAE-PSO算法不仅具有最高的识别准确率,同时有效改善了网络的泛化能力。