关键词：人工智能;机械制造设备;故障诊断
摘 要：为了提升机械制造设备的故障诊断准确率及维修效率，采用深度学习算法，特别是卷积神经网络（CNN）和循环神经网络（RNN），对设备操作数据进行处理与分析。通过这些算法，系统能够自主抽取关键特性，并据此对设备的运行状况作出推测与判定。结果表明，在轴承故障的诊断中，人工智能算法的准确率高达95%，召回率为93%,F1分数为0.94，检测时间仅需1.5 h，误报率仅为2%。此外，通过应用人工智能的维修决策系统，维修响应时间平均缩短至2.5 h，故障诊断准确率达到95%，平均维修时间为4 h，维修成功率提升至98%。由此，在机器设备的缺陷检测与修复领域深层次学习技术性能表现优越。在极高的不确定性条件下特别是当使用了卷积神经网络（CNN）和循环神经网络（RNN）时，该系统能够高效率地对设备的操作数据进行处理与分析，准确地提取出核心特征，从而能对机器的运作状态作出精确的预测评估。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取