基于改进信息熵和LSTM网络的轴承故障诊断

针对传统的时频域故障诊断方法无法对故障实现自适应识别和分类,且准确率较低的问题,提出一种基于改进信息熵(improved information entropy, IIE)的长短时记忆网络(long-short time memory network, LSTM)方法。首先对原始信号分别进行集合经验模态分解(ensemble empirical mode decomposition, EEMD)和变分模态分解(variational mode decomposition, VMD);将包含故障信息的所有本征模式分量(intrinsic mode functions, IMF)进行信息熵的求取;通过信息熵反映IMF的信息量和峭度指标对描述冲击成分的优势改进信息熵,构成特征向量;最后结合LSTM处理非线性数据的优势,利用组合特征训练LSTM网络建立诊断模型。实验结果表明：该方法能准确、高效地识别多种故障,准确率要比单一的EEMD-LSTM、VMD-LSTM、人工神经网络等传统方法更高。     

《控制工程基础》课程教学改革若干思考

本文阐述了控制工程基础课程在教学内容、教学手段、教学模式和实践教学各环节存在的若干问题,对相应问题进行有益思考,指出若干建设性意见,以指导课程教学改革。     

Matlab在机械类教学课件开发中的应用

本文介绍了在机械类课程教学课件中,基于Matlab软件的课件开发与应用。目前,软件仿真技术正日益融入许多经典的专业基础教学中,制作课件内容灵活、设计性强,弥补了基础理论晦涩难懂的缺陷。通过教学实践证明,该模式能较好激发学生的学习兴趣和热情,具有很好的推广和借鉴价值。     

基于GOA优化支持向量机滚动轴承故障诊断

针对滚动轴承早期故障难以辨别,提出了一种采用变分模态分解法(visual molecular dynamics, VMD)提取特征,基于蚱蜢算法(grasshopper optimization algorithm, GOA)和优化支持向量机(support vector machines, SVM)的故障诊断方法。首先采用贪心策略预处理滚动轴承的振动信号数据,然后基于变分模态分解处理振动信号数据得到多个本征模态分量(intrinsic mode function, IMF),其次计算各IMF分量的能量和相关时频特征构成多模态特征矩阵,最后利用蚱蜢算法优化的支持向量机进行故障的诊断和识别。通过实验测试大量数据得出的滚动轴承故障诊断结果表明VMD-GOA-SVM不仅可以识别滚动轴承不同的故障类型,同时相比传统方法亦有较高的准确度和运行效率。     

3D打印的两轮自平衡机器人的模糊自适应控制策略

为解决3D打印制造的两轮自平衡机器人模型多样化的运动控制问题,研究一种针对非特定模型的自平衡机器人的运动控制策略。结果表明:所提出策略基于模糊自适应的控制理论,可在非人为参数调整的工况下,对于非特定模型的自平衡机器人的多种运动情景,进行快速准确的参数自调节和实时稳定的运动控制。可见,本文策略能够较好地解决3D打印制造的两轮自平衡机器人的模型多样化的自适应运动控制问题。