采用同步压缩变换和能量熵的机器人加工颤振监测方法

为避免机器人加工过程中颤振给加工质量及刀具寿命带来不利影响,提出了一种基于同步压缩变换和能量熵的机器人加工颤振监测方法。首先,利用同步压缩变换获取主轴振动信号高分辨率时频谱,并将获得的时频谱均分为有限个频带;然后,对各频带对应的时域子信号进行重构并求取其能量值;最后,采用能量熵作为表征颤振能量分布变化的特征量,通过计算所有子信号的能量熵之和对颤振进行在线监测。在库卡工业机器人加工实验平台上,开展了机器人制孔加工实验验证,实验结果表明:在不同的机器人加工条件下,所提方法均能在颤振发生前22ms左右有效地将其检测出来;计算一次能量熵的时长约为20ms,能够基本满足颤振在线监测的实时性要求。     

随机丢弃和批标准化的深度卷积神经网络柴油机失火故障诊断

针对已有的柴油机失火故障诊断方法需要精细且耗时的时频特征提取过程,且对实际含有噪声的样本诊断准确率低的问题,提出了一种随机丢弃和批标准化的深度卷积神经网络柴油机失火故障诊断方法。在不同的转速工况下进行柴油机失火故障模拟试验,将采集到的原始缸盖振动信号作为深度卷积神经网络的输入,并在输入端引入随机丢弃抑制输入噪声,通过一维卷积操作自动提取失火故障模式特征,接着在各卷积输出层对特征信号进行批标准化处理,以减少信号在深度卷积层内部的方差偏移,最后基于多分类函数完成失火故障分类。不同噪声环境和方法的对比试验结果表明,所提方法的分类准确率最高可达100%,同时在保证算法准确率的前提下,其鲁棒性优于依赖时频提取特征的方法。     

同步压缩小波与极限梯度提升树融合的柴油机失火故障诊断

针对柴油机失火故障诊断特征提取分辨率较低和分类评估容易出现过拟合的问题,提出了一种同步压缩小波变换和极限梯度提升树融合的诊断方法。在不同转速下进行柴油机失火性能试验,采集缸盖振动信号,对信号利用时域统计、同步压缩小波提取特征,再采用局部线性嵌入方法进行特征降维,最后利用极限梯度提升树进行失火评估分类。不同工况与评估方法下的对比实验结果表明,所提方法的分类准确率最高可达99.828%,相比小波包特征提取的评估方法提升至少10%。在低模型复杂度下,所提方法具有最小的模型预测均方根误差,证明了方法的鲁棒性和抑制模型过拟合的能力。     

基于随机森林与粒子群算法的隧道掘进机操作参数地质类型自适应决策

考虑到隧道掘进机的性能对地质条件比较敏感且其操作依赖于司机经验,提出基于随机森林和粒子群算法的隧道掘进机操作参数地质条件自适应决策方法。利用随机森林(RF)分别建立地质类型、操作参数与推进速度、刀盘转矩的映射关系模型;结合映射关系模型,构建以盾构机推进速度最大为目标,以刀盘转速、螺旋输送机转速、总推力、土仓压力4个操作参数为控制变量的优化方程;利用粒子群算法(PSO)求解各地质类型地层中的最优操作参数决策结果。通过新加坡某地铁工程施工数据验证所提方法的有效性和优越性。研究结果表明：建立的随机森林模型中推进速度和刀盘转矩预测的决定系数R2分别达到0.936和0.961,均大于adaboost、多元线性回归、岭回归、支持向量回归和深度神经网络模型中相应的R2;基于粒子群算法的操作参数决策方法能够准确求解操作参数最优解,寻优用时均比遗传算法、蚁群算法和穷举法的短。本文所提决策方法使隧道掘进机在该施工段的福康宁卵石地层、句容地层IV、句容地层V、海洋黏土地层中的推进速度分别提升了67.2%、41.8%、53.6%和15.0%。