基于机器学习的铆接质量数字化检测系统

为实现铆接质量数字化检测和质量追溯,提出基于机器学习的铆接质量数字化检测方法。使用CCD摄像机对铆接部位进行图像采集,然后进行中值滤波、Canny边缘检测、图像形态学处理等,实现铆接部位裂纹检测和特征信息提取。利用改进的粒子群优化最小二乘支持向量机算法建立铆接质量检测模型,并使用检测样本对模型进行检验。对不合格的铆接进行质量追溯,应用专家系统判断产生缺陷的原因。在某型号飞机装配车间对原型系统进行应用验证。结果表明：所设计的系统检测准确率达96%,可提高铆接质量检测效率、统一检测标准、减少工人劳动。     

多特征联合的薄壁零件表面缺陷检测方法

采用基于机器视觉的无接触检测方式对飞机制造中蒙皮、机翼缘条以及角片等薄壁零件表面缺陷进行自动检测，使用VMS-4030G影像仪采集零件表面信息，提出多特征联合检测方法检测缺陷。该方法主要包括图像Tamura纹理特征提取、图像局部二值模式(LBP)直方图和LBP下的灰度梯度共生矩阵特征(GGCM)提取。根据缺陷特性选择提取特征，对得到的特征应用主成分分析法(PCA)进行降维以及支持向量机(SVM)分类，最终得到检测结果。为了验证所提方法可行性，以带铆接孔的6061铝合金板代替飞机薄壁零件进行数据采集和检测。试验结果表明，该检测方法对毛刺、裂纹、凹陷及划痕的检测率均大于92%,明显优于单一特征提取的检测方法。     

增量式光学编码器 IAS 信号误差建模及补偿

增量式光学编码器在制造与安装的过程中不可避免的会出现刻线误差和细分误差,这些误差会降低角度测量的精度并导致瞬时角速度(IAS)信号波动,研究刻线与细分误差的补偿途径有重要意义,但现有方法存在误差补偿效率低,不易现场应用等局限。针对上述问题,本文首先对增量式光学编码器的刻线误差与细分误差进行分析并建立误差模型,揭示了刻线误差、细分误差与IAS信号波动之间的联系。在此基础上提出了一种使用IAS信号对增量式光学编码器刻线与细分误差进行补偿的方法,该方法具有效率高、无需对编码器进行改装等优点。通过仿真分析对本文所建立的误差模型的正确性与误差估计方法的可行性进行了验证,并在RV传动实验台上对伺服电机末端的增量式光学编码器进行刻线与细分误差补偿,最后使用光学旋转平台对增量式光学编码器误差进行测量,通过对比分析验证了本文所提方法的有效性。     

基于瞬时角速度信号窄带解调的太阳轮故障检测

由于时变传递路径以及振动传感器受测量频率下限的限制，及在转速较低工况下基于常规振动信号的太阳轮故障检测较为困难。对此，结合编码器信号的优势，提出一种基于编码器信号窄带解调技术的太阳轮故障检测方法。首先使用T法对光栅式编码器角度信号进行采集，然后使用向前差分法获得瞬时角速度(instantaneous angular speed, IAS)信号，随后使用角域同步平均抑制非同步干扰分量，最后通过窄带解调实现太阳轮故障检测。同时，在所提方法中提出一种基于峭度的解调频带选择策略和一种基于相位解调函数相位变化率的故障特征增强方法。实验证明IAS信号可以有效克服常规振动检测方法的不足，并验证了所提出方法能有效实现对太阳轮故障的检测。