六轴IMU补偿的磁力计动态稳定校准

磁力计是用于确定机器人姿态的常用传感器之一,在使用过程中极易受到周围环境磁场和量测噪声的干扰。传统的椭球拟合能够校准环境磁场的影响,但是不能抑制量测噪声,且不能实时运行,最新的陀螺仪补偿算法弥补了这些缺点,但是由于陀螺仪存在漂移,所以也会使得磁力计数据发生漂移。文中提出一种使用六轴IMU来补偿校准磁力计的方法,首先通过互补滤波使用加速度修正陀螺仪数据,然后使用修正后的陀螺仪数据对磁力计数据进行旋转以对其进行预测,接着使用扩展卡尔曼滤波融合预测值和磁力计量测值,实现磁力计的动态校准。实验表明,相比于传统的椭球拟合算法,文中算法可以降低磁力计数据的噪声波动,二者的噪声波动分别为2μT和0.5μT;相较于最新的陀螺仪补偿算法,由于加速度计具有长期稳定性,可以抑制磁力计数据的漂移现象,磁力计数据的漂移距离由19.56μT降低到了1.67μT。最终实现了一种稳定、高精度的实时磁力计校准。     

小样本条件下轴承故障的DCGAN诊断方法

针对基于故障数据图像的诊断方法所需训练数据严重不足以及在小样本故障库条件下诊断准确率较低等问题,提出了一种基于深度卷积生成对抗网络（deep convolutional generative adversarial networks, 简称DCGAN）的扩充滚动轴承故障小样本库的方法,以丰富故障信息,在小样本故障库条件下提高故障诊断准确率。为了改善传统算法易产生的棋盘格效应,设计上采样卷积（up-sampling convolution, 简称USCONV）层,将传统DCGAN算法与双线性插值的上采样及卷积相结合,对故障数据小波变换图像进行训练学习,输出逼真的生成样本。该模型针对多种故障情况,在小样本故障库条件下能准确完善数据集,缓解过拟合等问题,提高了再诊断的准确性。实验结果表明,USCONV层对棋盘格问题有明显改善,小样本库扩充后诊断模型对包含多种故障情况的测试集识别率由91.67%提升至98.96%,证明了该方法的可行性和有效性。