针对气体绝缘开关设备(gas insulated switchgear,简称GIS)断路器声信号易受强背景噪声干扰且特征提取困难的问题,提出一种可以有效诊断其机械故障的方法.首先,使用多通道声传感器阵列采集断路器原始观测信号,利用独立成分分析(independent component analysis,简称ICA)方法将观测信号分离为多维源信号,并选取源信号中模糊熵最小的分量作为特征信号;其次,计算特征信号的多尺度模糊熵(multi-scale fuzzy entropy,简称MFE)生成断路器的声纹特征;最后,利用极限学习机(extreme learning machine,简称ELM)算法识别断路器的故障.实验结果表明,基于声信号的检测方法为GIS断路器的机械故障诊断提供了一种新的解决方案,所提出的算法能够有效提取声纹特征,故障诊断准确率较传统方法有明显提高.

Aimed at the problem of unbalanced fault samples in rolling bearing fault diagnosis,a fault diagnosis method based on conditional generative adversarial nets optimized by evolutionary algorithm（ECGAN） is proposed.Firstly,the generator in conditional generative adversarial nets is optimized by evolutionary algorithm to generate new samples similar to the original sample distribution under different loss functions so as to expand the data set.Then,the generated sample and the original sample are input to the discriminator to extract the valid data features of the sample and judge the authenticity and category of the input sample.Finally,the generator and discriminator are optimized by counter learning mechanism to improve the fault recognition ability of the nets.The experimental results show that the ECGAN method has better performance in fault diagnosis in the case of unbalanced sample data types.

Due to difficulty in obtaining fault samples for rolling bearing,the distribution of training samples often exhibits strong unbalance to seriously affect the accuracy of bearing intelligent fault diagnosis.Here,aiming at the problem of unbalanced training samples of rolling bearing,a fault diagnosis method based on constrained autoencoder-generative adversarial network(CAE-GAN)was proposed to enhance features of fault samples,and improve the accuracy of diagnosis model.Firstly,a network model based on encoding-decoding-discrimination structure was constructed by combining AE and GAN to improve the generator's ability to capture actual sample distribution.To further improve the quality of generated samples,a method based on distance constraint was proposed to limit distances between different types of samples,and thereby avoid all generated samples coming from the same type.Finally,rolling bearing fault diagnosis tests showed that the proposed method can effectively improve the quality of generated samples,solve the problem of samples unbalance,and obviously improve the accuracy of bearing fault diagnosis compared to other methods.

针对传统图像处理算法的芯片缺陷检测方法难以实现缺陷的精确提取且泛化性较差的问题,提出了结合空间注意力机制(SAM)、空间金字塔池化(SPP)、移动端神经网络(Mobile-Net)和密集条件随机场(DCRF)改进经典U-Net芯片X线图像焊缝气泡缺陷的检测方法(DSSMob-U-Net).首先,针对经典U-Net网络特征提取能力不足、泛化性较差的问题,引入Mobile-Net作为U-Net的主干特征提取网络,提高网络获取缺陷形状和位置信息的能力,并减少网络的参数量,降低模型对训练样本量的要求;其次,在Mobile-Net的低维特征提取部分引入空间注意力机制,并在特征提取后引入空间金字塔池化,提升网络对图像高、低维特征的提取能力,解码后针对解码器上采样层导致的特征信息丢失问题,在分类完成后引入密集条件随机场,结合像素点的像素值和所属类别信息对像素的分类结果重新评估,进一步提高分割精度;最后,在芯片缺陷数据集上进行实验,验证了 DSSMob-U-Net模型的有效性,并与其他常用的语义分割网络进行比较,结果表明该模型具有更好的检测性能.

为提高小样本环境下钢表面缺陷检测精度,提出一种基于改进辅助分类生成对抗网络(Auxiliary classifier generative adversarial network,ACGAN)的钢表面缺陷检测方法.利用残差块优化ACGAN的网络结构,提高模型的特征提取能力;其次,为提高模型训练的稳定性,在网络的卷积层中添加谱范数归一化,防止模型异常的梯度变化;基于正-未标记分类的思想优化判别器的损失函数,提高生成样本的质量;同时,为缓解生成对抗网络的模式崩塌问题,在损失函数中添加梯度惩罚来约束判别器的梯度;通过生成器和判别器的对抗优化训练实现样本扩充.通过对钢表面缺陷数据集的试验,验证了提出的方法能准确有效地实现小样本环境下钢表面缺陷检测.与经典的SVM、ResNet50以及一些小样本分类模型相比,所提方法具有更高的检测精度.

为了解决轴承故障诊断数据样本量少,背景噪声干扰大和准确率不高的问题,提出一种基于奇异谱分解(Singular spectral decomposition,SSD)和两层支持向量机(Two-layer support vector machines,TSVM)的轴承故障诊断方法SSD-TSVM.该方法首先采集信号构建信号矩阵,然后对矩阵进行奇异谱分解,得到奇异谱分量(Singular spectral component,SSC)和残差.根据改进的峭度准则选取奇异谱分量,进行矩阵重构,完成重构后进行特征提取,生成特征向量矩阵作为TSVM的输入.在输入层完成降维处理生成新的特征向量矩阵,在输出层进行轴承故障类型分类.最后分别采用西储大学公开轴承数据集和实验室风机轴承数据集进行验证.与多种其他故障诊断方法对比表明,SSD-TSVM方法在轴承故障诊断方面具有更高的准确率.

针对滚动轴承发生故障时非线性信号特征难以提取导致诊断效率较低的难题,提出一种基于参数优化改进的多尺度排列熵(Multi-scale permutation entropy,MPE)与核极限学习机(Kernel extreme learning machine,KELM)相结合的故障诊断方法.首先,使用关联积分法(C-C算法)对MPE的嵌入维数和时间延迟进行优化;其次,计算滚动轴承振动信号在选定的经验参数与优化参数下各尺度的排列熵值并以此构建特征向量;最后,利用KELM对滚动轴承进行故障分类.结果表明,参数优化后的MPE结合KELM的故障诊断方法能够有效地提取出故障特征进而很好地实现故障诊断.

有限元仿真技术被广泛应用于机械工程领域,具备使用有限元方法解决工程实际问题的能力正逐渐成为对机械工程师的基本要求.然而,目前高校的有限元课程教学存在诸多不足之处.文章详细讨论了面向机械专业的有限元课程教学中存在的突出问题,并从教学内容、教学方法、考核方式等方面进行了教学改革的探索与实践.实践表明,文章所述教学改革措施在激发学习兴趣、夯实理论基础、培养工程能力等方面具有明显成效.

为解决滚动轴承故障信号信噪比低、故障特征难以提取的问题,提出一种双树复小波分解(DTCWT)与遗传算法(GA)相结合的改进稀疏分解方法.首先,采用双树复小波对轴承振动信号进行分解,并结合峭度最大准则提取包含冲击特征的最优分量,对该分量进行稀疏重构,实现强噪声信号的深度降噪、故障冲击特征的重构;然后,针对稀疏分解在处理高维复杂信号时计算效率低的问题,使用遗传算法优化基于匹配追踪(MP)算法的寻优过程,提升信号的重构效率;最后,提出基于残差信号包络熵的终止准则以合理选取迭代次数.经仿真与实验验证,与传统的稀疏分解相比,该方法能在强噪声背景下自适应地提取故障信号中的冲击特征,实现滚动轴承的故障识别.

为解决机器人进行三维路径规划时路径规划效率受算法影响较大的问题,以最短距离为目的,提出了一种基于蚁群算法参数迁移的机器人三维路径规划方法.在使用栅格法建立的机器人三维环境模型中,使用蚁群算法寻找最短路径.针对蚁群算法的参数选择问题,使用参数迁移算法得到最优参数.将已知的环境模型和其对应的蚁群最优参数作为源任务,将源任务映射到高维空间,通过迁移参数连接不同源任务,根据图论的知识建立参数迁移图,将参数迁移图扩展,使其包含目标任务,为随机未知环境模型分配一组蚁群最优参数.仿真实验表明,基于参数迁移的蚁群算法可以快速有效地完成机器人三维路径规划.相比传统的参数选择方法和其他智能优化方法,蚁群参数迁移算法可以大幅减少路径规划所需时间,提高了路径规划效率.

该文以花生质量自动化检测为研究目标,提出了一种基于机器视觉与自适应卷积神经网络的花生质量检测方法.构建花生图像数据库用于识别花生的常见缺陷,包括霉变、破碎、干瘪等;然后建立卷积神经网络自动提取花生图像特征.为避免深层网络训练时间过长,分别将二次函数与正态分布模型引入网络损失中,同时从网络的损失与权值2方面提出自适应学习率,并分别结合梯度下降与梯度上升法更新网络.为提高模型的泛化能力,引进迁移学习算法,分别在网络的特征层与分类层后加入领域自适应,实现跨领域与跨任务的检测.试验结果表明,该方法对花生常见缺陷的平均识别率达99.7％,与传统的深度网络相比实现了更高的收敛速度与识别精度.

针对滚动轴承故障诊断中振动信号易受强背景噪声干扰,出现非平稳、非线性的特性,导致故障诊断精度较低等问题,提出了一种基于奇异谱分解(SSD)和一维卷积神经网络(1DCNN)的滚动轴承故障诊断方法.首先,利用SSD将原始振动信号分解成若干个频率尺度的奇异谱(SSC)分量,并根据峭度准则选取有效SSC分量对信号进行重构;然后,构建一维卷积神经网络结构,先将重构后的信号输入模型进行训练,充分提取信号的特征,再由输出层输出诊断结果;最后,进行滚动轴承故障诊断实验,结果表明:提出的诊断方法诊断准确率达到98.9％,比传统方法具有更高的准确性和稳定性.

鉴于在复杂工况和强背景噪声环境下,滚动轴承的非线性非平稳信号的特征提取非常困难,导致早期故障难以诊断,提出了一种基于局部特征尺度分解(LCD)和最大相关峭度解卷积(MCKD)的故障特征提取方法.首先,利用LCD对信号进行分解,获得一系列瞬时频率具有物理意义的内禀尺度分量(ISC),选取相关系数较大的ISC分量进行重构;然后,利用MCKD方法对重构信号进行处理,增强冲击信号频率,实现降噪;最后,对经LCD-MCKD处理过的信号进行希尔伯特包络谱分析,验证所提方法的有效性.仿真和实验表明该方法能够有效提取故障特征频率,实现故障诊断.

仿避役弹舌装置是模仿变色蜥蜴舌部伸展能力强和抓取速度快的运动特点的仿生机械装置.根据生物力学和机械设计原理,该装置采用弹性嵌套式机械结构;根据机械动力学理论建立系统的数学模型,再根据机械结构参数设置合理的仿真参数,并利用Solidworks Motion软件对该装置3维模型进行仿真分析,直观实时地表达了该装置工作的动态特性;综合各仿真结果深入分析了仿避役弹舌装置运行的动态特性,从而为仿避役弹舌装置的设计和应用提供了1种理论依据.

避役捕食过程中舌头瞬间释放巨大的能量,以高达500 m/s2的加速度弹射伸长至身体长度2倍的距离.受避役弹舌运动以及其舌器官生理结构的启发,提出一种模拟避役舌弹射能力的仿生弹射机器人.首先,分析避役舌器官的构成以及其高速弹射的运动机理,建立弹射机构的简化物理模型,并进行基于MATLAB软件的动力学仿真分析;其次,基于多层弹性体嵌套结构建立弹射机器人的三维结构模型,应用SolidWorks软件进行结构的运动学仿真分析;最后,完成该机器人样机的零件加工、组装和调试,并进行样机弹射试验.通过试验数据的采集处理,与仿真结果进行对比分析发现:该弹射机器人的弹射加速度能达到6 653 m/s2,最大弹射速度达到15 m/s,且最大伸展距离约为0.44m,为初始状态的2.6倍.结果 表明该仿生弹射机器人的弹射速度和加速度都较高,验证了仿生弹射机器人结构设计的有效性.

针对强噪声背景下滚动轴承故障诊断中存在的非平稳非线性信号特征提取这一难题,提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)和同步压缩小波变换的方法(Synchrosqueezing Wavelet Transform,SWT),该方法首先对信号进行LCD分解,将其分解成多个内禀尺度函数(Intrinsic Scale Component,ISC),选取包含有效频率成分的ISC作为SWT的输入信号,使用SWT对其作进一步分析,从而提取有效频率特征.对强噪声背景下提取的滚动轴承外圈故障信号、内圈故障信号以及滚动体故障信号进行分析的结果表明,相比局部特征尺度分解、同步压缩小波变换等方法,该方法能够有效抑制噪声,从强噪声背景下提取出有效信号频率特征,从而能够有效判断滚动轴承的运转状况.同时该方法能够有效重构信号.

提出一种结合多层结构和稀疏最小二乘支持向量机(Sparse Least Squares Support Vector Machine,SLSS-VM)的机械故障诊断方法.该方法构建了多层支持向量机(Support Vector Machine,SVM)结构,首先在输入层利用支持向量机对信号进行训练,学习信号的浅层特征,利用"降维公式"生成样本新的表示,并作为隐藏层的输入,隐藏层支持向量机对新样本训练并提取信号的深层特征,逐层学习,最终在输出层输出诊断结果.针对因多层结构带来算法的复杂度以及运行时间增加的问题,采用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)技术,并将稀疏化理论与最小二乘支持向量机结合,通过构造特征空间近似最大线性无关向量组对样本进行稀疏表示并依此获得分类判别函数,有效解决了最小二乘支持向量机稀疏性缺乏的问题.最后,通过滚动轴承故障诊断实验验证了该方法的有效性.

In order to overcome the difficulties of feature extraction of non-stationary faulty sig-nals in rolling bearing fault diagnosis,this paper proposed a fault feature extraction method by using the synchrosqueezing wavelet transform (SWT).Firstly,the measured vibration signals were pro-cessed with the continuous wavelet transform (CWT),and the wavelet transform coefficients were subj ected to synchrosqueezing transform (SST).Moreover,an adaptive threshold denoising technolo-gy was presented to cancel noises of the SST coefficients,and the effective signal data near the center of the frequency were extracted by integrating.Finally,the signal reconstruction was carried out by u-tilizing the extracted effective signals.The simulation and the equipment tests were designed to verify the effectiveness proposed methods herein.The test results show that SWT has a high signal extrac-tion accuracy and noise reduction capability.SWT also has higher time-frequency resolution,which may convert the fault signals into high-resolution time-frequency spectrum and make up for the lacks of CWT.

针对目前工业机器人在线示教的编程方式阻碍了企业效益提高的问题,基于计算机图形学自主开发一款工业机器人离线编程软件.首先建立机器人运动学模型,进行运动学分析,然后求解出高效的逆解算法.在关节空间下应用五次多项式进行轨迹规划,并且在自主开发的三维机器人离线编程软件得到应用与仿真.研究结果表明仿真的过程中轨迹非常平顺,在MATLAB中进行验证也表明关节轨迹的平顺性.本研究的运动学分析与轨迹规划通过离线编程较好地实现了机器人仿真运动,实现离线编程,从而提高了企业经济效益.

Chameleons can project their tongues as far as 1.5 body lengths with accelerations of up to 500 m/s(2). Inspired by the rapid projection mechanism of the chameleon tongue, this paper carries out research on the biological structure and projection principle of the chameleon tongue, as well as a bionic mechanical device. Firstly, the biological phenomenon of rapid projection and extension is described and an elastic-energy storage/release mechanism is introduced to explain the projection principle. Based on the inspiration of the elastic-energy storage/release mechanism, an elastic projecting robot with multi-layer elastic nested structure is designed. Then the mechanical kinematic and dynamic analysis is proposed. Reasonable parameters which are based on the mechanical structure parameters are set in the Solidworks motion software for the 3-D model simulation of the robot. Finally, the simulation results are analyzed to verify the feasibility and availability of the structural design as well as provide a theoretical basis for the structure optimization of the elastic projecting robot.