迁移科技:为全球工业制造和仓储物流自动化赋能--访北京迁移科技有限公司联合创始人兼CTO李宏坤

基于在3D相机硬件、算法和软件方向多年的技术深耕,迁移科技打造了稳定、易用、高回报的3D视觉系统,形成拆码垛、上下料、定位装配、无序抓取等解决方案,旨在为全球的工业制造和仓储物流自动化提供技术赋能。

基于功率流有限元法的涡旋压缩机振动特性研究

针对涡旋压缩机内部振动传递路径复杂,采用传统的传递函数法往往不能真实地描述振动产生与传递的本质问题,引入功率流有限元法从能量角度分析振动传递特性,进行涡旋压缩机内部振动产生、传递与空间分布的可视化研究。在分析涡旋压缩机的动力拓扑关系基础上建立激励源,提取与振动响应模型并进行仿真分析;利用实体试验和响应分析结果对比进行模型有效性分析;在验证后的模型上定义8个能量输出面,分析谐波与激励作用下上支撑和下支撑的振动能量传递特性,并且计算节点的功率流矢量确定振源的空间分布。结果表明,涡旋压缩机曲轴在运转到280°时,振动频率在1 000 Hz与1 890 Hz时振动能量传递率较高,上支撑能量分布均匀并集于自身,下支撑能量集中于支脚并向外传递。研究方法和研究成果对于涡旋压缩机振动分布及传递、振动控制和优化设计等方面具有一定借鉴意义。

基于深度信息的照明目标识别方法

照明用电存在的能源浪费问题越来越受到关注,图像传感方法逐渐应用在照明控制领域中。基于单目图像的照明传感方法容易受到光照和纹理等因素的干扰。针对以上问题,该文提出了结合深度信息进行背景分离,提取场景中潜在的照明目标,并利用图像矩作为描述子进行目标识别的方法。搭建了双目实验平台进行室内场景测试,结果表明,该方法可以有效分离、识别并定位出场景中的照明目标,相对单目背景分离方法得到的分离轮廓更完整,对背景与目标灰度差异不敏感,对于大面积、高精度照明控制场景具备一定的应用价值。

基于小波包—坐标变换的滚动轴承故障特征增强方法

滚动轴承早期故障特征信号微弱且易受正常成分干扰,因此不易准确识别滚动轴承的早期故障。对含有微弱故障的滚动轴承信号进行小波包分解,通过对小波包分解得到的各子带进行研究,提出一种基于小波包—坐标变换(Wavelet packet-coordinate transformation,WP-CT)的故障特征增强方法。考虑到各频带均包含不同程度的故障信息,将小波包分解后的所有子带进行主分量分析(Principal component analysis,PCA)或独立分量分析(Independent component analysis,ICA)坐标变换,进而重构信号以进行滚动轴承故障识别。此方法能够削弱原始信号中正常成分带来的干扰,突出故障冲击成分,充分挖掘所有子带隐含的故障信息,从而提升故障识别能力。为证明此方法的有效性,采用仿真信号和工程实际信号验证分析,相比传统方法,基于小波包—坐标变换的新方法能够突出故障微弱特征,有利于滚动轴承早期状态识别和诊断技术的发展。

基于时频分析的欠定信号盲分离与微弱特征提取

盲源分离对于多振源信号的故障诊断与识别是一种有效的方法,但是传统的盲源分离算法都是针对观察信号大于或等于源信号的情况,但对于观察信号小于源信号的欠定盲分离问题,这在很大程度上制约了盲源分离的实际应用。通过应用经验模式分解和时频分析对非平稳信号分析的优势,提出基于时频分析的欠定盲源分离方法进行设备微弱特征提取。对振动信号进行经验模式分解,并根据分解得到的内蕴模式分量估计源信号个数并选择最优的观察信号,将振动信号与选择的最优观察信号组成新的观察信号进行基于时频分析的盲源分离,通过对仿真信号和齿轮箱实测信号进行验证分析。并与基于独立分量分析的盲源分离算法进行对比,研究表明基于时频分析的盲源分离对混合信号具有更好的分离效果,能够较好地对微弱特征进行提取。

利用粒子滤波与谱峭度的滚动轴承故障诊断

针对快速谱峭度在低信噪比情况下分析效果差的问题,提出应用粒子滤波的前处理降噪方法来提高信噪比,从而解决谱峭度受噪声干扰效果差的问题,进而提高滚动轴承故障诊断的成功率。建立振动信号的状态方程,提取原始信号的背景噪声,将其与状态方程之和作为观测方程。联立状态方程与观测方程来建立状态空间模型。采用粒子滤波对信号重新估计,得到新序列即是降噪之后的信号,结合快速谱峭度方法,获取最佳分析频带。并结合频谱分析得出故障频率。对比快速谱峭度与经验模式分解(Empirical mode decomposition,EMD)方法降噪的谱峭度分析诊断结果,证明所提方法的有效性。

齿轮箱减振降噪优化设计方法研究

对某试验用齿轮箱进行了模态贡献量与面板声学贡献量分析,确定齿轮箱运行过程中箱体振动主要贡献模态和噪声辐射面板;结合振速法原理,对箱体表面振动与辐射噪声的关系进行了分析,实现基于有限元方法对箱体进行稳态振动响应求解与主要面板辐射声功率级的计算;将主要贡献模态固有频率和面板辐射声功率级作为目标函数,编制APDL的优化求解程序对齿轮箱箱体实现了减振降噪优化,得到了箱体各壁面的最优壁厚组合。结果表明,该方法具有很好的减振降噪效果,为齿轮箱的优化设计提供了借鉴意义。

连续小波最优重构尺度确定方法与故障早期识别

旋转设备的微弱故障特征信息提取对于故障的早期预警具有重要意义,连续小波可以通过变换对信号实现多尺度细化分析,能够在不同的尺度上描述信号的局部特征,因此有利于微弱故障信号的检测。不同尺度上的信号重构对于设备的故障特征表示并不相同,为此提出一种基于连续小波变换的微弱特征提取新方法。对信号采用连续小波进行分解,应用小波熵来选择最优的尺度进行信号重构,并对重构信号进行包络谱分析;根据提取的特征频率来确定故障的种类。通过仿真信号和滚动轴承故障信号的微弱特征提取进行方法的验证分析。研究表明基于连续小波最优尺度重构方法能够有效地对微弱特征进行提取。

基于Hilbert谱熵的柴油机故障诊断方法研究

从信号的特征提取出发,采用局域波时频谱分析和信息熵结合的方法——Hilbert谱熵(HSE),进行柴油机振动信号的特征提取和状态识别.首先,对信号进行局域波分解;然后,根据得到的内蕴模式分量计算Hilbert谱;最后,建立基于时频分布的Hilbert谱熵,并以此作为故障识别的特征参数.以柴油机缸套与活塞间磨损的状态识别为例,根据对时域、频域和时频域的信息熵比较分析,证明了Hilbert谱熵对柴油机的状态进行评价的有效性.此方法为柴油机预知维修提供了一个有效的手段.

时频图像Hough变换在滚动轴承故障诊断中的应用

为提高时频分析技术在设备故障诊断中的实用性,研究了时频图像处理的滚动轴承故障诊断技术。采用Hough变换对表征信号的Wigner-Ville时频分布进行分析,以提高时频谱表征非平稳信号的可靠性,特别对线性调频信号分析具有较好的实用性。以实验室的滚动轴承在不同状态下的状态识别为例,验证了时频图像Hough变换准确识别滚动轴承故障的有效性。

基于面板声功率贡献量分析的齿轮箱噪声控制方法研究

在对当前面板声学贡献量分析方法研究的基础上,提出了面板声功率贡献量分析方法.针对齿轮箱辐射噪声,利用有限元和边界元理论建立齿轮箱的计算模型,对其进行噪声辐射模拟计算.根据齿轮箱的面板区域划分,计算齿轮箱的面板声功率贡献量,从而确定齿轮箱辐射声功率的主要贡献区域,同时确立噪声峰值对应频率的主要贡献区域,并对齿轮箱进行结构改进与验证分析.结果表明,此方法有利于齿轮箱噪声控制的研究与实现.

利用随机共振的叶片裂纹微弱信息增强方法

离心式压缩机叶片作为压缩机内最重要部件,长期承受周期性振动和流动诱使激励的作用。而叶片的故障将对压缩机的运行以及现场安全可靠性有严重的影响,因此如何有效地识别压缩机叶片裂纹早期故障显得尤为重要。由于叶片裂纹故障属于低频微弱故障,通常被调制到叶片通过频率处,但是故障频率难以识别,清晰度较低。首先在叶片通过频率处进行信号滤波,然后应用Woods-Saxon and Gaussian Potential随机共振模型对特征频率进行加强,从而得到叶片裂纹故障频率。通过在叶片裂纹附近安装压力脉动传感器,利用压力脉动信号对叶片裂纹信息进行监测。实现模拟叶片裂纹的信号测试,验证了WSG随机共振模型在叶片裂纹早期故障识别中的有效性以及可靠性。同时通过应变试验进行验证此方法的有效性。

小波尺度谱同步平均在弱信息识别中的应用

旋转机械的早期故障特征微弱,容易受到噪声的干扰,不容易准确识别。而旋转机械发生故障时其振动信号往往是非平稳信号,不同的非平稳性对应不同的故障状态。连续小波变换可以通过伸缩平移变换对信号进行多尺度细化分析,能够在不同的尺度上描述信号的局部特征,因此有利于故障信号的检测。时域同步平均可以削弱观测信号中的随机成分,降低噪声干扰,提取与平均周期相关的确定性信号,提高信噪比。结合小波变换和同步平均的优点,提出小波尺度谱同步平均的方法。对多周期的振动信号进行小波连续变换,并进行尺度谱重排,获得重排小波尺度谱;根据信号的周期性,对尺度谱进行同步平均,同步平均后的尺度谱可以有效地抑制干扰噪声,识别弱故障信息。通过仿真分析和实例分析验证了本方法的有效性,为旋转机械的早期故障诊断提供了新方法。

基于经验模式分解的全息谱故障识别方法

由于实测信号中的一些噪声干扰会影响全息谱对信号分析的准确性,采用经验模式分解(empirical modede composition,简称EMD)方法进行信号滤波以提高识别的可靠性。应用EMD对信号分解,并结合互相关系数对内蕴模式分量(intrinsic mode function,简称IMF)进行滤波,在此基础上对信号进行重构,以降低噪声干扰,并对实际测试信号进行有效提纯。最后,对滤波后的转子信号进行全息谱分析,并通过分析实际转子碰摩信号来验证该方法的有效性。

基于多征兆信息融合理论的柴油机故障诊断

信息融合理论在故障诊断领域中得到广泛应用 ,为复杂机械故障诊断提供了一种新的方法。在研究了多传感器决策层融合理论—— Dem pster- Shafer证据理论及其算法的基础上 ,提出了一种基于多征兆信息融合理论的故障诊断方法。以柴油机活塞和缸套之间的磨损为例 ,论述了该方法的实施过程。结果表明 ,多征兆信息的信息融合诊断方法具有良好的稳定性和容错性 。

基于非负矩阵分解与主元分析的时频图像识别方法研究

应用非负矩阵分解与主元分析对时频图像处理,在此基础上进行设备状态识别。论述了对振动信号应用Hilbert谱构建二维时频图像,并用非负矩阵分解对时频图像构造特征向量,应用主元分析对提取的特征向量进行了降维处理,并在三维坐标系中进行表示和状态识别。以滚动轴承不同状态的识别为例,验证方法的有效性。研究表明此方法能够提高设备状态识别的准确性,有利于设备故障诊断的发展。

基于时频图像特征提取的状态识别方法研究与应用

介绍一种基于时频图像进行设备状态识别的新方法。论述了对振动信号应用Hilbert谱构建二维时频图像,研究时频图像三维重心与信息熵的特征提取方法构造特征向量,采用支持向量机进行设备的状态识别。并以滚动轴承不同状态的识别为例,验证方法的有效性。为提高滚动轴承振动信号特征提取的可靠性,采用多循环平均方法减小循环波动性影响。研究表明此方法能够提高设备故障诊断与状态识别的准确性。

Hilbert谱特征提取与支持向量机的状态识别方法研究

介绍一种新的基于振动信号分析的状态识别方法,即Hilbert时频谱重心与支持向量机相结合的进行设备故障诊断的分类方法。根据信号的循环平稳性,采用同步平均对信号进行预处理,实现从时域到角度域的转换;之后进行经验模式分解,计算得到Hilbert时频谱;在此基础上计算Hilbert时频谱的重心,构建一个特征向量。最后采用支持向量机进行训练和学习,实现设备的状态识别。并以滚动轴承的状态识别为例证明此方法的有效性。研究表明,此方法有助于设备预知维修的发展。

基于气流激振的离心式压缩机管道破坏机理研究

大型石化压缩机组中,管道易产生气流激振作用下的疲劳破坏。从气流激振的产生与作用机理进行分析,研究管道疲劳破坏的主要来源-声共振。采用实验室的管道声腔进行仿真分析,应用LMS仿真软件有限元法对管道内部的声模态进行计算,获取其特征频率,并进行实验测试分析,当叶片的通过频率与管道声模态频率一致时将产生声共振,振动将明显增加,揭示了声共振造成的管道疲劳破坏机理。在此基础上,结合实际大型离心式压缩机组管道振动控制的实例,证明了此方法的有效性,为大型离心式压缩机组管道的高周疲劳破坏抑制提供依据。

基于状态空间模型的可靠性评估方法

基于设备性能退化特征的可靠性分析是可靠性技术研究重要方向之一,当前许多研究是基于多样本进行分析。针对单个设备的可靠性预测问题非常有限,提出基于状态空间模型的可靠性方法进行小样本预测。首先通过在线监测技术获得反映设备状态的信号,运用小波分析方法提取监测信号的小波包能量,选取趋势明显符合设备状态变化的相关频带能量作为设备退化指标。然后对这些特征指标进行滑动平均滤波处理,提高退化特征的信噪比,将其作为状态空间模型的输入对模型参数进行估计,从而建立退化指标的状态空间预测模型,最后预测退化指标的概率分布并计算可靠度。结合滚动轴承试验数据和铣刀磨损数据验证方法的准确性和有效性,为小样本事件的可靠性预测提供一个有效方法。