考虑内、外圈复合故障的角接触球轴承振动特性研究

为描述考虑内、外圈复合故障角接触球轴承的振动特性,建立了角接触球轴承内、外圈复合故障时变位移激励模型;基于非线性Hertz接触理论,建立了角接触球轴承时变刚度模型;提出了考虑内、外圈复合故障的角接触球轴承动力学计算方法,研究了不同参数和工况条件下复合故障轴承的振动响应规律。研究结果表明:随着故障尺寸和轴承载荷的增大,复合故障轴承的振动特征频率不变,但其幅值增大;随着轴承转速的增大,复合故障轴承的振动特征频率及其幅值均增大;故障位置的变化将对复合故障轴承的振动特征产生很大影响,故障处越接近承载区,轴承的负载越大,振动特征越明显。

一种改进的概率霍夫直线检测算法

针对概率霍夫直线检测算法检测速率不高、检测精度易受其他特征和连续间断线干扰的缺点,提出了一种改进的概率霍夫直线检测算法。改进后的算法将注意力集中在直线可能存在的若干个区间,提升了检测速率与精度,在直线检测全过程监控并剔除连续间断线,提升了算法的抗干扰能力。经过100组铝锭边缘线检测的实验验证,改进后算法相较原算法平均检测速率提升至1.77倍,查准率提升至1.45倍,且改进后算法在其他图片上的检测速率和检测效果相较原算法也有明显提升。

基于机器视觉的镍板材表面缺陷检测研究

针对电解法提纯镍板材表面出现的质量缺陷,设计改进Canny的缺陷检测方法。利用双边滤波使图像去噪保边,研究一种增强梯度的掩模并融入Sobel中形成双层卷积核,增强缺陷边缘梯度,弱化缺陷内部及背景区域的梯度。采用分水岭算法代替非极大抑制与形态学边缘连接算法进行边缘细化。实验结果表明:本算法对镍板缺陷的检测效果优于经典算法和其他几种改进算法。

表面局部缺陷角接触球轴承弹流润滑性能研究

根据高速角接触球轴承自旋的运动特征,同时考虑轴承高速摩擦生热的影响,建立了表面具有局部缺陷的角接触球轴承弹流润滑模型。采用多重网格法获得弹流润滑各参数数值解,同时计算出轴承油膜刚度。研究了自旋、热效应和表面局部缺陷对球轴承弹流润滑性能的影响规律,计算结果表明:考虑自旋条件时,轴承的油膜厚度减小、压力增大,油膜刚度增大;随着轴承温度升高,轴承油膜厚度减小,油膜压力和油膜刚度增大;当润滑油流经轴承表面局部缺陷时,缺陷区域轴承润滑油油膜厚度增大,油膜压力减小,而非缺陷区域轴承最小油膜厚度减小,最大油膜压力增大,油膜刚度增大。

一种点云分割金属铸锭的定位方法

针对AGV叉车搬运金属铸锭过程中的精准定位问题,提出了一种金属铸锭表面三维点云分割算法,主要包括预处理和点云分割两个步骤。预处理步骤对初始点云进行压缩和精简,点云分割步骤采用点云重分配方式改进RANSAC算法,解决了分割过程中的错分割和欠分割问题。实验结果表明,算法对目标金属铸锭三维点云分割具有较好的分割效果且用时较短。

结合改进ResNet与迁移学习的风力机滚动轴承故障诊断方法

为解决实际应用中风力机滚动轴承故障训练样本严重不足的问题,提出一种基于改进残差神经网络与迁移学习的小样本滚动轴承故障诊断模型。首先,该模型将挤压与激励网络嵌入到一维残差神经网络中,增加了模型的特征提取能力;其次,使用源域数据对所搭建改进残差神经网络模型进行训练,确定结构和参数,并使用L2正则化和Dropout机制抑制过拟合;然后,引入迁移学习,冻结使用源域数据训练好的部分模型参数,使用少量目标域数据对模型的全连接层参数进行微调;最后,对不同故障的样本进行分类。该方法在凯斯西储大学轴承数据集和本实验室轴承数据集上进行实验验证,实验结果表明:在不同实验条件下,所提方法与其他方法的计算结果进行比较,其均有更高的故障诊断准确度和更强的泛化能力。

优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用

针对传统基于深度学习的故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题,提出了一种基于深度可分离残差网络(Depthwise Separable Residual Network,DS‑ResNet)的滚动轴承故障诊断方法。采用快速傅里叶变换(Fast Fourier Transform,FFT)将滚动轴承一维振动转换到频域进行表示;利用深度可分离卷积(Depthwise Separable Convolution,DSC)计算复杂度低和逐点卷积(Pointwise Convolution,PWC)能增强网络非线性表达的优点,分别代替传统深度残差网络中的两个标准卷积层,构建出优化后的DS‑ResNet模型。将各类故障状态下的频域信号作为DS‑ResNet模型的输入进行识别分类,结果表明,在信噪比为-4 dB的强噪声环境中,识别准确率达到92.71%;在变转速工况下,平均识别准确率可达90.19%,高于其他常用深度学习诊断方法,且模型每轮的训练时间仅需2.16 s,证明了所提方法具有更好的抗噪性能、泛化性能和更高的诊断效率。

基于组合模型的电主轴热误差预测

针对数控机床电主轴复杂的热变形机理,建立了基于径向基函数神经网络的组合预测模型预测其变化趋势。根据测量的电主轴热变形数据,分别采用自回归分析模型、灰色系统模型和智能组合预测模型对主轴热误差进行了预测。结果表明:电主轴热误差组合预测模型的预测准确性优于各单项模型,相对预测精度高出较高单项预测模型3%。

数控机床电主轴热误差的预测方法

为了减少电主轴的热误差,提高数控机床的加工精度,对于时变速度的主轴运转,分别采用多元自回归方法和遗传径向基函数神经网络方法建立电主轴热误差预测模型.根据2种模型对电主轴热变形产生机理的不同表述形式,比较二者的计算效率和拟合精度.研究表明:在相同温升变量的条件下,二者的收敛速度和运算时间相差无几;在预测精度方面2种建模方法实测值和预测值的相对误差均小于3%,但具体预测范围不同,对短期预测精度要求高的情况选用自回归模型较好,而遗传神经网络模型更适合于对中长期预测要求高的情况.

两种工况下电主轴热误差的组合预测模型

为了有效地提高数控机床电主轴热变形模型的预测精度,在2种典型工况下,根据电主轴结构热变形的产生机理,提出了一种基于模糊逻辑的组合预测模型.该模型综合了由自回归分析理论和灰色系统预测理论所建立的热误差模型,采用模糊逻辑选取权值,使各单项预测模型能够扬长避短,从而增强了组合预测模型的泛化能力.通过对电主轴热变形工况下的实验结果与计算结果的比较表明,在单项预测模型中的工况1下,灰色系统预测模型的相对误差较小(6.9%),在工况2下,自回归预测模型的相对误差较小(12.1%),而组合预测模型在2种工况下的相对误差分别为2.2%和8.9%.因此,组合预测模型具有较高的精度和较强的鲁棒性.

基于多参数耦合的滚动轴承油膜刚度分析

针对传统经验公式难以准确反映滚动轴承正常工作时油膜刚度动态变化的问题,根据滚动轴承运行时油膜状态分布,基于非Newton流体弹流润滑理论,考虑表面粗糙形貌、热效应、时变效应等因素,建立滚动轴承油膜刚度计算模型。通过数值计算,得到一个完整工作周期内油膜压力、膜厚、温度和刚度变化规律。结果表明:油膜刚度在一个周期内呈非线性变化,并随载荷、黏度、表面粗糙度幅值的增大而增大,随卷吸速度的增大而有所减小;油膜刚度的振荡频率随表面粗糙度波长和粗糙表面纹理走向与轴承滚动方向夹角增大而增大;滚动轴承正常工作时,油膜的温升最大,内圈次之,滚动体最小且不可忽略。

基于多元自回归模型的电主轴热误差建模与预测

为了减少电主轴的热误差,提高数控机床的加工精度,考虑热变形不仅与自身若干期的滞后值有关,还与当前温升及其滞后值有关,提出采用多元自回归方法建立电主轴热误差模型。首先将观测序列进行差分处理,剔除线性趋势项,然后利用Akaike判据获得自回归模型的阶数,用最小二乘法求得自回归模型的系数,最后用建立的自回归模型预测电主轴热误差,并通过试验验证该模型的有效性。试验结果表明基于位移的热误差自回归模型比基于温度的热误差多元线性回归模型有更好的精度。

基于DSM的协同设计过程规划方法

围绕产品协同设计过程中协同任务的定耦与解耦问题,将整个项目划分为粗粒度规划和细粒度规划两大阶段.根据图论中的路径搜索法构建强连通图,并将其向矩阵映射,建立强连通矩阵,从而确定出耦合任务集,完成粗粒度规划;考虑任务间灵敏性和可变性对其相互影响的程度,提出用改进的结构灵敏度分析法对耦合任务集解耦,确定出任务组内各任务的执行顺序.以车身产品设计过程的案例验证了所提方法的有效性和实用性.

基于小波包层次熵的电主轴振动信号特征提取方法

为了对电主轴运转时振动信号特征进行更有效的提取,提出了基于小波包层次熵的电主轴特征提取方法.首先对电主轴振动信号利用小波包变换进行分解、重构,得到若干节点信号;然后计算不同节点信号的样本熵值,构成其小波包层次熵值;最后通过小波包层次熵值提取电主轴振动信号特征.计算结果表明:与傅里叶变换方法相比,基于小波包层次熵的分析方法不仅考虑了时间序列的低频成分,同时也考虑了其高频成分,可有效地提高特征提取的准确率,更精确和完整地描述电主轴振动信号的特征,为提取电主轴振动信号特征提供了一种快速有效的新方法.

码垛机械手运动学分析

以自行研制的码垛机械手为分析对象,运用D-H法建立机械手的运动学数学模型,进行正、逆向运动学分析,分别得出了操作臂末端在基坐标系下的位置关系式和各关节的参数变量;最后根据机械手末端速度与关节变量速度之间关系分析,得出机械手的雅可比矩阵和逆雅可比矩阵。

基于MTF-CNN的滚动轴承故障诊断方法

针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了MTF-CNN滚动轴承故障诊断模型。首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像,然后将特征图作为卷积神经网络(CNN)的输入进行自动特征提取和故障诊断,最后实现对不同故障类型的分类。为了验证所提方法的有效性和优越性,选用凯斯西储大学滚动轴承数据进行试验验证,并在负载改变时和不同数据集规模下对所提出方法的泛化性能进行测试,同时与传统智能算法进行对比分析。结果表明,相较于其他常用的故障诊断方法,所提出模型在数据集较小、负载改变的环境下对滚动轴承故障诊断具有更好的泛化性能和识别效果。

小样本下自校正卷积神经网络的滚动轴承故障识别方法

针对实际工程中因故障样本数据稀少而导致模型识别准确率不高的问题,提出了一种基于自校正卷积神经网络(SC-CNN)的滚动轴承故障诊断模型,并将其应用于小样本条件下的故障识别研究。首先,为减少不同信号的数据分布差异,在每个卷积层后添加BN算法;其次,利用自校正卷积学习信号的多尺度特征,提高模型获取有用故障特征的能力;然后,引入通道自注意力机制,建立通道特征信息之间的相关性,用于突出故障特征并抑制数据过拟合;再将少量训练样本输入到模型中进行学习;最后,将各类不同条件下的故障信号输入到训练好的SC-CNN模型进行识别分类,并在两个数据集上进行实验验证。结果表明,所提模型在信噪比为-4 dB的强噪声环境下,识别准确率分别为98.64%和99.83%,在变工况条件下,识别准确率分别为94.37%和99.64%,验证了SC-CNN模型在小样本条件下具有较强的鲁棒性和泛化性能。

考虑热效应的局部缺陷角接触球轴承动态特性研究

针对高速运转时具有局部缺陷角接触球轴承运行工况复杂而难以准确描述的问题,本文以外圈具有局部缺陷的角接触球轴承为研究对象,建立考虑热效应和高速效应的局部缺陷角接触球轴承拟静力学模型和接触刚度模型,研究在不同影响因素下的角接触球轴承动态特性。结果表明:考虑热效应时,轴承的接触载荷和接触刚度都有明显的增大;局部缺陷的轴向角度越大,滚动体陷入缺陷的深度越大,缺陷区域的接触刚度越小;局部缺陷的环向角度越大,滚动体陷入缺陷的数量越多,非缺陷区域接触载荷越大。

铝锭连续铸造机组中冷却运输机驱动装置的改进

简要分析铝锭连续铸造机组中冷却运输机的驱动装置原结构存在的问题,并从力学角度分析其原因,提出了改进措施,并对改进后的结构进行了分析,提出其特点,最后介绍了改进后的使用效果。

冷却运输机驱动方式改进前后分析

简要分析冷却运输机的驱动装置改进前后的驱动力情况。通过比较可知,改进后的驱动方式将减速箱的输出套筒直接连接在冷却运输机的主动轴上,取消了原结构上动力输入轴,减少了传动环节,这样消除了油缸回程运动引起的间隙误差和传动冲击,提高了冷却运输链的运输精度和使用寿命。