LargeVis降维与马氏距离结合的谐波减速器健康评估方法

谐波减速器作为工业机器人核心部件,其性能是影响工业机器人加工精度的重要因素之一。由于其结构复杂且性能衰退具有强非线性,难以直接通过传统失效物理模型等理论计算方法对健康性能进行分析。为此,提出一种基于流形学习的降维方法,实现对谐波减速器健康状态的量化评估:该方法提取不同状态下的原始信号时域特征作为高维输入向量,利用LargeVis流形学习方法将高维数据的内蕴流形在低维空间中得到表征,并构造马氏距离度量,建立状态数据与健康值之间的非线性映射关系,最终得到健康评估结果。通过加速寿命试验进行验证并与其他常见方法对比,该方法状态识别准确率高,鲁棒性更好,可快速实现数据可视化,能有效应用于机器人用谐波减速器的健康评估。

一种基于损失预测的双主动域适应算法研究

近年来深度学习在图像分类任务上取得了显著效果,但通常要求大量人工标记数据,模型训练成本很高.因此,领域自适应等小样本学习方法成为当前研究热点.通常,域适应方法利用源域的经验知识也仅能一定程度降低对目标域标记数据的依赖,因此可以引入主动学习方法对样本价值进行评估并做筛选,从而进一步降低标记成本.本文将典型样本价值估计模型引入域适应学习,结合特征迁移思路,提出了双主动域适应学习算法D_AcT(Dual active domain adaptation).该算法同时对源域与目标域数据进行价值度量,并挑选最具训练价值的样本,在保证模型精度的前提下,大幅度减少了模型对标签数据的需求.具体而言,首先利用极大极小熵和核心集采样方法,用主动学习价值评估模型挑选目标域样本,得到单主动域适应算法S_AcT(Single active domain adaptation).随后利用损失预测策略,将价值评估策略适配至源域,进一步提升迁移学习知识复用有效性,降低模型训练成本.本文在常用的四个图像迁移数据集进行了测试,将所提两个算法和传统主动迁移学习及半监督迁移学习算法进行了实验对比.结果表明双主动域适应方法所需标记源域数据可减少50%以上,且准确率较传统方法最大提升了4%.系列实验验证了本文所提方法的可行性和有效性.

负载敏感技术在采煤机自适应调高上的应用

采煤机自适应调高对煤炭开采的自动化和高效率有着重要的影响,该文将压力补偿阀应用在采煤机液压调高系统上,油缸的流量不受负载的影响而只取决于阀口的开度,该方法解决了因负载变化引起的流量的不确定性问题,使得滚筒的自适应调高的控制精度更高。

管端加厚液压机振动分析及消除措施

该文介绍了用于石油钻杆加工的管端加厚液压机。针对该液压机流量大、压力高和运动惯量大所造成的稳定性能差、换向卸荷振动冲击大等问题,通过对其系统原理与工作振动现象进行深入的分析,发现充液阀无法充分卸压和卸压延时不足是其产生振动冲击、造成稳定性能差的主要原因;最后提出了合理有效的技术方案,解决了该液压机油缸卸压回程时产生的振动冲击,提高了其工作时稳定性能。

巧用物理分析提升运动成绩

生命在于运动,物理无所不在。物理崇尚的是对生活现象的深刻认识。就连走和跑这样司空见惯的动作,物理都能帮助我们更深刻地认识其本质的不同:'步行实际上是一连串的向前倾跌,只不过能够及时把原来留在后面的脚放到前面去支撑罢了';而奔跑的时候有两脚都是悬空的瞬间,它是'一连串的从一只脚到另一只脚的飞跃'[1]。