基于改进SAGGAN模型的齿轮故障分类方法研究

针对齿轮故障样本获取困难,导致深度学习驱动故障分类模型的可靠性和准确性不足这一问题,提出了一种基于改进自注意力门单元生成对抗网络(SAGGAN)的半监督齿轮故障分类模型。首先,为增强改进SAGGAN模型的特征表示能力,提升齿轮故障的半监督分类效果,在自注意力生成对抗网络(SAGAN)的基础上,引入了门控通道转换模块(GCT)、改进自注意力门控模块(SAG)和预训练的Inception V3分支;然后,使用齿轮故障实验装置采集齿轮断齿、磨损、周节误差和正常四种状态下的振动信号,并将数据划分为训练集、验证集与测试集;最后,将计算结果与现有的半监督分类方法:TripleGAN、Bad-GAN、Reg-GAN、SF-GAN进行了对比,并对改进模块进行了消融实验研究。研究结果表明:在标签样本为40、60、80、100时,改进SAGGAN模型的整体分类准确率分别为89%、90%、92%、94.25%,远高于其他四种方法,特别在只有少量标签样本情况下的优越性更为明显。以上结果揭示了改进的SAGGAN模型在齿轮故障分类领域中的实用性和优越性。

圆钢表面图像采集系统设计及关键技术研究

设计了一种以型钢产品中的圆钢为研究对象的表面图像采集系统。开发了多个高速相机环形布置的成像技术,实现圆钢表面图像360°全方位采集。针对高温生产环境,设计了对镜头与光源的热保护装置。对于不同尺寸的圆钢,设计了相机成像自动对中对焦系统来获取清晰图像。设计采用了高强度OPT机器视觉组合光源系统确保图像整体照度均匀。同时设计了计算机及硬件系统。实验表明,系统能够实现高温、高速圆钢生产过程中全规格圆钢表面的质量监控,可快速、直观地获取缺陷图像及其位置。计算机系统存档服务器的设计方便了缺陷图像数据的信息存储与查询,能为后续产品质量缺陷的分析提供有效的图像信息。

面向再制造的废旧机械零件三维点云模型分类方法

批量再制造加工过程中废旧机械零件种类繁多,同类零件区分度低且损伤状态不确定,导致对其在线识别与分类的精度较低,为此本文提出一种结合聚类算法和深度学习网络的废旧机械零件三维点云模型分类方法。首先提取废旧机械零件的三维点云空间特征,根据距离函数计算样本点与中心点的距离,并建立基于K-Means聚类的废旧机械零件簇三维点云分类模型;然后构建空间变换网络和多层感知器,采用Point-Net网络建立同簇废旧机械零件的三维点云精细分类模型。实例验证结果表明,本文方法对废旧机械零件簇的分类准确率为100%,对盘盖、箱体、轴等3种废旧机械零件的精细分类准确率分别为97.78%、98.24%和97.11%,并且与K-Means聚类算法以及基于其他3个主流深度学习网络的分类模型相比,本文方法在同簇废旧机械零件精细分类的精度上具有明显优势。