基于STFT和CNN的齿轮箱故障诊断

针对浅层机器学习方法应用于齿轮箱故障诊断故障识别率低的问题,提出一种基于短时傅里叶变换和卷积神经网络的齿轮箱智能故障诊断方法。对齿轮的振动信号进行短时傅里叶变换得到时频图并输入到CNN故障诊断模型,根据模型输出的结果给出齿轮箱的故障状态,从而实现齿轮箱的故障诊断。在齿轮箱动力学模拟实验台采集多种不同故障齿轮的振动信号进行实验验证。实验结果表明:该方法能有效识别齿轮的故障状态,故障诊断准确率能够达到100%。

基于虚拟仪器技术的物流分拣机器人

为保证物流分拣机器人的稳定性和可拓展性,该文提出一种基于虚拟仪器技术开发的磁带引导物流分拣机器人。该机器人以嵌入式设备myRIO为控制核心,LabVIEW为基础开发软件,包含了视觉识别模块、侧翻预警模块、定位导航避障系统、高位自卸机构等。各模块由上位机统一进行控制与编程设计,操纵机器人实现预定功能。

基于CWT-CNN的齿轮箱运行故障状态识别

针对传统故障诊断中提取的特征不具有自适应能力、很难匹配特定故障的问题,提出了一种基于连续小波变换(CWT)和二维卷积神经网络(CNN)的齿轮箱故障诊断方法。该方法对齿轮箱故障振动信号采用连续小波变换构造其时频图,以其为输入构建卷积神经网络模型,通过多层卷积池化形成深层分布式故障特征表达。利用反向传播算法调整网络各层的结构参数,使模型建立从信号特征到故障状态之间的准确映射。在不同工况和不同故障状态下的实验中,故障识别准确率达到了99.2%,验证了方法有效性。采用这种自适应学习信号中丰富的信息的方法,可以为故障诊断智能化提供基础。