改进注意力机制的滚动轴承故障诊断方法研究

针对滚动轴承在实际工作环境中噪声较大和负载变化的问题,提出一种基于双注意卷积机制的残差神经网络(DACM_ResNet,double attention convolution mechanism ResNet)轴承故障诊断方法;首先,对滚动轴承振动信号进行短时傅里叶变换(STFT,short-time fourier transform)并使用伪彩色处理得到三通道图像数据;然后,对残差神经网络在轴承故障诊断上进行研究,在残差单元的卷积层之后,使用DACM模块,将残差特征在通道和空间维度上进行进一步提取,最后,在凯斯西储大学(CWRU)数据集上进行试验验证,试验结果表明所提出的方法在噪声环境下及负载变化时,平均诊断准确率达到了98%以上,说明所提出的模型有较好的鲁棒性。

复杂环境基于YOLACT电缆识别与定位

目前,电力公司的电缆维护都是人工完成的。人工维护不仅工作量大、效率低,而且存在很大的安全问题。随着机器视觉的快速发展和机器人技术在各行各业的广泛应用,将机器人和视觉技术应用于电缆的自动维护已成为一种必然趋势。本文提出了一种基于YOLACT模型的双目电缆识别与定位方法,该方法首先利用改进的YOLACT网络对复杂环境下的密集电缆进行识别和分割,然后对电缆分割图像进行边缘优化与提取,最后利用得到的电缆边缘特征对双目图像中的相同目标进行匹配,从而实现复杂环境下对电缆的识别与定位。与传统的YOLACT模型相比,本文提出的电缆候选框相关度计算方法可以很好地解决识别密集电缆时出现的漏检和误检问题,提高了电缆识别的准确率。

基于回归分析理论的盘式制动器制动温度预测研究

针对盘式制动器制动温度过高导致的摩擦制动失效问题,文章借助ANSYS软件建立了盘式制动器温度场仿真模型,并结合回归分析方法进行非线性回归分析,计算了不同初始速度下制动盘的最高温度。结果表明,制动最高温度和初速度之间近似为线性关系,有限元仿真与回归分析的结果基本吻合,预测结果和有限元分析结果相对误差仅为1.7%,验证了所建立的温度预测模型是可靠的,为制动器设计过程中的温度预测提供参考。