形态滤波优化算法用于滚动轴承故障诊断

为了有效地从非线性、非平稳性的滚动轴承振动信号中提取有用的信息成分,提出了一种优化的形态滤波算法-Elman神经网络相结合的方法。首先,采用局域均值分解(LMD)将轴承振动信号分解成若干PF(product runction,简称PF)分量之和;然后,利用峭度最大准则选取PF分量,再用自适应多尺寸多结构元素形态滤波器对其进行滤波解调,进而提取出能量特征向量,作为Elman神经网络的输入参数;最后,区分滚动轴承故障状态和故障类型。仿真分析和试验研究表明,该方法能够有效地提取出滚动轴承的故障特征,与传统的高频共振解调方法相比效果更加明显,与小波包分析-BP神经网络故障诊断方法对比,显示出其具有更高的识别率,更加表明其可行性和有效性。

一种组合型中点SPWM采样方法的研究

提出一种组合型中点不对称规则采样法,只需在三角载波的波峰(或波谷)进行采样,利用数学中线性组合的原理构造出波谷(或波峰)的"采样点",再根据二分法的原理求得SPWM波开关点的时刻值。详细阐述了该方法的基本理论,并得出产生SPWM波开关点的运算方程。理论分析与仿真研究表明,与传统的规则采样法相比,该方法的SPWM算法更简单,采样点更少,开关点时刻值的误差和负载电流THD更小,且输出的基波幅值更大。所以,该方法对传统的规则采样法进行了优化,更加逼近了自然采样法的调制效果,易于在DSP上实现,并且运算速度快,具有良好的工程应用价值。

基于零力控制的机器人标定技术研究

机器人标定是提高机器人控制精度的关键技术之一,测量手段是制约其发展的重要因素。为提高控制精度和标定可操作性,针对一种6R型机器人,首先基于封闭运动链建立了双机D-H运动模型,可以更好地描述机器人不同关节的几何关系。随后,将零力控制与标定过程相结合,利用零力控制可以减小关节磨损、提高离线示教效率的优势,为关于标定方法的研究提供了可实施方案。实验结果表明,增加零力控制后的双机标定可以提高机器人的控制精度。

一种新型四阶S型轨迹规划算法的研究与应用

提出了一种四阶S型运动轨迹规划的新方法,根据给定参数计算得到最大速度三阶导数作用时间,最大加加速度作用时间和最大加速度作用的时间,通过循环计算的方式得到加速阶段所运动的距离与速度,以加速阶段所达到的速度作为最大速度计算得到最大速度作用的时间.此时,由浮点型转整型数据所产生的误差也可以在其最大速度的匀速阶段得到补偿,最后,减速阶段的数据由S曲线加减速控制中速度曲线的对称性得到.该算法在基于倍福PLC的三动子运料平台中进行了验证,实验表明,提出的S型运动轨迹规划算法在不用过多保存曲线数据的情况下也能获得平滑的速度和加速度,有效地提高了系统的柔性,同时简化了算法的实现,大大地节省了PLC的资源.