某型复杂工程机械变速箱体复合工艺约束机加工线平衡研究

为解决机加工生产线平衡问题所包含的加工任务刀具需求、机床类型需求、加工方位约束、“紧密”型和“或”型约束等复杂条件,建立了机加工生产线平衡数学模型,并采用含多重筛选机制的粒子群算法进行了求解。首先,建立了满足此复杂实际约束条件的机加工生产线平衡问题数学模型;然后,采用粒子的位置坐标作为粒子群搜索的权重信息,进行了加工任务、集中任务的选取,并设计了多重筛选机制构造启发式任务集生成规则;采用此规则对待分配加工任务进行了多重筛选,以得到可供直接分配的加工任务集合,粒子群算法(PSO)从此集合中依次选取了加工任务,构成了完整的解,并形成了具体的任务分配方案;最后,为提高程序的实用性和可视性,设计了加工任务的甘特图生成模块,通过对某复杂工程机械变速箱体零件的实际案例研究,将简化后的任务信息代入算法进行了求解。研究结果表明:该方法实现了多组平衡率高于90%的优化结果,在节拍时间为1120 s时,得到94.66%的较高平衡率,排产方案表格内容与甘特图显示一致;算法推演结果满足设定的多种复合约束条件,通过与人工排产对比说明了该算法的有效性并具有较好的经济性、实用性;对柔性生产案例进行探讨,证明该算法运算结果具备一定的生产柔性。

基于改进变分模态分解和优化堆叠降噪自编码器的轴承故障诊断

针对滚动轴承在噪声干扰下故障特征难以提取的问题,提出一种改进变分模态分解(VMD)和复合缩放排列熵(CZPE)的特征提取新方法,并利用优化堆叠降噪自编码器(SDAE)进行故障分类。首先,提出由“余弦相似度—峭度—包络熵”新综合评价指标自适应优化分解参数的改进VMD方法,并通过该指标筛选分解后的本征模态函数(IMF)分量;然后,为提取更全面的故障特征,引入新的复合缩放排列熵对各有效IMF的故障特征进行量化;最后,提出一种基于鼠群优化算法(RSO)与麻雀搜索算法(SSA)的混合算法优化SDAE网络超参数,将故障特征输入优化后SDAE网络中得到分类结果。采用美国CWRU轴承数据集进行验证,实验结果表明该方法能全面稳定地提取背景噪声下的故障特征,且与其他方法相比具有更好的抗噪性能和更高的故障诊断准确率。

基于多传感数据融合的变速运行齿轮异常振动故障诊断

变速运行齿轮异常振动故障诊断性能过差会增加汽车维护成本,缩短齿轮使用寿命。为了及时识别齿轮故障,保证汽车变速器总成具有良好的振动特性,提出基于多传感数据融合的变速运行齿轮异常振动故障诊断方法。通过分析多传感器数据融合技术,掌握变速运行齿轮异常振动故障诊断的理论框架,并以此为基础,参考传感器融合模块、特征级并行多神经网络局部诊断模块和终端分类模块,结合变分模态分解、多通道加权融合和单隐层前馈神经网络训练算法,从信号采集、信号特征提取和信号特征分类3个步骤实现变速运行齿轮异常振动故障诊断。实验结果表明:在齿轮发生轻度磨损时,磨损振动信号的幅值在20~40 mV之间,磨损振动信号的频率在0~4000 Hz区间;中度磨损时,信号的幅值在30~55 mV之间,信号频率在3000~7000 Hz区间;重度磨损时,信号幅值在50~70 mV之间,信号频率在6000~12000 Hz区间,且各阶段诊断结果均与故障程度的实际转折点吻合。由此可知在各样本数量均相同的情况下,提出的故障诊断方法预测值与真实值均相同,故障程度和故障类型的诊断性能均较好。

基于RobotStudio的视觉分拣打磨工作站仿真设计

为解决中小型零件混流自动化生产等问题,提出基于RobotStudio的工业机器人视觉分拣打磨工作站的仿真设计方案。根据零件的生产工艺流程,利用UG软件创建视觉分拣打磨工作站的整体布局;通过分析工作站各个模块功能,设计了各模块的结构;利用RobotStudio软件构建了工作站仿真模型。以视觉引导Smart组件和输送链跟踪仿真为例,阐述了ABB工业机器人通过视觉引导获取工件空间位姿的四元数和欧拉角的转换方法,并介绍了视觉拍照、机器人与工业相机通信等动态仿真的设置过程,以及输送链跟踪动态效果的设置方法。为实现工作站全过程仿真,设计了整体工作站逻辑,编制了仿真工作站离线程序,并将仿真工作站同步到实验平台调试验证。该设计可为智能制造生产线的设计、制造及应用提供参考。

数模联动的多特征工件加工能耗预测方法研究

在实际切削加工过程中材料去除率是不断变化的,现有将其视为恒量的能耗建模方法难以实现能耗准确预测。为了提高切削过程能耗预测精度,提出了一种基于材料去除率的数模联动加工能耗预测方法。首先,基于切削过程刀具与工件的接触关系分析了切入、完全切入和切出阶段材料去除率变化规律,并对相应的加工能耗特性进行了分析;其次,提出了数据驱动的刀具切入,切出阶段加工能耗预测方法,以及模型驱动的完全切入阶段加工能耗预测方法,实现加工过程能耗准确预测;最后,利用实验案例验证了所提模型及方法的有效性,为今后研究能耗预测精度奠定了基础。

基于稀疏编码的复杂机械振动信号盲分离方法

复杂机械振动信号激励源较多,故源信号之间互为相关源,且较难满足统计独立特性,导致传统盲源分离方法分离效果不佳。对此,提出一种基于信号稀疏编码的机械振动信号盲分离方法。盲源分离的关键在于对混合矩阵的精确估计,然而机械振源中相关成分的存在严重影响混合矩阵的估计。对此,首先对观测信号进行短时傅里叶变换,增加信号稀疏性;然后利用稀疏编码筛选出具备直线聚类特性的时频观测点,利用K均值(K-means)聚类法找到聚类中心;最后利用所提筛选规则找到估计的混合矩阵,重构出源信号。通过对往复压缩机故障数据的分析,验证了所提方法有效性。

一种永磁同步电机模型失配容错控制算法

针对高精度永磁同步电机驱动系统因转动惯量、摩擦系数与磁链参数失配造成其控制精度和稳定性降低的问题,提出了一种基于有限时间收敛扩张状态观测器的无模型滑模容错控制方法。首先,建立了考虑内外不确定性的永磁同步电机转速环超局部模型,并设计了无模型全局积分终端滑模控制器;其次,设计了有限时间收敛扩张状态观测器来降低模型失配带来的影响;最后,通过与其他方法的仿真和实验对比,验证了所提方法能够在不获取精确模型的情况下实现了对多种模型失配与外部扰动工况的容错控制,并提高了电机的控制精度。

GhostConv轻量级网络设计及故障诊断研究

提出一种GhostConv轻量级网络模型并将其用于故障诊断。GhostConv利用常规卷积生成一小部分特征图,然后在生成的特征图上进行多次特征提取来生成其余特征图,最大程度地节约了常规卷积中生成冗余特征图的成本,减少了模型参数,保证了模型的性能。采用连续小波变换对振动信号进行时频变换生成二维时频图,之后利用设计的GhostConv搭建轻量级网络模型进行故障诊断。采用凯斯西储大学轴承数据集进行验证,并与其他卷积结构网络模型进行参数量、计算量以及识别准确率的对比。实验结果表明,与其他模型相比,所使用的网络模型在参数量和计算量较少的条件下依旧有较高的识别精度,且具有较好的鲁棒性和泛化能力,具有一定的工程应用价值。

基于改进残差网络的风电轴承故障迁移诊断方法

针对风电轴承故障源域数据和目标域数据特征分布不同而导致的故障诊断精度偏低问题,提出一种利用改进残差神经网络进行风电轴承故障迁移诊断的方法。该方法将卷积核和池化核设定为与一维振动信号卷积运算相适应的尺寸,从振动信号直接提取轴承的故障特征;在一维残差网络中同时使用批量归一化和实例归一化,进一步增强模型的特征提取能力;在模型训练阶段,通过源域数据和目标域数据的多核最大均值差异构建新的损失函数,以提高模型在不同分布数据集上的迁移学习及分类能力。利用故障轴承实验数据对方法的有效性进行验证,结果显示,即使受到轴承变转速运行工况和故障振动信号含噪声干扰成分的双重影响,该方法仍然可提取出轴承故障的重要特征,并实现不同工况轴承故障的迁移诊断和准确分类,这对于发展复杂环境下的旋转机械智能故障诊断技术具有参考价值。

多尺度熵方法在机械故障诊断中的应用研究进展

机械设备状态监测与故障诊断的关键是故障特征的表征与提取,采用基于熵及相关方法建立的非线性动力学指标能够提取蕴藏在振动信号中的非线性故障特征信息。自熵方法引入以来,通过不断修改和改进来提高熵估计的准确性,多尺度熵进一步拓展了时间序列其他尺度上包含的复杂度信息,其在设备状态监测与故障诊断中得到广泛应用。本文对单一尺度熵及多尺度样本熵、多尺度模糊熵、多尺度排列熵和多尺度散布熵等多尺度熵方法在机械智能故障诊断中的应用进行综述,总结不同方法的特点优势与不足;针对多变量数据处理问题,综述由单变量推广到多变量的多元多尺度熵的应用发展过程。最后结合多尺度熵相关方法在机械智能故障诊断中面临的问题与挑战,对未来发展方向进行展望,即在工业大数据应用、故障机理、可解释性角度构建基于熵的深度学习模型。

基于声信号递归Hilbert变换的轴承故障诊断研究

轴承缺陷检测与损伤程度检测一直是旋转机械领域内非常重视的问题,虽然目前针对振动信号的研究已经取得相当好的结果,但是对于难以安装振动传感器的情况,诊断效果仍需改进。针对强背景噪声下故障轴承产生的声音,提出一种基于递归Hilbert变换和一维卷积神经网络的诊断方法来提取抽象特征并进行模式识别。卷积神经网络结构中引入了全局平均池化层来加速网络的运行。最后,通过数据集验证了所提方法的有效性,与其他常用分类方法进行对比,验证了该方法的优越性。结果表明:所提算法不仅能够准确识别轴承的损伤部位,而且能够准确区分部件的损伤程度。

基于新型自适应滑模观测器的PMSM无传感器控制

为了实现无位置传感器控制策略在永磁同步电机中的应用,在传统滑模观测器的基础上提出了一种改进型的自适应滑模观测器算法。提出的改进型自适应滑模观测器中使用更平滑的sigmoid函数取代了传统的符号函数,并结合反电动势的自适应律有效地减少了提取的反电动势中包含的高频分量,避免了低通滤波器在使用过程中带来的抖振和相位延迟现象。最后反电动势中包含的转子位置信息与速度信息通过锁相环提取。为了验证模型的可行性,基于MATLAB/Simulink搭建了仿真模型进行了仿真分析,并以TMS320F28377芯片为核心搭建了永磁同步电机硬件实验平台进行实验验证,仿真与实验结果验证了该方法的有效性和实用性。

融合角点检测的点云配准研究

为提高点云配准效率,提出一种基于点云曲率信息的Harris角点提取算法,通过引入曲率约束,对传统Harris角点提取做出改进;计算每个点的曲率值并与整幅点云的平均曲率作比较,保留曲率值大于平均曲率的点云,实现对配准价值较低的点的剔除,为后续点云配准减少计算量;构建所提取角点之间的特征匹配,结合采样一致性(sample consensus initial alignment, SAC-IA)粗配准和正态分布变换(normal distributions transform, NDT)精配准,寻找最优的变换矩阵,实现源点云和目标点云的重合。通过比较不同算法在公开数据集上进行实验验证,结果表明该方法对复杂点云、多拐点点云都有较好的表现,对初始位置相差较大的点云也有良好的适用性。

基于总线同步的多驱动系统漏电流分析与抑制

多驱动系统中漏电流的大量存在是影响数控加工装备长期稳定运行的重要因素,提出了一种邻消抑制措施,能够有效减少多驱动系统中漏电流,避免漏电保护装置频繁触发。该措施采用PWM调制策略,将空间位置相邻的两个驱动单元的共模电压矢量方向反向,以抵消它们之间的高频共模电压分量,从而有效地抑制了多驱动系统的漏电流。主要创新之处采用了一种软件控制的方式实现了对多驱动系统漏电流的抑制,该措施不但可以有效地抑制漏电流,而且实现成本低。实际测试平台的结果表明,邻消抑制措施在多驱动系统中能够有效降低70%~80%的漏电流,保证了多驱动系统的稳定运行。

高精度液体注配料控制方法研究

为提高香精研发过程中配方试制精度,保证配方生产一致性,提出一种液体注配料控制方法。设计撞针行程可调节注料阀,通过常开和单点双模式注料以适应配料质量要求。常开模式采用顺馈+模糊PID控制;单点质量模式依据供给压力和撞针行程对单点质量的影响,建立单点质量控制模型。并分别进行仿真验证及模型优化。试验结果表明,当撞针行程和供给压力分别为0.1 mm和0.3 MPa时,单点质量为1.8 mg,配方试制过程中,常开控制偏差在5%以内,注料整体偏差在0.2%以内,重复精度<0.2%,满足实验室配方试制研发需求。研究对保证液体注配料精度具有重要意义。

采用激励轨迹实现机器人关节伺服动刚度的辨识

针对传统伺服动刚度辨识方法操作繁琐且阶跃力矩加载方式存在安全隐患等缺点,提出一种采用激励轨迹实现工业机器人关节伺服动刚度辨识的方法。该方法以五阶傅里叶级数轨迹为激励轨迹输入,通过使用最小二乘法对采集的关节位置和关节电机力矩等数据拟合辨识获得工业机器人关节伺服动刚度和动力学模型参数,并以其计算关节伺服扰动力矩。采用提出方法与传统辨识法所获伺服动刚度来进行扰动力矩补偿,并依据补偿后轨迹位置跟踪误差来评判两种辨识方法的优劣。在工业机器人平台上分别对单关节运动和六个关节运动的扰动力矩补偿实验,结果表明提出的激励轨迹辨识方法获得伺服动刚度的精度优于传统辨识方法所得伺服动刚度的精度。

永磁直线电机驱动XY平台精密轮廓跟踪控制

为了减少高速进给率条件下轮廓跟踪过程中产生的轮廓误差,提出了一种将PDFF位置控制器与模糊交叉耦合控制器相结合的控制策略。首先,通过调节前馈增益,PDFF位置控制器可以综合利用PDF控制和PI控制的优点;其次,基于自由曲线轮廓误差模型来计算轮廓误差,并且提出一种以两轴的位置跟踪误差以及轮廓误差为输入的模糊交叉耦合器来减少轮廓跟踪过程中产生的轮廓误差;最后,空载与负载实验结果表明,与传统的交叉耦合结构相比,该方法在高速进给率条件下可以有效降低XY平台的轮廓误差,并且可以提高轮廓跟踪系统的鲁棒性。

基于MGCD的转子故障数据集降维方法

针对由于特征维数过高导致故障数据集分类困难及故障模式辨识精度偏低的问题,提出一种基于多图协同决策(multi graph collaborative decision-making,简称MGCD)的转子故障数据集降维算法。首先,在边缘Fisher分析(marginal Fisher analysis,简称MFA)算法框架基础上,通过建立近邻图和远邻图解决因单一图结构导致的故障类别局部不可分问题;其次,采用最大化散度加权差分方式去削弱小样本问题造成的影响;最后,利用两个不同结构型式的转子系统故障模拟数据集对算法性能进行了验证。结果表明,使用本算法对故障数据集进行降维得到的敏感故障数据集使故障类别之间的差异性更加突出,能够提高故障模式识别准确率,为提高旋转机械智能故障诊断技术水平提供一定的研究参考依据。

基于母线电流重构的空心杯BLDCM无位置传感器换相误差闭环补偿方法

为精确补偿无刷直流电机无位置传感器的换相误差,分析了换相误差与重构母线电流积分的相关性,设计了母线电流重构及滤波电路,得到了双重构母线电流在每个换相周期的积分值,并以电流积分差值作为换相误差表征量建立了闭环补偿控制系统,利用控制器输出量补偿换相误差,实现了换相信号相位的高精度闭环校正。相比传统方法,所提出的硬件电路可精确构建母线电流积分,准确表征电机换相误差,提高无刷直流电机的运行效率。最后通过搭建磁悬浮飞轮系统验证了所提方法的有效性。

基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法

压缩感知可有效降低机械状态监测信号的数据存储和传输压力,而现有压缩感知方法在故障诊断的应用中存在压缩效率低下、信号重构过程缓慢等问题。本文利用自编码网络与压缩感知的对应关系,提出了一种基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法。针对无噪声的故障信号样本难以获取的问题,提出一种利用故障机理构建数据集的方法,利用该仿真数据集训练得到的模型适用于不同工况下的实测轴承信号。构造网络层数由所需要的信号压缩率确定、隐含层与原信号的频率呈对应关系的深度卷积去噪自编码网络。截取训练完备的编码子网络(即深度卷积测量网络)代替传统的观测矩阵对滚动轴承振动信号进行压缩测量,实现压缩域的故障特征提取。仿真分析验证了所提数据集构造方法及压缩域特征提取方法的有效性。滚动轴承实验信号分析进一步验证了采用所提方法训练得到的深度卷积测量网络具有很好的泛化性,且能够在压缩率远低于传统压缩感知方法的情况下有效地提取轴承故障特征成分并进行故障诊断。