一种平面闭链腿式机构的尺度参数优化设计

以Theo Jansen机构输出的足端轨迹为目标,对一种新型平面闭链腿式机构的尺度参数进行优化。利用基本杆组法建立了该新型机构的运动学模型,根据新型机构和Theo Jansen机构的结构特点,利用曲柄摇杆机构的极限位置条件,将设计变量数目减少为一个;以两机构的足端轨迹偏差最小为目标,以各尺度参数间的几何关系为约束,建立了单目标优化问题,并利用一维搜索法得到优化结果。在此基础上,设计了一种八足移动机器人并搭建实验样机,验证了设计结果的可行性。

三自由度拟人并联机构的尺度参数优化研究

为提升并联机构的运动学与静力学综合性能,提出了一种基于空间模型技术的并联机构多目标尺度参数优化方法。首先,根据人机工程学设计了一种2-PUS/RS三自由度并联机构,并基于螺旋理论分析了机构2种类型支链的自由度,计算了并联机构的自由度;采用欧拉角描述了动平台姿态,推导了机构的位置反解;在肘、腕关节的转动副和驱动器约束条件下,利用搜索法得到了机构的工作空间;然后,定义了角速度传递、角速度各向同性性能评价指标,绘制了评价指标在工作空间中的等高线分布图;最后,利用空间模型技术无量纲化尺度参数,绘制了各项全域性能图谱,并采用加权求和法对其进行了多目标参数优化,得到了机构的最优结构参数。研究结果表明:优化后机构的各项指标大幅提升,全域角速度传递性能、力矩传递性能和各向同性性能分别提高了16%、80%、40%,验证了该尺度参数优化方法的有效性。

基于聚类和多尺度优化的超球体核距离评估的航空发动机性能衰退

针对发动机性能评估参数存在多重共线性且数量过多的问题,提出一种依据类间方差和距离判别的聚类方法。将相似个体化为一类,并取类中均值作为分析对象,大大减少了参数维数;在支持向量数据描述(Support Vector Data Description)算法基础上,引入超球体核距离度量,将多参数转化为单参数,解决了参数过多相互矛盾的问题。特征空间上一点与超球体中心的距离表征发动机的性能衰退程度,并给出了性能开始衰退与性能明显恶化的阀值曲线。考虑聚类后类中参数对发动机性能评估的贡献不同,提出基于改进粒子群算法优化多尺度核函数参数和惩罚因子C。仿真结果表明:考虑了多尺度参数后,发动机性能状况较单尺度参数能更好的符合实际使用情况。聚类后多尺度参数与原参数的评估结果基本一致。

2RUPaR-2RRU并联机构性能分析与尺度优化

提出了一种新型面对称两移动两转动2RUPaR-2RRU并联机构,应用旋量理论分析其自由度,并确定了其运动特性。该机构可作为振动筛的本体结构。建立机构位置分析模型,得到位置逆解解析表达式;应用矢量法分析机构速度,得到输入、输出Jacobian矩阵,并据此分析了机构奇异位形;应用输入、输出传递指标评价机构运动和力传递性能,给出有效传递姿态工作空间和有效传递位置工作空间(Effective transmission positional workspace,ETPW)的定义和数值计算方法。以ETPW最大为目标,建立机构尺度参数约束优化模型,并应用差分进化算法求解该问题;给出了机构尺度优化设计实例。结果表明,模型和算法可行有效,优化后的机构ETPW明显增大。

一种可变构型六足机器人设计

针对野外复杂地形的探测任务,提出了一种可变构型六足机器人。该机器人通过腿部形态变化,可实现爬行和滚动两种运动模式的切换,兼具快速通过性和良好环境适应性。以前腿为研究对象进行了运动学分析,推导出其位置正反解公式以及雅可比矩阵;随后,利用蒙特卡洛法求解出足端工作空间。为综合评估机器人性能,以工作空间、机构灵巧度及刚度为性能指标进行分析,提出了一种多目标优化设计模型,并据此开展尺度综合优化,获得最优结构尺度参数。研究结果表明,优化后,前腿工作空间增大了1.28%,全域灵巧度增大了22.50%,刚度增大了42.80%。最后,根据优化结果制作了样机,为后续研究奠定了基础。

基于信息熵-模糊谱聚类的非均质碎屑岩储层孔隙结构分类

提出基于信息熵-模糊谱聚类算法的孔隙结构自动分类技术,应用谱聚类算法解决凸分布聚类问题,实现全局收敛,有效避免"维数灾难"。根据信息熵理论对谱聚类算法中的尺度参数进行优化,得到孔隙结构类型。在此基础上,结合模糊数学算法得到每个样本对孔隙结构类型的隶属度,根据隶属度最优法则(样品对某一类孔隙结构的隶属度大于70%)确定不同样本所属孔隙结构类别。研究结果表明:该算法所得孔隙结构分类结果与试油、试采等生产测试结果十分吻合,工程应用效果十分明显。

轴承故障的排列熵特征提取与GK模糊识别方法

为了提高轴承故障诊断准确率,提出了参数优化多尺度排列熵的特征参数提取方法和加权GK模糊聚类的识别方法。在特征提取方面,以多尺度排列熵序列偏度最小为优化目标,使用多作用力微粒群算法优化多尺度排列熵参数,实现了排列熵特征参数在轴承不同故障状态下的完全分离;在故障识别方面,提出了加权GK模糊聚类的识别方法,使用ReliefF算法计算特征参数权重,为高敏感度特征参数赋予更大的权值,从而提高GK模糊聚类的聚集度。经轴承故障实验验证,文章提出的排列熵特征参数提取和GK模糊聚类识别方法在此次实验中能够精准识别轴承故障类型,说明文中提出的特征提取和模式识别方法具有一定借鉴意义。

基于FVMD多尺度排列熵和GK模糊聚类的故障诊断

针对设备故障信号的非线性、非平稳特征,提出了基于快速变分模态分解、参数优化多尺度排列熵和特征加权GK模糊聚类的故障诊断方法。首先,在变分模态分解的基础上,引入快速迭代的思想,提出快速变分模态分解方法,以减少算法运行时间与迭代次数;其次,针对多尺度排列熵算法的参数确定问题,综合考虑参数之间的交互影响,提出一种基于多作用力微粒群算法的参数优化方法,并通过快速变分模态分解和参数优化多尺度排列熵算法提取故障特征;之后,考虑到样本特征矢量中各维特征在聚类过程中的贡献不同,提出基于ReliefF特征加权的GK模糊聚类方法,由特征加权GK模糊聚类确定标准聚类中心,通过择近原则实现故障模式的分类识别;最后,以在机械故障试验平台上采集到的轴承不同故障类型的振动信号为研究对象,应用所提方法进行分析。结果表明,相对于改进前的变分模态分解、多尺度排列熵和GK模糊聚类方法,本文所提方法不仅能够有效提取故障特征,还能准确实现故障模式的分类识别,而且故障识别率得到提高。