含柔性吸附材料的攀爬机器人振动特性与稳定性分析研究

为了提升攀爬机器人壁面运动稳定性从而提高其工程应用能力。针对攀爬机器人壁面运动过程的振动与动力学耦合特性问题,本文设计制作了一种含柔性吸附材料的攀爬机器人。基于刚柔耦合原理,获得刚性体与柔性体运动学递推关系,利用拉格朗日原理建立攀爬机器人动力学方程。推导得到反应动力学耦合程度的数学模型。通过仿真分析得到运行相同位移情况下,通过调整加减速时间比例使得机器人振幅下降35%,分析得到一定范围内攀爬机器人刚性质量与吸附材料弹性模量增加通过降低动力学耦合程度降低攀爬机器人振动响应。通过样机实验测量了攀爬机器人负载能力与不同运动阶段真空度与流量的稳定性。研究为攀爬机器人的驱动控制策略与工程应用奠定基础。

攀爬机器人动力学建模与分析

针对一种攀爬机器人越障过程中动力学特性与真空模块力系平衡问题,建立了一种基于李群李代数与旋量理论在越障运动过程中攀爬机器人动力学特性分析方法。通过指数积空间的形式推导得到了空间速度雅可比矩阵进而减少因微分求导而产生的奇点,基于李群李代数与旋量理论通过拉格朗日方程建立了物理意义明确、计算复杂度低的动力学方程,建立了真空模块的力学模型,求解得到直角面越障过程中真空模块的最佳吸附力,并应用coppeliasim仿真求解出机器人关节驱动力矩,验证了李群李代数与旋量理论建模的正确性及动力学模型的有效性,通过吸附实验验证了真空模块吸附能力。

基于小波卷积与注意力机制的RV减速器齿轮箱故障诊断

在变负载工况下,RV减速器齿轮箱的特征提取存在困难,且其故障模式也难以得到识别。针对这一些问题,提出了一种基于Laplace小波卷积网络(LWNet)和注意力机制(ATT)的变工况下齿轮箱故障诊断方法(模型)。首先,基于Laplace小波变换原理设计了小波卷积层(Laplace Net),代替传统卷积神经网络第一层,对输入信号进行了自适应特征提取,以获得更明显的冲击特征;然后,将注意力机制引入模型卷积网络,以增强故障信息权重,以SoftMax作为分类器进行了故障诊断;为了提高模型的稳定性,每层卷积后接归一化层(batch normalization,BN),对特征进行了归一化处理,使用Dropout(0.5)防止过拟合;最后,使用RV减速器齿轮箱的数据集对基于LWNet和ATT的方法(模型)进行了验证。研究结果表明:基于LWNet和ATT的方法(模型)能够自适应地定位故障信号的冲击信息,在定负载条件下,其平均诊断准确率高达99.92%(相比于经典的深度学习模型与近期的方法,其准确率提高了3.25%~12.26%),该方法具有更高的诊断效率;在变负载条件下,该方法的平均准确率也可以达到98.09%。基于LWNet和ATT的方法(模型)解决了变工况条件下减速器齿轮箱振动信号特征提取困难的问题。

基于信息融合的稀疏自编码故障诊断

针对目前大多数机械故障诊断中单一振动加速度信号特征提取对先验知识要求高和对时域、频域信息利用不充分等问题,提出了一种基于信息融合的稀疏自编码故障诊断方法。首先,对振动加速度信号进行频域积分得到速度和位移信号,同时计算加速度信号的频谱;其次,将频谱、速度、位移三种信号融合成一个复合信号;最后,将复合信号作为稀疏自编码网络的输入进行深度特征提取,利用SoftMax分类器进行状态识别。通过调整不同比例的输入信息来调整模型,并与传统的稀疏自编码故障诊断模型相比,结果表明,所提方法能有效识别滚动轴承故障和RV行星轮故障,且在减少网络层数的同时能够提高识别准确率。

融合迁移卷积神经网络的跨域滚动轴承故障诊断

为了解决传统的机器学习算法在不同工况下跨平台的滚动轴承故障诊断中容错率和诊断精度低的问题,提出了基于连续小波变换(CWT)算法与迁移学习(TL)算法相融合的滚动轴承故障诊断方法。该方法通过提取不同工况下跨平台的滚动轴承故障时域信号分别作为源域样本和目标域样本,并通过CWT算法将振动信号转化为二维信号。其次将故障信号通过核函数将源域样本和目标域样本映射到再生希尔伯特空间,以多核最大均值差异(MK-MMD)距离为度量标准,优化迁移过程的卷积神经网络(CNN)的损失函数,减小迁移后源域样本和目标域样本的分布差异。最后将适配的源域和目标域样本通过CNN模型进行模式识别,实现不同工况下跨平台的滚动轴承故障迁移诊断。经过实验验证,本文所提方法相较于其他方法,显著提高了不同工况下跨平台的滚动轴承故障诊断精度和鲁棒性。

自适应VMD联合MOMEDA的滚动轴承故障提取

针对强背景噪声下滚动轴承微弱故障特征提取问题,提出了一种基于参数自适应优化变分模态分解(VMD)与多点最优最小熵解卷积(MOMEDA)相结合的轴承故障特征提取方法。首先对滚动轴承时域振动信号进行VMD分解,然后基于自相关函数脉冲谐波噪声比指标(AIHN)最大化原则进行挑选得到最佳模态分量(BIMF)并对其进行MOMEDA滤波,包络解调后得到故障特征频率,最后将本文所提方法体应用于数值仿真信号上可以明显观察到故障特征频率131.1 Hz,应用于实际轴承故障信号可以有效识别轴承故障特征频率294.5 Hz,与原始包络谱提取的311 Hz以及MCKD提取的320 Hz相比更加接近理论故障特征频率294 Hz。

基于SincNet网络结合注意力机制齿轮箱故障诊断

针对传统卷积神经网络(CNN)在齿轮箱中故障诊断准确率不高、特征提取方面表现欠佳的问题,提出了SincNet网络结合注意力机制齿轮箱故障诊断方法。首先,采用参数化的Sinc函数设计滤波器作为卷积层来代替传统CNN的第1个卷积层,得到SincNet网络结构,提取输入数据的特征信息;其次,结合具有Softmax的注意力机制(Att)增强特征信息。最后,采用齿轮箱故障数据集对所提出的方法进行实验验证,结果表明,所提方法平均诊断准确率达到99.68%,均高于对比方法。此外,通过特征图可视化分析,该方法能够准确定位输入数据中的识别信息,能更好地理解神经网络的特征提取过程,为机械振动信号的特征提取过程提供了参考。

双通道信息融合的机械旋转部件混合故障诊断

为了实现机械旋转部件的混合故障诊断具有较高准确性,提出一种变工况下双通道信息融合的旋转部件混合故障诊断方法。其信号同时包含滚动轴承和齿轮振动信号。通道1的振动信号进行广义S变换生成二维信号,以特征图作为通道1的模型输入;通道2将旋转部件的时域信号作为特征输入,双通道输出层随机特征融合,通过对整个双通道卷积神经网络(CNN)模型参数的微调,实现变工况下旋转部件混合故障状态的诊断识别。结果表明,所提方法能够有效地运用于旋转部件混合故障识别诊断,与一维、二维卷积神经网络以及其他机器学习方法对比,所提方法故障识别准确率最高,达到98.18%。

基于激光雷达与RGB-D相机融合Gmapping建图研究

针对移动机器人单激光雷达或RGB-D相机Gmapping建图时存在的障碍物检测不完全或建图效果不理想等问题,提出一种激光与相机融合Gmapping建图策略。首先,对相机点云和激光点云进行预处理,然后通过点云库(PCL)进行点云融合、滤波,采用点对线的迭代最近点(PL-ICP)算法进行相邻帧点云配准,以提高匹配精度和速率;接着,为了提高里程计精度,对视觉里程计、激光里程计采用Kalman滤波算法进行融合,对融合后的数据与轮式里程计进行动态加权二次融合;最后,在搭建好的移动机器人上验证所提方法。实验结果表明:与激光建图和相机建图方法相比,所提方法的障碍物检测率提高了32.03个百分点和19.86个百分点,地图的尺寸误差分别减小0.014 m和0.141 m,角度误差分别减小1°和3°;与原始里程计相比,里程计精度提高了0.12个百分点。