基于次优网络深度学习的3D打印机故障诊断

为实现精度可靠且成本节约的3D打印机故障诊断,采用消费品级的姿态传感器采集打印机的健康状态数据,并提出次优网络深度学习以弥补低成本硬件精度的不足。次优网络深度学习在由预训练和精细调节组成的传统深度学习基础上,一方面提出预分类方法自适应确定次优的网络结构参数,另一方面采用精细分类方法进一步提高故障诊断分类的精度。试验中,将姿态传感器安装于并联臂3D打印传动链的末端即打印头上。传感器全部通道的运动信号作为输入信息,采用深度玻尔兹曼机构建了次优网络故障诊断算法进行大数据驱动的故障诊断。将所提出的次优网络深度学习故障诊断方法与其他方法相比较,其结果表明,所提出方法可以有效诊断3D打印机的传动故障。     

一类两个边界带谱参数的正则Sturm-Liouville算子的基本解的渐近分析

研究了一类具有转换条件且两个边界条件中带谱参数的正则Sturm-Liouville问题.应用常数变易法导出Sturm-Liouville初值问题的一对线性无关的基本解的表达式,然后将该问题的基本解的渐近分析,转化为考虑定义在适当的Hilbert空间H中的一个线性自伴算子A的基本解的渐近分析,并推导出该正则的Sturm-Liouville算子A的基本解的渐近式和整函数的渐近式.     

具有多种运动方式的小型模块化双手爪机器人MiniBibot

受尺蠖等动物攀爬动作的启发,开发了一款舵机驱动的具有多种运动方式的小型双手爪机器人MiniBibot.采用模块化方法设计和搭建了机器人系统,以攀爬杆件为控制实例介绍了用户程序开发的步骤和方法.然后根据该机器人的构型,提出了5种可实现的运动方式,并分析了各自的特点和应用.最后通过一系列实验,充分展示和验证了所提出的双手爪机器人系统及其运动方式的有效性和可行性.     

基于选择性加权适配网络的多域新故障识别方法

针对深度迁移学习诊断方法要求机械设备训练数据与测试数据具有相同类别空间,同时难以有效识别新故障的问题, 提出了一种基于选择性加权适配网络的多域新故障识别方法。 所提方法利用一维卷积神经网络提取源域与目标域深度判别特 征,并集成领域判别器与多分类器结构,构建源域与目标域权重函数,自适应度量源域与目标域类别的相似程度;从而利用对抗 学习策略来有效减少源域与目标域共享类数据的分布差异;最后利用高斯分布拟合方法自动判别权重阈值,实现对目标域已知 故障和新故障的有效诊断。 在齿轮箱变工况迁移诊断任务上对所提方法进行分析与应用验证,并与现有的其它方法进行比较, 所提方法在所有任务上的调和平均值(E-score)达到 0. 8 以上,验证了所提方法的有效性与优越性。     

空间直线基元在双目立体视觉系统中重建方法的研究

在机器视觉的工程实践的很多场合中,以直线基元为基础的三维重建,不但会提高检测系统的效率、有利于实现在线检测,而且能够解决一些特定环境下三维重建的难题。为满足如此需求,对以直线为基元的三维重建进行分析与研究,按照立体视觉的物理意义,推导了直线三维重建的模型,并据此完成了实验系统搭建。实验研究表明,所构建的系统能够实现直线基元的三维重建,并具有较高的精度,可以满足工程实际应用的精度要求。     

旋流驱动微粒转动的性能与实验

分析了旋流产生的机制及其驱动微粒运动的机理,建立了颗粒在旋流中的力学模型。以微米级的颗粒(几微米到几百微米)为例,分析了两支微管对向喷射所产生的旋流场的特点和颗粒在旋流场中的受力情况以及运动特点和运动规律。讨论了颗粒的尺寸、形状、位置变化对其旋转性能的影响,并通过实验验证了提出方法的可行性。分析和实验表明:两支平行微管相对喷射可以产生旋流,旋流可以驱动颗粒在其流场内稳定旋转。颗粒在旋流场内的运动性能与流场参数和微粒的形状、尺寸、偏心有关,减小颗粒的初始位置的偏心,减少公转成分,有利于颗粒姿态的捕捉和调整。即使颗粒参数变化,合理匹配流场参数,提出的方法仍然可以可以稳定地驱动颗粒转动。     

双侧远心线阵视觉系统的动态扫描成像标定

目前对于由双侧远心镜头和线阵相机组成的成像系统标定方法的研究较少,尤其是考虑动态扫描情况下的双侧远心线阵成像系统标定.文中首先对线阵相机扫描方向做类投影变换处理,进而结合仿射成像建立了双侧远心线阵成像系统的几何成像模型;之后,分析了影响成像效果的各类畸变因素,包括扫描方向速度波动导致的畸变以及成像镜头畸变;接着,给出了所提成像模型的内外参数求解方法及标定流程;最后,通过真实标定实验和仿真实验对所提方法的有效性进行了验证.结果表明该方法可有效实现双侧远心线阵成像系统行、列两个方向的标定,标定后的重投影误差小于1个像素.     

基于改进YOLOv5s网络的实时输液监测

针对现有输液监测方式无法同时监测输液速度和输液余量的问题，提出一种基于改进YOLOv5s网络的实时输液监测方法。在原有网络的基础上，融合Mixup数据增强，提高网络的泛化能力；以ACON-C作为激活函数，设计一种基于改进EfficientNetV2的轻量化主干网络，用于改善网络模型表达能力；特征融合阶段引入注意力机制，强化小目标液滴特征；通过Cluster-NMS方法对候选框进行分组集群以区分相似的液位和滴管特征。实验结果表明，所提方法与YOLOv5s相比，参数量下降了31%,mAP提升了1%。在复杂输液环境中，能够实现高精度实时监测输液速度和输液余量。