基于参数优化VMD的齿轮箱故障特征提取方法

为解决齿轮箱故障振动信号信噪比低、故障特征提取难的问题,提出了基于参数优化变分模态分解(VMD)的齿轮箱故障特征提取方法。首先,以分解结果的局部极小包络熵最小为目标,利用果蝇算法搜寻VMD分解参数K和α的最优组合;将原始信号分解成若干IMF分量,从中选择包络熵较小的分量进行信号重构,并对重构信号进行包络解调运算,从重构信号的包络谱中提取故障频率特征。结果表明,利用此方法对实测信号进行处理,成功降噪、提取齿轮箱故障特征,并且比利用经验模态分解方法降噪效果更好,提取的故障特征更加明显。     

基于滑动平均与分段线性回归的时间序列相似性

针对时间序列相似性度量中欧氏距离对异常数据敏感以及DTW距离算法效率低的问题,提出基于滑动平均与分段线性回归的时间序列相似性方法。首先,使用初始可变滑动平均算法以及分段线性回归对原始时间序列进行数据变换,并将分段线性回归的参数(截距与距离)集作为时间序列的特征,以实现时间序列的特征提取和数据降维;然后,利用动态时间弯曲距离进行距离计算。该方法在时间序列相似性上与DTW算法的性能相近,但是在算法效率上几乎提高了96%。实验结果验证了该方法的有效性与准确性。     

滚动轴承故障检测深度卷积稀疏自动编码器建模研究

针对机械设备故障诊断大多采用有监督学习提取故障特征,而有标签数据难以获取的现状,提出一种在稀疏自动编码器中嵌入卷积网络的深度神经网络。利用希尔伯特和傅里叶变换实现机械设备振动时间序列向Hilbert包络谱的转换,通过卷积网络中多组卷积核自动学习谱空间数据的不同特征,保证了特征提取的自动化、全面性和多样性,稀疏自动编码器搜索具有正交性数据特征的低维表示,并使得编码后的数据具有很强的聚类特性,实现设备的自动故障诊断。通过对滚动轴承振动信号进行分析实验,证明该方法在设备故障诊断中具有去标签化、自动化、鲁棒性等特点。     

基于APF的AGV局部路径规划改进算法研究

针对原有人工势场法（artificial potential field,APF）在局部路径规划时的避障效果不良问题,提出一种APF-PSO的改进算法改善原算法优化路径规划的效果。将速度势场引入位置势场中使AGV（automated guided vehicle）动态避开不同速度的移动障碍物;当算法陷入局部最小值时,采取PSO（particle swarm optimization）算法,并对其惯性权重因子和学习因子做出调整,通过三次样条曲线插值来平滑路径,使得AGV找到最短路径。结果表明APF-PSO改进算法可根据障碍物速度不同动态避障,解决了APF算法运算中避障效果不良问题。     

神经网络在智能火灾预警系统的应用

提出了综合利用多种传感器准确判断火焰状态的算法.在神经网络算法下,根据一氧化碳传感器、烟雾传感器和温度传感器数据,对火焰状态进行分类.使用有限内存的拟牛顿(L-BFGS)优化算法对传统反向传播(BP)算法进行改进,加快了神经网络的收敛过程,有效提高了系统精度.实验验证了算法能够有效降低火灾预警系统的误报率,增强系统安全报警的灵敏度和可靠性,实现了实时有效的火灾预警.     

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

针对滚动轴承振动信号非平稳、非线性特点以及特征提取困难问题,提出一种基于变分模态分解(VMD)与深度卷积神经网络相结合的特征提取方法并应用于滚动轴承故障诊断。利用VMD将原始振动信号分解得到若干不同频率的限带本征模态分量,通过卷积网络中的多组卷积核自动学习各模态数据的不同特征,保证了特征提取的自适应性、全面性和多样性。在特征提取的基础上,使用全连接神经网络进行故障分类与诊断。将所提方法应用于滚动轴承故障诊断,结果表明,该方法在变工况情况下能够实现滚动轴承故障类别以及损伤程度的精确判定。     

基于ROS的临场可重构排爆机器人系统架构研究

在面对危险爆炸环境时,排爆机器人的临场任务具有多样性,根据不同的临场任务,机器人会在自身本体硬件的基础上,在现场对模块化组件进行快速组装,即机器人硬件方面的临场可重构。利用机器人操作系统(ROS),针对不同的硬件模块组合,进行软件重构是临场可重构机器人的软件特性。提出了一种基于ROS的临场可重构排爆机器人软硬件架构模式,在面对复杂环境时,操作人员能够根据现场不同的任务要求,对模块化设计的排爆机器人进行组装,形成硬件重构;而系统软件根据硬件模块的组装情况进行软件自重构,从而使排爆机器人具备完成不同任务的能力。排爆机器人的这种软硬件架构设计模式使得机器人在实际工作中表现出高效性、鲁棒性和自适应性。     

基于ROS的奶油裱花机器人系统架构设计

面向奶油食品快速成型制作,为了降低奶油裱花食品制作对于劳动力的需求,提出了一种基于ROS的奶油裱花机器人,可应用于奶油裱花食品制作过程中的裱花工序,保证奶油裱花产品制作的质量稳定。针对奶油裱花制作过程中的特点和对于柔性的需求,融合了工业机器人、ROS、惯性导航等相关技术,对该奶油裱花机器人的硬件组成、软件架构、示教数据处理结构进行了设计。通过使用奶油裱花机器人,操作者能够轻松地实现对裱花制作过程进行示教和再现。该奶油裱花机器人硬件组成主要由示教装置、六轴工业机器人、挤出系统、上位机四大部分组成,软件架构是以ROS为基础进行设计的。     

基于物联网和边缘计算的高校机房在线监测

为了解决高校机房人力监管效率低、自适应调节能力差、机房能耗高等问题,通过分析高校机房监管现状,研究利用物联网对机房环境及能耗情况等进行远程自动监测;针对因物联网网络边缘设备量迅速增加而导致的泽字节（ZB）数据量,提出在高校分布式机房监测系统中应用边缘计算的方法,并提出了机房物联网的架构模型和边缘计算模型,给出了机房热环境、能耗等关键参数的监测方法。针对机房监管、测试、使用和节能服务等环节,给出了相应的解决方案,为高校节能、机房安全提供了一种新思路。     

VMD和t-SNE相结合的滚动轴承故障诊断

滚动轴承故障诊断普遍采用有监督学习的方式,针对有标签数据难以获取的问题,提出一种VMD分解与t-SNE流形学习相结合的滚动轴承故障诊断方法。利用VMD分解将滚动轴承原始振动信号分解为若干本征模态分量(IMF);计算每个模态分量的时频特性指标组成高维故障特征,通过t-SNE对故障进行二次特征提取,获取低维敏感特征并将其作为K-means分类器的输入,实现故障类型的识别。将该方法应用到滚动轴承故障诊断中并与VMD+PCA、原始时频特征+t-SNE两种方法进行对比,结果表明VMD+t-SNE方法以无监督学习的方式实现了故障诊断的去标签化和自适应性,同时提高了故障诊断的准确性。