液压减振器故障-参数集的知识表达及映射

液压减振器由于具有内部高压、管路封闭及结构复杂等特点,导致其参数可测性差,从而限制了其故障诊断技术的发展。在AMESim中搭建液压减振器仿真模型的基础上,通过分析液压减振器各组成间的功能、零件故障模式及其影响和各功能零部件间的耦合关系,确定映射规则并建立故障现象与底层故障参数集之间的映射,之后对液压减振器的故障知识管理应用、故障模式注入和故障参数集的优化进行了研究。最后通过油液内泄漏故障现象的参数集表达及动态特性分析实例,验证了故障参数集表达方法。     

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时，数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测，提出了一种基于并行多通道卷积长短时记忆网络（PMCCNN-LSTM）的剩余使用寿命预测模型。该模型主要由两部分组成：前端为并行多通道卷积网络（PMCCNN），提取信号特征，挖掘数据的时序特性，并采用逐层训练和微调的方式提升参数的收敛性；后端为长短时记忆（LSTM）网络，基于特征进行剩余使用寿命预测，并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性，实验结果表明：所提模型的平均误差与最大误差分别比传统的卷积神经网络（CNN）低23.38%和15.84%，比传统的LSTM低24.14%和19.01%，比卷积长短时记忆网络（CNN-LSTM）低30.32%和23.09%。     

基于特征选择的轨道车辆轴承温度预警方法

在现有轨道车辆轴承温度预警研究中,因监测数据复杂度不一致导致特征难以选择,同时现有预警方法往往只能在轴承故障发生前的几分钟进行预警,为此,提出一种基于特征选择的轨道车辆轴承温度预警方法.首先采用皮尔逊系数计算特征相关性后分析引入关联轴承,然后依据线性相关性将低线性相关特征数据与关联轴承数据一起输入LightGBM模型,以对特征进行再次选择;其次,利用大量正常状态下的履历数据,基于深度学习模型双向门控循环单元构建轴承温度预测模型;最后利用某轨道车辆实测数据进行预警方法验证.结果表明:对于正常轴承,轴承温度预测模型的温度预测值和实际值的差异小于4℃且稳定;而对于异常轴承,在轴承故障发生前的数小时即可发现两者间存在大于4℃以上的持续显著差异.     

实时碰撞检测算法综述*

介绍了常用的基于图形的实时碰撞检测算法适用场合及实施策略,重点从构造难度、数据存储量、相交测试复杂度、紧密性、物体旋转时包围盒更新计算量、变形体碰撞适用度等方面分析了基于包围盒的碰撞检测算法,并进行了横向比较;介绍了基于图像的碰撞检测方法的特点、实施策略及研究现状。最后总结提出了算法研究中存在的问题及新的发展方向。     

物料搬运小车基于虚拟现实的远程操作仿真研究

针对物料搬运作业的现实工作环境，运用虚拟现实技术，以码头货场为背景，利用VC 编程并结合WTK虚拟现实软件开发包，构建了小车取物交互式虚拟工作平台。通过对受控取物小车进行几何建模和运动建模，并结合远程操作技术，实现了小车的运动可控性及其与主机通讯的实时性。通过设置其运动参数和监控参数再现了仿真过程的实时性和真实感。在此基础上，对图像和三维场景融合及人机接口技术进行了探索。     

基于多分辨率建模技术的轴箱设计分析一体化

传统的轴箱设计方法人为的将设计与分析过程分开,降低了设计质量和效率。采用基于特征的多分辨率建模技术并对其改进,实现了轴箱的设计分析的一体化集成。应用实例表明:使用生成的轴箱多分辨率模型,能够满足轴箱设计分析过程中的不同需求,实现轴箱的快速设计与分析评价,保证了设计质量,提高了设计效率。     

机车车辆虚拟样机调度平台设计与开发*

简要介绍了机车车辆虚拟样机的发展现状,针对机车车辆虚拟样机系统协同设计的需求,提出了机车车辆虚拟样机调度平台,基于研究现状对该平台进行了功能的完善.按照协同的观点规范了机车车辆虚拟样机各部分的任务,并采用数据管理、子系统调控、文件管理、工作流管理、系统安全等技术,研究了基于产品数据管理的机车车辆虚拟样机调度平台的关键技术,开发了分布式网络工作环境下协同的机车车辆虚拟样机调度平台.通过初步试运行,表明该平台能有效地支持分布式网络工作环境下机车车辆虚拟样机的协同开发.     

一种基于TC-CAE的轴承寿命预测方法EI北大核心CSCD

在预测轴承的剩余使用寿命(remaining useful life,RUL)时,能否有效提取退化特征是实现准确预测的关键之一。轴承的个体异质性和工况差异性导致退化特征曲线不同,同一特征的变化趋势在不同轴承上是具有差异的,从而导致训练轴承建立的RUL预测模型与测试轴承不匹配。在提取特征时应当考虑轴承的个体差异性,减少轴承特征的个体差异性有利于提升预测精度。为了促进同一特征在不同轴承上的趋势一致性,减少退化特征的轴承个体差异性,提出了一种基于趋势一致性约束卷积编码(trend consistency convolutional auto-encoder,TC-CAE)的轴承寿命预测方法。通过构造趋势一致性约束,并和卷积自编码相结合,形成了TC-CAE特征提取模型。预测流程为先用TC-CAE模型在频域信号内提取特征,再用长短期记忆网络(long short-term memory,LSTM)预测。在一个轴承公开数据集上进行试验,试验结果表明,相比于普通卷积自编码方法的预测结果,该方法的综合平均误差降低了21.1%,相比于特征评价方法和卷积神经网络方法分别降低了35.6%和25.9%。     

一种基于特征聚类和评价的轴承寿命预测新方法

在预测轴承寿命时,使提取的特征和剩余寿命保持高相关性,并使不同的特征之间保持低相关性,是有利于提升轴承寿命预测精度的。为解决单一的特征评价方法对后者考虑不足的问题,提出了一种基于相关性改进Kmeans聚类算法(correlation-based improved Kmeans cluster algorithm, Corr-Kmeans)和初始聚类中心确定方法,并与特征评价相结合,最终提出一种基于特征聚类和评价的轴承寿命预测新方法。首先利用卷积自编码对频域信息提取初始特征,用Corr-Kmeans对初始特征按相关性进行聚类,使得聚类后的特征类内相关性高,而类间相关性低;其次,使用相关性、单调性和鲁棒性3个指标来综合评价每一类中的特征,按照筛选阈值将得分较高的特征从每一类中分别选出,组成用于训练与预测的特征子集;最后采用LSTM(long short-term memory, LSTM)网络对轴承剩余寿命进行预测。在一个轴承加速寿命试验的公开数据集上使用留一法进行验证,利用对比试验证明了该方法在预测轴承剩余寿命上的有效性。