融合光纤感知的气动执行器夹持力控制策略研究

为了降低气动执行器夹持力/气压迟滞的影响,提高夹持力跟踪控制精度,提出一种基于Prandtl-Ishlinskii （P-I） 逆模型的前馈补偿结合模糊PID的控制策略。分析气动执行器的夹持力/气压迟滞特性,通过初载曲线法辨识迟滞模型参数,建立P-I逆模型;设计融合FBG力感知的模糊PID控制算法,基于自制的FBG传感器实现夹持力反馈,通过标定实验验证传感器的静态特性。在Simulink中构建前馈补偿和融合FBG力感知的模糊PID相结合的复合控制器,完成与传统PID以及模糊PID控制器的夹持力控制仿真对比。仿真结果显示：前馈补偿可以降低稳态误差,提高控制精度。最后,在气动执行器夹持力控实验平台上开展动态跟踪实验,验证了所设计复合控制器的有效性。     

基于改进的LSTM的工业机器人柔性关节迟滞建模

为了描述工业机器人柔性关节的复杂迟滞特性,搭建一个基于改进的LSTM的工业机器人柔性关节迟滞特性模型。结合迟滞特性的记忆特性,利用具有记忆特性的长短时记忆神经网络(Long Short-Term Memory, LSTM)构建出工业机器人柔性关节的LSTM迟滞模型。针对LSTM迟滞模型在描述其迟滞特性时存在幅值和相位误差的问题,为了进一步提高其模型精度,对LSTM进行改进,在LSTM迟滞模型之后串联一个RBF动态神经网络,对LSTM迟滞模型的幅值和相位误差进行补偿。根据数据实验的结果表明,改进的LSTM迟滞模型的建模与验证均方误差分别为0.024 7和0.064 3,与LSTM迟滞模型相比,所提出的改进的LSTM迟滞模型具有更高的精度。     

基于孪生网络结构的轴承故障诊断研究

针对轴承故障诊断中故障样本稀缺、深度神经网络模型在小样本条件下存在故障诊断准确度较低的问题，提出将深度神经网络扩展为孪生网络结构的框架，以提高在小样本条件下的故障诊断性能。孪生网络通过权值共享的骨干网络从样本对中提取特征，采用L₁距离判定样本对的特征相似度，实现轴承故障诊断。不同于传统深度神经网络，孪生网络采取输入样本对的方法，在故障数据不足的情况下，可以提高轴承故障诊断性能。分别将不同层数的卷积神经网络(CNN)与长短期记忆网络(LSTM)扩展为孪生网络结构，在实测轴承数据集上进行小样本故障诊断实验。实验结果表明，通过扩展为孪生网络结构可以提高故障诊断结果的准确率，孪生CNN网络比对应的CNN网络准确率平均提高1.08%,孪生LSTM网络比对应的LSTM网络准确率平均提高4.78%。     

多监控数据融合下的铣削刀具磨损量预测北大核心

提出多监控数据下的刀具磨损精确估计神经网络模型,将多传感器信号数据处理成三种时间特征数据,利用三个相同的子模型分别对特征数据进行处理,并作为多层全连通网络的输入,进而实现刀具磨损的最终估计。使用的子模型结合了Transformer模型和自注意力机制,利用长短期记忆网络(LSTM)增强了刀具磨损的数据获取能力,提高了模型的性能。通过实际铣削数据集的多个实验,验证了该方法的有效性,与其他方法进行了比较,验证了该方法的优越性。     

气动单向弯曲关节柔性手指静力学特性实验研究北大核心

某气动单向弯曲关节柔性手指由人工肌肉和弹性钢板并联组成,弯曲变形时具有大变形和非线性特点,静力学模型十分复杂且不利于控制。为便于实时精准控制,进一步简化手指静力学模型,并对其静力学特性进行实验研究。搭建静力学实验平台,对单肌肉驱动和双肌肉驱动两种不同驱动类型的柔性手指在不同限位面和等外载荷工况下分别进行夹持力和弯曲角度的对比实验。利用MATLAB对实验数据进行处理分析,得到手指夹持力和弯曲角度的经验模型。结果表明:气动单向弯曲关节柔性手指夹持力与弯曲角度、工作气压和驱动肌肉数目之间存在非线性关系;与静力学理论模型相比,该经验模型具有更高的精度,夹持力模型预测误差能控制在0.76 N内,弯曲角度模型误差可控制在6.9°内。     

六维腕力传感器的补偿模糊神经网络模型

本文基于神经网络可以对非线性系统的任意逼近能力，建立了六维腕力传感器的补偿模糊神经网络模型，仿真结果表明，这种补偿模糊神经网络对六维腕力传感器非线性系统逼近精度高，训练步数少，学习收敛速度快，误差曲线稳定，可作为六维腕力传感器标定或用于机器人基于腕力传感器力控制的动力学模型。     

基于改进长短期记忆网络的铣刀磨损量预测研究

针对铣刀磨损量预测精度低的问题，提出一种高精度铣刀磨损量预测方法。该方法通过遗传算法（GA）寻出长短期记忆网络（LSTM）的最优参数，并将参数输入LSTM实现改进模型GA-LSTM。采用时域、频域及时频域方法提取特征，应用皮尔逊相关系数法筛选出与铣刀磨损量高度相似的特征向量，输入GA-LSTM模型进行训练，并对测试数据进行预测。实验结果表明:与传统的机器学习方法BPNN或深度学习方法FE-LSTM、CNN相比，GA-LSTM的均方根误差分别下降了41.3%、39.0%、51.5%，平均相对误差分别下降了48.3%、40.8%、56.7%，模型的预测识别精度有较大提高，实现了铣刀磨损量的有效预测。     

基于CNN-LSTM的机床滚动轴承性能退化趋势和寿命预测

滚动轴承作为机床主轴的关键部件,其剩余寿命预测直接决定着整机设备的剩余寿命。若不能及时地预知滚动轴承的健康状态或损伤情况,不仅会影响维修策略的制定,还会造成级联故障,易造成机床灾难性的事故。针对大数据下滚动轴承振动信号的自适应故障特征提取和智能诊断问题,构建卷积神经网络和长短期记忆网络（CNN-LSTM）相结合的寿命预测模型,它可以避免人工参与的影响,实现网络的互补优势。对滚动轴承的退化状态以及剩余寿命进行预测,并与卷积神经网络（CNN）、长短时记忆神经网络（LSTM）进行对比实验。结果表明：所提方法CNN-LSTM有着较高的预测准确度。     

数控机床热变形误差超前预测研究

针对当前数控机床热变形误差实施补偿存在的预测值滞后实际补偿值问题，提出基于长短期记忆(LSTM)神经网络算法热误差超前预测解决方案，详细探讨LSTM神经网络算法的解析流程，建立基于LSTM神经网络算法热误差超前预测模型，并进行关键温测点及热变形误差超前预测实验。实验结果表明：热变形误差实际值与预测值的最大残差、平均值和均方差均在可控范围内，超前预测的准确度为86.3%，进一步论证了机床热变形误差超前预测的有效性。     

基于改进模型的气动肌肉神经网络串级控制

气动肌肉的理论模型是其控制器设计的基础。为了得到较完整的气动肌肉的理论模型,作者在Chou理想模型的基础上,综合考虑影响气动肌肉特性的主要因素,推导了气动肌肉收缩力-位移-气压三者之间的解析表达式,建立了相对简单而又较为完整的气动肌肉的改进静态数学模型。在此基础上,利用神经网络控制器的自适应与鲁棒性等优点,设计了一种针对气动肌肉驱动关节的神经网络PID串级控制器,该串级控制器采用内环气压控制器与外环位置控制器分别对气压与位置进行闭环控制,实验结果验证了该控制器的有效性。     

基于BP神经网络的磨床力误差补偿方法

为建立磨削加工参数与磨削力导致的力变形误差之间的关系模型,提出基于神经网络的力误差建模和实时补偿方法.建立经遗传算法优化的BP神经网络以表征磨削参数与磨削力的关系;运用有限元方法对零件进行力学分析,建立磨削力与力变形量的关系模型;建立加工参数与切削力误差映射模型,预测误差补偿量,进行实时补偿.实验结果表明:该切削力误差...     

轧钢机力能参数神经网络预测

在分析轧机轧制过程中的力能参数的基础上 ,测量并计算了 50 0 mm轧机的轧制力。探讨了用神经网络模型确定轧制力的方法 ,预测了轧制力 ,并将三种方法得到的轧制力进行了比较。结果表明用神经网络模型预测的轧制力误差远小于基于传统数学模型计算的轧制力误差 ,它能较好他反映实际轧制过程的特征。     

基于NARX神经网络的磁流变阻尼器模型研究

为了能够较精确地拟合磁流变阻尼器在低速区的非线性及滞回特性,提出一种基于NARX神经网络的磁流变阻尼器动力学模型。以力学性能实验数据为前提,利用LMBP算法训练NARX神经网络的串-并行结构,然后将串-并行结构转化为并行结构,使得NARX神经网络模型能够在不同电流值下得到与实验结果相吻合的输出值。最后将实验结果和模型结果进行对比,通过比较两者所得的结果发现NARX神经网络模型的计算结果与实验结果的最大相对误差仅为3.77%,而且该模型能够表征磁流变阻尼器在低速区的非线性及滞回特性,证明NARX神经网络模型在处理磁流变阻尼器的非线性及滞回特性力学行为具有较高的拟合精度。     

变腔室气动软体机械手结构设计与实验

采用自制的变腔室气动驱动器设计了一种柔性三指机械手,通过依次改变驱动器的腔室结构提高柔性手爪的变形和刚度。建立变腔室气动软体驱动器形变模型,分析腔体鼓包变形与腔内气压关系,并进行仿真分析和静力学实验,获得不同气压下的变形特性和不同触点的正压力。进行了不同形状和尺寸物品的抓取实验,结果表明:该三指机械手具有较好的柔性和灵活性,变腔体结构的驱动器可以提高软体手爪的变形和夹持力。     

多气腔软体致动器的弯曲特性分析和试验验证

软体致动器是组成各类软体机器人的基本组成单元，对于软体机器人的应用具有重要的意义，因此设计一种由气压驱动的增强纤维式多气腔软体致动器。运用虚功原理对软体致动器进行力学建模；采用有限元软件进行仿真分析。搭建包含气动回路和控制电路的控制系统；采用单腔驱动，对软体致动器的弯曲性能进行试验；采用BP神经网络对软体致动器的气压和角度的非线性关系进行拟合，拟合误差在1°以内；通过样机试验，证明了理论模型和有限元分析的准确性，为软体机器人的设计提供了理论支持。     

基于改进LSTM-AdaBoost的铣刀磨损量预测

针对铣刀磨损量预测时精度低的问题,提出一种基于黑寡妇算法（BWO）优化的长短期记忆神经网络（LSTM）与AdaBoost集成学习算法相结合的铣刀磨损量预测方法。在铣刀磨损振动信号中提取时域、频域以及时频域多域特征。通过BWO算法优化LSTM的核心参数,并将优化后的LSTM网络与AdaBoost算法进行结合,构建铣刀磨损量预测模型。最后用PHM Society 2010铣刀全寿命周期的振动数据进行实验。研究结果表明：所提方法能够有效地预测出铣刀磨损量变化值,优化后模型的平均绝对误差百分比为3.436%、均方根误差为6.471、决定系数 R2 为0.935。该方法能够获得准确率更高的铣刀磨损量预测值,预测效率更高。