面向智能制造的工业机器人健康评估方法

以智能制造领域中最具有代表性的设备——工业机器人——为研究对象,针对其精度退化及设备故障问题,研究了工业机器人健康评估问题．首先,对工业机器人核心部件进行了失效模式及影响分析,并对现有工业机器人健康评估方法进行了综述．其次,提出了基于边－云协同和深度学习的工业机器人健康评估框架．在边缘层应用基于群组聚类和对等比较的方法进行异常检测,快速识别出发生异常的设备;在云端借助故障预测与健康管理技术以及人工智能算法对发生异常的设备进行深度健康评估．最后,对基于深度学习的工业机器人健康评估方法进行了展望．     

智能装备故障预测与健康管理系统研究

针对智能装备预测性维护存在的智能化和网络化程度不高、物理模型建模困难等 问题,研究了数据驱动的智能装备远程故障预测与健康管理系统(PHM)的实施框架、关键技术 和系统开发方法。具体阐述了数据驱动 PHM 系统的运行模式,在此基础上分析了 PHM 系统的 软件架构和关键技术,首先利用 EEMD 对原始信号进行降噪和重构,将重构后的信号作为输入 建立基于 RBF 神经网络的故障诊断模型;然后采用动态神经网络建立基于时间序列的故障预测 模型,并建立基于故障阈值的故障报警机制;最后利用混合编程和网络化开发技术开发了数据 驱动的远程 PHM 系统。实际应用结果表明,该系统能以较高效率完成故障诊断、故障预测等 核心功能,具有良好的实用性。     

基于数据驱动的小子样复杂系统剩余使用寿命预测方法综述及展望

针对小子样背景下复杂系统剩余使用寿命(RUL)预测的工程需求,结合复杂系统失效的时间数据、监测数据特点和RUL预测的不确定性问题,综述了小子样数据驱动的复杂系统RUL的预测方法。在小子样数据驱动的寿命预测技术中,数据的真实性、连续性和完整性等问题成为制约RUL预测准确度的重要因素。深入分析了基于失效时间数据、性能退化数据和多源数据融合的RUL预测技术的基本研究方法和发展动态,最后探讨了RUL预测领域未来可能的研究方向。     

大数据驱动的钢铁工业智能故障诊断技术综述

钢铁工业智能故障诊断系统在当前大数据时代背景下面临着新的机遇与挑战。针对工业大数据的特征,分别从数据的采集与实时监控技术,基于机器学习的故障诊断方法,以及迁移学习在工业故障诊断中的应用三个角度对近年来国内外工业故障诊断方法的研究进展进行了总结与回顾;并在此基础上,结合钢铁企业的实际需求与现存问题,提出了将高炉炼铁过程划分为“系统—模块—功能—属性”四层次结构的面向整体的分层故障诊断新思想及未来可能的研究方向,阐明研究多技术融合的智能故障诊断系统对推进钢铁工业在大数据时代的绿色数字化发展具有十分重要的意义。     

自动驾驶场景下的轨迹预测技术综述

轨迹预测是自动驾驶和智能交通领域的关键技术,对于车辆和移动行人轨迹的准确预测可提升自动驾驶系统对周围环境变化的感知能力,保障自动驾驶系统的安全性。数据驱动轨迹预测方法可捕捉智能体之间的交互特征,对场景内智能体历史运动和静态环境信息进行分析,准确预测智能体的未来轨迹。介绍轨迹预测的数学模型并将其分为传统轨迹预测方法和数据驱动轨迹预测方法 2类,阐述主流数据驱动轨迹预测方法所面临的智能体交互建模、运动行为意图预测、轨迹多样性预测、场景内静态环境信息融合等4个主要挑战,从轨迹预测数据集使用、性能评价指标、模型特点等方面出发对典型数据驱动轨迹预测方法进行分析与对比,总结归纳这些典型数据驱动轨迹预测方法针对上述挑战的解决思路和应用场景,并对自动驾驶场景下轨迹预测技术的未来发展方向进行展望。     

知识和数据协同驱动的群体智能决策方法研究综述EI北大核心CSCD

群体智能(Collectire intelligence,CI)系统具有广泛的应用前景.当前的群体智能决策方法主要包括知识驱动、数据驱动两大类,但各自存在优缺点.本文指出,知识与数据协同驱动将为群体智能决策提供新解法.本文系统梳理了知识与数据协同驱动可能存在的不同方法路径,从知识与数据的架构级协同、算法级协同两个层面对典型方法进行了分类,同时将算法级协同方法进一步划分为算法的层次化协同和组件化协同,前者包含神经网络树、遗传模糊树、分层强化学习等层次化方法;后者进一步总结为知识增强的数据驱动、数据调优的知识驱动、知识与数据的互补结合等方法.最后,从理论发展与实际应用的需求出发,指出了知识与数据协同驱动的群体智能决策中未来几个重要的研究方向.     

基于混合关键系统的工业机器人操作系统

探讨了基于混合关键系统的工业机器人操作系统的关键技术,以应对机器人在非结构化或半结构化智能场景中面临的技术瓶颈。当前,随着智能技术在机器人领域的快速应用,机器人操作系统需要同时满足面向控制系统的强实时任务和面向智能化应用的弱实时任务需求,因此需要一个异构的多核智能系统。本文提出了一种针对机器人的架构设计,旨在提高机器人操作系统的实时性、安全性和智能化水平,并对工业机器人操作系统的未来发展趋势进行了展望,预测了工业机器人操作系统未来的演进方向。     

基于数据对齐的生成性对抗网络轴承剩余寿命预测

针对传统智能数据驱动轴承剩余寿命预测中存在的首次预测时间确定难度大以及模型泛化能力差等问题，提出一种基于数据对齐的生成性对抗网络轴承剩余寿命预测方法。生成性对抗网络用于了解健康状态数据的分布，依此建立健康指标来确定首次预测时间。为了弥合不同机器之间的数据分布差异，提出一种数据对齐策略来提取实体不变特征。进一步采用对抗训练，在健康状态和退化数据的学习子空间中实现数据对齐，将提取的广义特征表示用于预测轴承的剩余寿命。在两个轴承退化数据集上进行了对比实验，验证了该方法的有效性。     

数据驱动的可靠性评估与寿命预测研究进展:基于协变量的方法

作为保障工业过程可靠性和经济性的重要技术,可靠性评估与寿命预测在过去几十年得到了越来越广泛的关注和长足的发展.在实际应用中,由于难以获取复杂、高可靠性设备失效机理的物理模型,数据驱动的可靠性评估与寿命预测方法成为近年来的主流.同时,自动监测技术和传感器技术的快速发展,使得在工程实践中不仅能够获取系统的退化数据,还能得到大量的系统运行环境监测数据,从而使得数据驱动寿命预测中基于协变量的方法得到了广泛应用.本文根据系统运行环境中协变量数据的不同变化规律,将基于协变量方法的可靠性评估模型分为:固定协变量模型、时变协变量模型和随机协变量模型,并分别讨论了各模型的发展现状.最后,讨论了协变量处理中存在的一些挑战及未来的研究方向.     

面向复杂装备PHM数据体系架构的研究

故障诊断与健康管理(PHM)利用装备产生的数据,经过数据处理等手段,能够实现对复杂装备的健康状态进行监测、故障诊断、预测和智能决策;在PHM的整个阶段会产生大量的数据,目前已有部分国内外机构针对PHM数据体系进行了研究与构建,然而大部分的数据仅仅是针对PHM数据的管理维护方面做了探讨,并不能清晰地、深入地梳理出现役装备的设计数据、使用数据及验证数据之间的逻辑关系,所以构建一套完整的PHM数据体系架构成为当前极为重要的工作;文章以装备PHM技术为背景,贯穿装备生产制造全寿命周期时间线,基于PHM系统的设备级、区域级、平台级数据的构建、融合为主线,补全PHM数据管理维护数据,形成一套具有装备特色的PHM数据体系架构,完善PHM不同数据要素之间的逻辑关系。     

变压器故障诊断技术综述

变压器设备在电力系统中起到了重要的作用,其健康、稳定的运行关系到电压转换、电能分配的顺利实现,而故障诊断技术能够为变压器的正常运转保驾护航。本文详细综述国内外变压器故障诊断技术的研究现状,分析变压器故障诊断的发展历程,对比研究不同诊断方法的优劣及适应场景,分析传统变压器故障数据提取方法——溶解气体分析法以及基于声音信号的变压器故障数据提取方法,最终提出变压器故障诊断未来的研究重点及发展趋势,为变压器故障的诊断提供一定的参考。     

工业机器人能耗优化方法研究综述

机器人技术作为智能制造的关键,其能耗问题已引起各制造业大国的关注,国内外的研究十分活跃。针对工业机器人能耗优化问题,介绍了轻量化设计、高效驱动系统设计、能量存储和共享装置等低能耗硬件设计方法,从轨迹规划和任务调度方面对能耗优化的软件方法进行了综述,介绍了具有应用潜力的软件优化和硬件相结合的混合方法,同时突出了主要研究成果并说明了不足之处;最后指出工业机器人能耗优化具有潜力的发展趋势。     

复杂机电装备PHM系统关键技术研究

随着复杂机电装备组成的复杂程度及信息化程度的不断提升,故障预测与健康管理(Prognostics and Health Management,PHM)系统逐渐成为新一代复杂机电装备设计和使用中的重要组成部分。复杂机电装备PHM系统的关键技术是故障特征提取、数据融合、智能故障诊断与故障预测、状态监测和健康评估等,重点分析了智能故障诊断与故障预测技术。     

未来网络发展趋势研究

多媒体网络、智能网络的出现使互联网的发展面临挑战。针对互联网的现状,指出了进行未来网络研究的必要性;简要描述了未来网络的概念;回顾了未来网络的研究规划;阐明了国内外研究现状,其中包括:物联网、数据中心网络、云计算、云安全和系统级故障诊断等;在此基础上分析了未来网络的发展趋势,预测其发展前景,以及在发展中有待解决的问题。     

基于数据驱动的故障诊断方法综述

首先介绍了基于数据驱动的故障诊断方法研究动机和国内外发艘现状.以新的视角将现有故障诊断方法分为基十数据驱动的方法、基十分析模型的方法和基于定性经验的人工智能方法.说明了该方法在整个体系中的地位.并从数据利用及其与基十分析模型的方法比较等方面探讨了该方法的应用背景;然后综述了按照新分类中基于数据驱动故障诊断的现有方法,分...     

高空台液压加载系统试验智能运行技术研究

为了满足航空发动机高空模拟试验智能化需求,以高空台液压加载系统为研究对象,研究其试验智能运行的关键技术。通过深入分析液压加载系统设备组成及试验智能化存在的传感器数据利用不充分、控制精度不高和数据可视化展示不直观等问题,提出基于层次分析法的数据分组关联架构,设计数据融合架构对传感器数据进行预处理并对数据进行数据层、特征层和决策层融合。针对控制精度不高且须满足快速性的要求,提出一种基于设备特性与加载谱的智能复合控制框架用于智能化控制。针对液压加载系统子设备众多且易发生故障并存在性能退化的问题,提出基于深度学习的故障诊断方法与基于支持向量机的健康预测方法。同时,提出一种基于WebGL框架下的液压加载系统工艺流程可视化展示方法并建立了三维可视化模型,实现液压加载系统动态模拟的运行状态显示。     

带式输送机系统故障诊断方法综述

输送带和驱动装置是带式输送机的主要组成部分且为故障高发部位,以输送带故障和驱动装置故障为切入点,分析了输送带跑偏、打滑、损伤、堆料撒料等故障及驱动装置滚筒、托辊、减速器等故障的机理,重点阐述了知识驱动和数据驱动的带式输送机故障诊断方法研究进展。知识驱动法以知识处理技术为基础,实现符号处理和数值处理的统一、推理过程和算法过程的统一,主要包括专家系统、故障树分析法。数据驱动法采用机器学习和数据挖掘等技术对历史数据进行分析处理,建立诊断模型,达到故障诊断目的,主要包括支持向量机（SVM）、比差法、基于声音和视觉的诊断方法。分析了带式输送机故障诊断方法目前存在的挑战和未来发展趋势：(1)结合历史故障数据和实时数据推断设备健康状况,预测早期微小故障,提醒工作人员进行预测性维护。(2)揭示带式输送机耦合故障的关联关系,利用人工智能等新兴技术研究耦合故障联合诊断方法。(3)利用多模态机器学习技术研究带式输送机多模态信息融合利用机制,开发带式输送机多模态信息融合故障诊断方法。(4)将故障知识图谱和带式输送机领域知识相结合,实现带式输送机设备故障追踪、故障超前预警,通过知识查询、知识推理和辅助决策功能,...     

服务机器人社会意识导航方法综述

为提升服务机器人的社会可接受性,与人共融的社会意识导航一直是服务机器人研究领域的热点之一。重点对服务机器人社会意识导航方法展开综述,概述了服务机器人社会意识导航总体框架及主要研究方法;详细总结了基于社会空间关系模型（包括社会力模型和高斯模型）、基于社会行为学习及基于行人轨迹预测的社会意识导航方法;对服务机器人社会意识导航未来的发展趋势进行了展望。     

数字孪生驱动的火箭控制系统故障诊断研究综述

在第四次工业革命中,智能制造成为各国工业发展的重点方向,数字孪生技术作为一项新兴技术,能够有效实现物理信息的融合;将其应用于火箭控制系统的故障诊断和健康管理,能够进一步提高故障诊断的事前准确性,提升火箭发射的可靠性;本文对数字孪生技术在航天领域的研究现状进行归纳整理;首先梳理了NASA的数字孪生目标,国内领域按照设计、生产、支持服务阶段对数字孪生应用进行分类;其次,按照故障树、专家系统、神经网络、数据驱动的方法阐述控制系统故障诊断的研究现状;在介绍数字孪生驱动的健康管理方法的基础上,提出数字孪生驱动的火箭控制系统的故障诊断方法;详细介绍其基本组成框架,分析关键技术及应用难点,并提出数字孪生健康管理平台的基本流程;该方法预期实现火箭控制系统的事前诊断和维修策略的制定