基于核超限学习机的轴向柱塞泵故障诊断

由于柱塞泵内部结构复杂且结构之间相互耦合, 致使对其进行故障诊断的难度也随之增加。为了提高算法的可靠性和诊断速度, 将核函数与超限学习机结合的方法用于柱塞泵故障诊断。首先, 通过加速度计和流量计采集到泵在正常和不同故障工况下的振动和流量信号, 同时对其采用小波包分解进行去噪;然后提取了时域无量纲指标和小波包分解的频带能量值中最大频带能量和系统中流量计的流量值, 共8维特征向量;最后用核超限学习机对4种故障(滑靴磨损、配油盘磨损、中心弹簧失效、松靴)进行识别与诊断。结果表明, 将核超限学习机用于故障诊断, 相比于超限学习机和传统的智能诊断算法支持向量机、BP神经网络有明显的优势。     

多点标识下的挖掘机工作装置姿态测量

针对传统视觉测量挖掘机工作装置姿态中人工靶标易被泥土污染遮挡和受背景环境影响导致姿态测量失败的问题,提出基于多点标识的挖掘机工作装置姿态测量方法,利用一台RGB摄像机和YOLOv3深度学习算法实现对无任何传感器挖掘机工作装置的姿态测量。设置区别于背景环境、易于识别和定位的关键点标识,捕获大量工作装置图像并标注建立数据集,以此数据集训练获得视觉模型实现关键点标识的检测;根据关键点间的约束关系和相机成像原理还原关键点标识的三维信息,并计算相应杆件的姿态角。研究结果表明：提出的姿态测量系统能够解决姿态测量中存在的问题,且对挖掘机工作装置姿态测量瞬时偏差在±2°范围内,平均测量偏差在±1°范围内,满足视觉伺服中姿态角的反馈;同时,测量系统对每帧图像平均处理时间为108.26ms,满足实时测量条件。     

基于改进U2Net的金属棒材划痕缺陷检测

针对金属棒材圆弧表面在光照条件下产生高光,易掩盖划痕信息的问题,设计了在多种照明条件下多种曲度棒材的缺陷数据采集实验,以增加样本的多样性和模型的泛化性;针对金属棒材表面划痕的检测问题,提出了一种改进的U2Net的缺陷分割方法,调整了残差模块(residual U blocks, RSU)的混合膨胀卷积的膨胀因子,并在全部RSU的最后一层增加了坐标注意力机制(coordinate attention, CA),缓解了原网络在编码和解码过程中各残差块的影响,提升了模型对划痕的检测效果。实验表明,改进U2Net网络与U2Net网络对比,准确率与召回率的综合评价指标由86.4%上升到了88.5%。     

基于机器视觉的运动煤颗粒检测和遮挡追踪

针对煤颗粒筛分过程中被遮挡而导致其运动分析实测数据缺失的情况,应用机器视觉的方法实现了对运动煤颗粒检测和遮挡追踪.文章搭建模拟激振实验台,使用高速摄像机采集单个煤颗粒被遮挡情况下的序列图像.在MATLAB中采用引导滤波对序列图像进行去除噪声预处理,使用混合高斯模型法(GMM)有效提取了目标煤颗粒的前景掩码,并利用卡尔曼...     

一种基于3-UU并联机构的腕关节康复机器人研制

在3-UU并联机构基础上研制腕关节康复机器人样机,辅助中风患者进行腕关节康复训练。回顾了3-UU机构演化过程和自由度,根据3-UU机构的约束关系和几何特性,采用球坐标法和滚动-俯仰-偏航（Roll-Pitch-Yaw,RPY）法分析机构逆运动学,得到机构平台和驱动的关系式;将研制的样机与经典的3-RRR腕关节康复机构进行对比,得出本机构不存在多解和奇异值等优点;对样机运动性能以及前臂两大肌群的肌电信号进行了测试。实验表明,该机构的最大横滚角度为-90°～90°,俯仰角度为-90°～90°,虚拟偏航角度为-180°～180°,最高能产生950 mV的肌电信号。上述结果表明,所研制的样机能满足腕关节运动需求,对前臂肌群进行训练。     

基于网络药理学和分子对接的高根二醇抗溃疡性结肠炎的作用机制研究

运用网络药理学研究方法,对高根二醇作用潜在靶点与机制进行整合与分析,探究高根二醇抗溃疡性结肠炎(UC)作用机制.利用PharmMapper、uniprot对筛选出高根二醇的224个作用靶点,利用OMlM、Genecards数据库检索并筛选出608个疾病作用靶点,整合筛选出高根二醇和溃疡性结肠炎的共同靶点48个.使用Cy...     

变排量非对称轴向柱塞泵控制性能分析

变排量非对称轴向柱塞泵直接控制非对称液压缸闭式系统具有能效高、结构紧凑等优势.针对变排量三配流窗口轴向柱塞泵存在变量阻力矩脉动大、斜盘倾角振荡频率高等问题,提出在变排量机构中增加阻尼孔以提高变排量控制性能的方案,推导了变排量控制系统的传递函数;通过AMESim仿真模型分别研究了有无阻尼孔情况下的斜盘倾角振荡、变量缸活塞...     

基于超限学习机的轴向柱塞泵滑靴磨损故障诊断

为了提高故障诊断的分类准确度并减少分类时间,运用一种新的分类器即超限学习机(ELM)对轴向柱塞泵滑靴磨损进行故障诊断与识别。采集轴向柱塞泵正常工作状态和不同滑靴磨损工作状态下的信号;对采集到的信号进行预处理,提取出8维的特征向量;运用ELM和其他分类器分别对其进行诊断与识别。对比试验结果表明,新的方法故障诊断准确度高且诊断速度快。     

基于ShuffleNetv2-YOLOv3模型的静态手势实时识别方法

针对移动端平台下计算资源有限、存储空间小的特点,提出高效的ShuffleNetv2及YOLOv3集成网络静态手势实时识别方法,以减小模型对硬件的计算能力需求. 通过将轻量化网络ShuffleNetv2代替Darknet-53作为主干网络,减小模型的计算复杂度. 引入CBAM注意力机制模块,加强网络对空间和通道的关注度. 采用K-means聚类算法,重新生成Anchors的长宽比和数量,使重新生成的Anchors尺寸对目标进行精确定位来提高模型的检测精度. 实验结果表明,提出算法在手势识别上的平均识别准确率为99.2%,识别速度为44帧/s,单张416×416图片在GPU上的推理时间为15 ms,CPU上的推理时间为58 ms,模型所占内存为15.1 MB. 该方法具有识别精度高、识别速度快、内存占用率低等优点,有利于模型在移动终端上部署.