摘要：对轴承故障诊断时,除了需考虑空间结构的关系之外,还应分析数据在不同时间维度方面的差异,综合运用卷积神经网络(CNN)和长短期记忆网络(LSTM)建立深度卷积循环神经网络(DCLSTM),实现优异的时间与空间特征性能,能够充分发挥传感序列特征。利用初始信号的自适应学习方法确定特征参数,有效避免在特征选择与分类过程中受到主观因素的影响。研究结果表明:相对传统方法,采用DCLSTM模型准确率达到了99%以上,波动幅度也很小,表现出高稳定性状态。DCLSTM网络具备最高稳定性,对应标准差为0.59%,获得比传统方法更优的故障诊断效果。DCLSTM诊断精度对于各电机负载达到了最高水平,波动幅度只有0.64%。支持向量机(SVM)与CNN依次波动2.8%与5.99%,表明DCLSTM网络对于各工况故障都可以实现高精度诊断的要求。

摘要：为了提高机械臂跟踪目标轨迹效率,设计了一种基于路径特征点算法的机械臂跟踪目标轨迹优化方法。选择相平面法设置速度曲线,利用相平面法调节的方式使算法达到更高处理效率,通过轨迹平滑处理的方式来达到稳定控制机械臂运动状态的效果。研究结果表明:形成了平滑过渡的速度和加速度曲线,获得的速度曲线能够达到连续光滑的性能要求。规划得到的最大速度曲线与加速度/力矩条件相符,可以有效实现机械臂驱动功能。随着路径点数量增加后,会导致算法时间的明显延长,设置太多路径点数量的条件下以路径特征点算法处理时可以实现算法效率的显著提升。采用本文算法可以获得比其它路径规划算法更短的耗时,且更适合于复杂路径。

摘要：考虑到采用深度学习方法进行机械设备故障诊断时无法准确识别所有故障类型的缺陷,综合运用Nesterov动量法(Nesterov LSDA,NM)和独立自适应学习率算法(Self-individual adaptive learning rate,SALR),设计了一种SALR-NM优化算法,从而实现高维度与复杂数据在深度学习过程中获得更快速率并提升学习结果准确性。研究结果表明:以RVM进行处理时,各载荷工况呈现较低精度,随着载荷增大后,信号精度也逐渐降低。各载荷工况下形成的振动信号都可以通过SALR-NM准确识别故障特征,测试10次得到的准确率都是100%。各载荷状态下形成的振动信号,以SALR-NM与PCA处理时达到了100%的最高精度,Adam则达到了最小精度,只有68.82%。本研究通过Nesterov动量法构建得到具备自适应功能的深度信念网络SALR-NM,能够直接获取频域信号的深层数据特征,从而高效诊断滚动轴承故障。

摘要：为了提高滚动轴承的高效率运行,设计了一种基于拉斯特征映射-深度置信网络(laplacian eigenmap-deep belief network,LE-DBN)故障诊断模型的滚动轴承振动信号特征提取方法。利用LE算法从高维振动数据中提取获得流形参数,分别测试包含少量有标签与大量无标签样本的DBN网络训练结果,再对各类故障实施分类。研究结果表明:采用训练集识别时准确率在99.8%附近,表明该模型可以对训练数据发挥理想拟合性能。LE算法比PCA、KPCA算法都达到了更优特征提取效果,选择合理参数可以使准确率达到99.8%。采用多传感器实施特征融合时相对单个传感器的诊断性能更优。有标签样本个数在60~120之间时,采用DBN网络可以获得比CNN网络更理想的分类结果。该研究可以达到可靠性标准,更能适用于其它的机械传动设备。