摘要：为了提升攀爬机器人壁面运动稳定性从而提高其工程应用能力。针对攀爬机器人壁面运动过程的振动与动力学耦合特性问题,本文设计制作了一种含柔性吸附材料的攀爬机器人。基于刚柔耦合原理,获得刚性体与柔性体运动学递推关系,利用拉格朗日原理建立攀爬机器人动力学方程。推导得到反应动力学耦合程度的数学模型。通过仿真分析得到运行相同位移情况下,通过调整加减速时间比例使得机器人振幅下降35%,分析得到一定范围内攀爬机器人刚性质量与吸附材料弹性模量增加通过降低动力学耦合程度降低攀爬机器人振动响应。通过样机实验测量了攀爬机器人负载能力与不同运动阶段真空度与流量的稳定性。研究为攀爬机器人的驱动控制策略与工程应用奠定基础。

摘要：工业机器人关节具有柔性,会产生较大的工作振动。针对机器人关节发生故障时,如何从测量得到的混合振动信号中分离出故障分量的问题,提出一种模型与数据混合驱动的关节振动分离方法。首先,建立多物理量信号和系统动力学相结合的执行器动力学响应模型,并以该响应信号作为振动分离时的参考。其次,考虑噪声影响构造了幅值谱百分位序列,利用变点分析确定最优噪声阈值,并设计带通滤波器分离噪声。针对测量和滤波带来的参考振动和混合振动间相位误差问题,提出可调节因子动态时间规整相位校正方法。最后,由去噪和相位校正后的混合振动减去参考振动实现故障分量分离。在机器人关节试验台上的试验结果表明,所提方法能从关节振动中有效地分离出故障分量。

摘要：针对传统卷积神经网络(CNN)在齿轮箱中故障诊断准确率不高、特征提取方面表现欠佳的问题,提出了SincNet网络结合注意力机制齿轮箱故障诊断方法。首先,采用参数化的Sinc函数设计滤波器作为卷积层来代替传统CNN的第1个卷积层,得到SincNet网络结构,提取输入数据的特征信息;其次,结合具有Softmax的注意力机制(Att)增强特征信息。最后,采用齿轮箱故障数据集对所提出的方法进行实验验证,结果表明,所提方法平均诊断准确率达到99.68%,均高于对比方法。此外,通过特征图可视化分析,该方法能够准确定位输入数据中的识别信息,能更好地理解神经网络的特征提取过程,为机械振动信号的特征提取过程提供了参考。

摘要：在变负载工况下,RV减速器齿轮箱的特征提取存在困难,且其故障模式也难以得到识别。针对这一些问题,提出了一种基于Laplace小波卷积网络(LWNet)和注意力机制(ATT)的变工况下齿轮箱故障诊断方法(模型)。首先,基于Laplace小波变换原理设计了小波卷积层(Laplace Net),代替传统卷积神经网络第一层,对输入信号进行了自适应特征提取,以获得更明显的冲击特征;然后,将注意力机制引入模型卷积网络,以增强故障信息权重,以SoftMax作为分类器进行了故障诊断;为了提高模型的稳定性,每层卷积后接归一化层(batch normalization,BN),对特征进行了归一化处理,使用Dropout(0.5)防止过拟合;最后,使用RV减速器齿轮箱的数据集对基于LWNet和ATT的方法(模型)进行了验证。研究结果表明:基于LWNet和ATT的方法(模型)能够自适应地定位故障信号的冲击信息,在定负载条件下,其平均诊断准确率高达99.92%(相比于经典的深度学习模型与近期的方法,其准确率提高了3.25%~12.26%),该方法具有更高的诊断效率;在变负载条件下,该方法的平均准确率也可以达到98.09%。基于LWNet和ATT的方法(模型)解决了变工况条件下减速器齿轮箱振动信号特征提取困难的问题。