为了提高数控机床刀具磨损状态智能监测的可靠性,提出一种基于多传感器信息融合的刀具磨损状态智能监测方法及系统。利用多种传感器分别采集刀具加工过程中的机床变频器输入电流信号、工件三向振动信号和声信号,然后对采集到的信号进行时域、频域和时频域处理分析。系统自动识别提取出其中与刀具磨损程度相关性较高的敏感特征变量,并利用马氏距离法对敏感特征向量进行分析计算,确定刀具不同状态下的阈值,并据此判断刀具的磨损状态。最后基于上述原理利用QT开发平台研发一套完整的数控机床刀具磨损状态智能监测系统。试验结果表明,该系统能够实时准确地监测出刀具的磨损状态。

针对复杂液压系统中主要元件故障诊断问题,提出一种基于一维卷积神经网络(1D-CNN)和双向长短时记忆网络(BiLSTM)实现多传感器信息融合的故障诊断模型,对柱塞泵和节流阀进行故障诊断。在模型中,首先对多种传感器采集到的信号进行数据级融合,然后利用CNN提取融合信号的故障特征并进行降维,之后利用BiLSTM学习信号中正反向数据特征,最后使用Softmax进行分类,实现对柱塞泵和节流阀故障的诊断。实验结果表明,提出的方法能够自动提取信号中的故障特征并考虑信号中所包含的正反向数据特征,柱塞泵诊断精度可达96.3%,节流阀诊断精度可达94.28%,实现了对柱塞泵和节流阀故障状态的准确可靠诊断。

在车载三维测量系统中，为了快速、实时、完整地获取数字城市中所需要的三维空间信息，集成了全球定位系统（GPS）、激光扫描仪（LS）等多种传感器，其中，数据的处理应用了多传感器数据融合原理。各传感器间的空间配准和时间配准是多传感器数据信息有效融合的关键。通过解算各传感器坐标系间关系和利用激光扫描仪的时间记录功能、GPS时间打标功能解决了空间配准和时间配准问题，成功地应用于“近景目标三维测量技术”，取得了预期的效果，并给出了实验结果。

液压泵健康状态评估对工程设备的运行状态监测有极其重要的意义,现有基于振动信号分析的方法数据来源单一、可靠性低,为此,提出了一种基于多传感器信息融合和多粒度级联森林模型的液压泵健康状态评估方法。通过试验系统采集了不同工作时间下液压泵的压力、温度、流量等信号,分别提取信号的时域特征组成初步特征。使用多个分类器获取初步特征的类别概率向量,将其与随机森林模型选出来的重要特征进行拼接形成最终特征,并使用多粒度级联森林模型进行健康状态评估。试验结果表明,所提方法在仅有5%训练比例的情况下分类精确率仍可达99.5%,可以有效提高液压泵健康状态评估的准确度。

为了实现液压系统中冷却器的故障状态识别,本文提出一种利用粒子群算法优化的深度置信网络(PSO-DBN)实现多传感器信息融合的故障诊断模型。在所提出的模型中,对来自不同传感器的信号进行特征计算与选择并采用多传感器融合方法进行特征级融合送入深度置信网络实现冷却器故障状态的识别。同时采用粒子群算法自适应地选择深度置信网络的超参数,包括隐藏层节点数、反向迭代次数和反向学习率,以确定网络的最优结构,进而提高深度置信网络的诊断精度。本文采用加利福尼亚大学欧文分校机器学习与智能系统中心的液压系统数据集进行验证,实验结果表明,与深度置信网络、遗传算法优化的深度置信网络、粒子群算法优化的支持向量机相比,PSO-DBN能够有效地提取数据中的内在特征,冷却器的故障状态平均识别精度可达98.77%,实现了对冷却器故障状态的...

针对固体充填液压支架处于复杂地质条件下时空间位姿状态动态变化难以直接识别,现有位姿测量系统存在位姿参数部分缺失的问题,设计了一种固体充填液压支架全位姿测量系统。利用3D Max建模软件建立了固体充填液压支架三维模型,基于固体充填液压支架不同的特征节点,采用多传感器融合测量方法获取反映其空间全位姿的9个参数,即支架底座倾斜角(与水平面夹角)、顶梁姿态角(与水平面夹角)、支架高度、推矸推移距离、护帮板状态、推压密实机构倾角(与后顶梁夹角)、推压密实机构推移距离、支架组护帮板之间的距离、刮板输送机中部槽与支架推矸的夹角。将倾角传感器布置于前顶梁、后顶梁、底座、推压密实机构千斤顶等处,用于测量支架的底座倾斜角和前后顶梁姿态角等,将位移传感器安装在支架的推矸和推压密实机构上,用于测量推移距离等。...

针对移动机器人室内定位过程中,单目视觉难适应光照变化、里程计累计误差导致定位误差较大问题,提出边缘侧多传感器融合的定位方法。以稀疏直接法(半直接法)作为单目视觉的前端,实时单目相机估计位姿,通过惯性传感器恢复尺度输出位置信息,并且获取IMU的加速度以及偏航角、里程计当前速度,通过扩展卡尔曼滤波算法融合3种传感器信息,实现更加精确的定位。在移动机器人侧处理传感器读取的信息,从而减小机器人体积。边缘侧混合式多传感器信息融合使移动机器人在单个传感器失效以及无法人为干预时,也能够精确实时地在多种复杂环境中完成自主定位。

针对数字式气动桥式回路可靠性不高的问题,提出了基于支持向量机的气动系统故障诊断方法。通过分析气动桥式回路常见故障,得出9种故障类型和1种正常状态,使用AMESim建立了回路的仿真模型,基于多传感融合思想获取系统正常动作、工作压力低、气缸泄漏、开关阀不工作或者产生泄漏、减压阀不减压等正常/故障状态数据。针对系统整体工作数据集,在MATLAB中建立支持向量机故障模型进行桥式回路故障诊断实验与分析,结果表明该方法可准确分辨出系统的1种正常状态和9种故障状态。

针对齿轮箱故障诊断时使用单一传感器进行信号获取过程中存在信息不完整的问题,导致故障特征信息及诊断推理方法具有随机性和模糊性。利用多传感器信息融合的二阶张量特征作为输入,构建了一个支持张量机和集成矩阵距离测度(Assembled Matrix Distance Metric,AMDM)的K最近邻分类器(k-nearest neighborhood classifier,KNN)决策融合故障诊断模型。首先,对多传感器信息时频域特征层进行融合,获得二阶张量的特征样本;其次,分别构建基于集成支持张量机、KNN-AMDM的故障诊断模型,并针对两类故障诊断模型的输入,设计了两种基本概率分配赋值的转化方法,通过不断调整参与的传感器数目获得6种不同的故障征兆张量集,进而得到12种不同的初步故障诊断结果;最后,采用D-S证据理论对12个证据体提供的基本概率分配值进行融合决策,得到最终的齿轮箱故障诊断结果。实验对比表明,...

目的提出一种考虑能耗的多传感器融合加工表面粗糙度预测方法,精确预测零件表面粗犍度。方法首先采集车削过程中的功率和振动信号,测量加工表面粗糙.度值,利用集成经验模态分解(Ensemble empirical mode decomposition,EEMD)和小波包分析提取振动信号的时域与频域特征,联合功率信号的时域特征、能耗特征与切削参数,构造联合多特征向量。然后采用核主成分分析(Kernel principal component analysis,KPCA)对联合多特征向量进行融合降维处理生成融合特征。最后将融合特征作为基于支持向量机(Support vectormachine,SVM)的表面粗糙.度预测模型的输入特征,并使用遗传算法(Genetic algorithm,GA)对SVM模型相关核参数进行优化以提高预测精度。结果预测得到的表面粗糙度平均相对误差为4.91%,最大误差为0.111um,预测时间为9.24s。与单传感器预测方法及多传感器联合特征领测方法相比,多传感...