3D增材制造产品成型过程中,各个关键参数的实时监控具有十分重要的现实意义。这里搭建了3D打印数采分析系统,提出了以ABB机器人、DeviceNet模块等为主体硬件,DeviceNet为实时通讯协议,C#为开发语言及SQL Server为数据库的设计方案,同时通过ARIMA时序机器学习模型,对采集的数据进行自相关函数分析。研究表明,数采分析诊断系统可以对机器人在3D打印过程中的各项数据进行实时监控,通过ARIMA模型的训练可以在焊接过程中对异样参数进行提前预警,从而对工艺参数的优化和产品质量的提升都有实际参考价值。

利用改进的CEEMDAN和RBF神经网络相结合的方法识别压缩机气阀故障。首先利用改进型CEEMDAN对实验采集的振动信号进分解,该方法克服了传统方法在处理模态混叠和虚假分量方面的不足,并提出基于改进型CEEMDAN和奇异谱熵相结合的信号处理手段,对振动信号构造特征向量,最后将特征向量输入RBF神经网络进行模式识别训练。研究结果表明基于改进型CEEMDAN和奇异谱熵的信号处理方法可以有效地提取出往复式压缩机阀片故障的特征,而RBF神经网络算法在对压缩机阀片故障进行模式识别时准确率高达99.58%。

针对管道缺陷的风险评估,预设了工程实际中常见的管道凹坑、孔洞和裂纹典型缺陷特征,构建了实验测试平台,传感器采集信号。针对信号非线性非平稳的处理问题,提出一种基于ICEEMDAN-ICA的管道缺陷多特征融合信号处理方法,对管道的孔洞、凹坑和裂纹缺陷进行多特征提取,提取样本熵、近似熵和奇异谱熵进行特征融合,通过ELM分类器进行模式识别。研究结果表明,特征融合的方法大大提高了识别的准确率,达到了95%。