以重型卧式车床床身为研究对象,为满足床身在静刚度不降低条件下达到轻量化、动静态性能好这一要求,提出以质量、最大变形和低阶固有频率为目标的优化设计方法。通过正交实验法建立了床身低阶固有频率、最大变形和质量关于筋板厚度的响应面模型,并对模型的准确性进行了验证。运用带有非支配排序遗传算法(NSGA-Ⅱ)对床身进行多目标优化求解,得到了Pareto最优解集。在此基础之上,采用基于信息熵赋权的多目标灰靶决策算法对Pareto解集进行优选。通过对最终方案进行有限元分析,优化后的床身动静态性能略有提高,质量减轻了604kg。具体算例表明,该方法具有实用性。

针对传送辊道上的刹车盘背景较为复杂的问题,提出了一种稳定性好、定位精度高的视觉定位算法。为去除灰尘、光线等因素的干扰,利用中值滤波对所采集图像进行预处理。通过背景差分得到模板图像后,运用基于边缘的模板匹配完成刹车盘的粗定位,去除了复杂辊道背景的干扰,并利用图像金字塔降低其算法复杂度,提高了算法速度。为满足精度要求,利用刹车盘自身具有的同心圆几何特征,实现了刹车盘中心精定位。试验表明,该定位方法成功率较高,能够满足实际上下料的需求。

对利用非共面两个圆进行摄像机标定的方法进行研究,在通过分析圆筒形工件内部两个非共面圆的投影特性的基础上,提出了一种新的摄像机标定方法。该方法根据圆筒半径和两圆所在平面的距离以及投影平面的两个椭圆存在的几何和代数约束关系;在识别出圆点和消隐点的基础上,计算得到摄像机的内外参数。最后,通过模拟验证该方法对噪声的鲁棒性,并将实验求取结果与实际参数对比,具体算例表明该方法能够准确地对摄像机进行标定,且标定误差不超过2mm。

随着智能制造和精益生产的推进,元启发式算法(智能算法)已经在实际工业和生活中得到了广泛应用。然而,由于其自身结构所带来的不确定性,如何针对具体目标快速选择一个高效的特定算法,仍然需要进一步的研究与探讨。为此以具有代表性的NP-hard问题—TSP问题为例,针对典型的元启发式算法遗传算法、模拟退火算法、禁忌搜索算法和蚁群算法进行了不同维度的实验与对比。并结合算法的不同求解思想,通过对其计算结果和计算过程的定量分析,给出了四种算法的特点与异同,以此来为相关算法的选择、应用以及改进提供基础与参考。

轮毂的识别是轮毂自动化生产线自动分拣的重要前提。为了克服轮毂生产结束后手动搬运和分拣的弊端,提出了一种基于梯度方向直方图特征和非线性支持向量机的轮毂识别方法。首先分别提取轮毂自动化生产线上三种不同照明条件下的轮毂图片,将轮毂图片转化为灰度图像;再对其进行缩放裁剪至检测窗口大小,完成正负样本的制作;最后提取正负样本的HOG特征集合并用libsvm工具箱对其进行训练,训练后得出的分类模型对三种不同照明条件的轮毂图片分别进行识别,结果表明,该方法可以有效地克服光照条件对识别效果的干扰。

分析了目前三维参数化设计方法的现状,指出了现有模型构建方法在机械结构原型设计及团队协作设计两个方面存在的不足。基于三维设计平台提出了一种快速可协同的机械结构原型设计方法,有效地将原始设计理念准确反映到整体设计中,统一了多角色协同设计的信息源,并成功地应用于有结织网机的快速系列设计中,使原型设计和改型设计效率得到了显著提高,快速响应了个性化的市场需求。对其他种类的机械产品快速原型设计也具有重要的参考价值。

提出了一种基于SURF特征与神经网络相结合的方法,实现了对多种型号轮毂的识别。首先,将所有采集的样本图像分成训练集、验证集和测试集;然后,将所有样本图像缩放至合理大小并进行转灰操作;提取所有样本图像的SURF特征并导入到搭建好的神经网络中进行训练、验证和测试,通过神经网络强大的学习能力,从对大量特征数据的学习过程中获得一个最佳的识别模型。该方法可以以最少的样本图像获得一个能准确识别轮毂型号的识别模型。另外,该方法鲁棒性好、抗干扰能力强,能满足自动化生产线实时性的要求。

为了判断高铁线缆扣件的装配是否正确,这里采用一种基于迁移学习的卷积神经网络的算法对高铁线缆扣件装配进行检测。首先将预训练的网络与目标检测算法相结合,建立完整的装配检测网络,然后对制作好的数据集进行训练和测试。实验结果表明,相比传统对象识别的方法,该方法不仅提高了工件装配检测的准确度,还保证了工业检测中对实时性的要求。另外,由于卷积神经网络可以获取工件图像的深层特征,从而使得目标检测算法更加稳健,更能适应光照、灰尘等环境噪声的变化。