机械零部件振动信号包含了大量机械系统运行状态信息,针对传统检测方法依赖于经验知识和人工定参,提出了一种改进字典学习的振动信号检测方法。通过原始振动信号自身驱动,采用非负条件下基于K奇异值分解的改进算法训练超完备字典,结合基追踪算法稀疏编码,重构实现振动信号预处理。根据重构信号的包络谱,对比先验计算频率。仿真和实验结果表明,改进字典学习的振动信号检测方法能够有效提取故障频率,适用于故障检测,为基于振动信号实现机械系统智能化维护提供了参考。

运用牛顿—欧拉方法建立3-RPS并联机器人机构的逆动力学模型。通过使用Simmechanics将并联机器人物理模型导入Matlab/Simulink中,利用Simulink对机构进行动力学仿真以及验证机构的逆动力学模型。针对并联机器人的建模不确定性,提出一种基于不确定性系统的鲁棒控制方案,即分别通过基于标称模型设计系统的计算力矩控制器,来镇定标称系统;通过构建Lyapunov函数来构建系统的鲁棒补偿控制器,来消除由于建模不确定性引起的跟踪误差。通过将控制模型导入Simulink中对其控制效果进行验证,其具有较低的稳态误差精度,效果优于计算力矩控制策略。

Stewart并联机器人具有非线性强、耦合度高的特点,控制的难度较高,针对平台的这些困难点,文章提出了基于动力学模型的模糊计算力矩控制方法,实现平台的较高精度的轨迹跟踪控制,且控制的过程更加的灵活,适应性更强。计算力矩控制方法就是根据并联机器人的动力学模型以及平台的路径规划,结合机构的运动学分析,可以计算出每个缸体的瞬时施加力的大小,实现对平台的精确控制。再通过模糊算法控制器,实时动态的优化计算力矩算法的控制参数,使得控制的精度更加的精准,实时性也更强,同时拥有较高的抗干扰能力和应变能力。经过仿真得到结果,此算法具有明显的效果并且实用性非常好。

为了实现对三自由度Delta并联机器人更精确的轨迹跟踪控制,对并联机构的动力学建模不确定性进行研究,提出了计算力矩控制基础上的RBF神经网络在线补偿控制策略。利用Lyapunov理论推导了神经网络在线权值自适应律,保证了系统稳定性。运用RBF神经网络在线自学习系统的不确定性,提高了控制效率同时增加算法的自适应性。在Simmechanics中建立系统物理模型并在Simulink中设计控制器,之后进行Simulimk/Simmechanics联合仿真,结果表明算法优于计算力矩控制,可以有效减小跟踪误差的收敛半径,实现对目标轨迹的准确跟踪。

基于Lab VIEW设计插装阀实验台测控系统。为确保测控系统的稳定,结合积分分离PID的优点,提出将这种PID的改进算法用作液压系统的压力控制。使用板卡自带的Lab VIEW驱动函数,结合Lab VIEW中相应的采集函数和模块,可以非常方便地对数据进行采集分析与保存。将Access数据库用于报表生成中,结合数据库的特点使得报表的生成具有动态与实时的特点。试验结果表明：基于Lab VIEW的测控系统不仅交互界面友好,同时对于压力的控制也足够精准,系统的调试与维护等操作也很方便。