针对太空环境,提出一种带有移动副的8自由度机械臂,可完成太空环境中的设备维修、物品抓取等工作。通过标准D-H参数法,推导了8自由度机械臂的位姿变换矩阵和正运动学方程;利用MatlabRobotics工具箱,建立机械臂的仿真模型,将仿真模型与机械臂运动学方程进行对比验证;采用蒙特卡罗法对机械臂工作空间进行求解,绘制了机械臂末端执行器的工作空间点云图;通过Matlab对机械臂进行轨迹规划仿真研究,绘制运动过程中各关节的位移、速度、加速度变化曲线,验证了机械臂结构设计的合理性,为后续的研究工作提供参考依据。

针对难以从转辙机柱塞泵的非线性振动信号中有效提取故障特征以及各分量之间存在模态混叠现象等问题,提出了一种非线性自适应正交经验模态分解(Kernel Principal Empirical Mode Decomposition,KPEMD)与向量加权平均算法优化的支持向量机(INFO-SVM)结合的故障诊断方法。首先通过KPEMD方法将原始信号分解为多个IMF分量,根据相关系数筛选出故障信息丰富的敏感分量;其次提取敏感分量的时域频域特征及能量熵构造混合特征样本集;最后输入到INFO-SVM多分类器中进行故障识别。利用柱塞泵实验数据进行对比分析,结果表明:KPEMD能够有效减弱模态混叠现象,充分提取故障信息,INFO优化SVM的识别准确率优于其它常用算法的优化结果。本方法能有效识别出转辙机柱塞泵的不同故障类型,诊断准确率达到98%。

平衡肘受力情况复杂而且多变。利用Adams对行动部分进行虚拟仿真,结合实体计算可以获取平衡肘的真实受力载荷约为35 kN。根据疲劳理论分析,可以得到平衡肘初始结构的使用寿命在13万km以上。为了实现平衡肘的轻量化,对其结构进行拓扑优化,采用的方式是在平衡肘连接扭杆的端面位置进行循环沟槽设计等。经研究表明:在同等受力情况下,平衡肘的质量减轻了5 kg,且保证了平衡肘的使用寿命。结构拓扑优化降低了钛合金材料的损耗,节约了开发成本。

为提高齿轮箱故障的智能诊断精度,从信息融合的角度,提出了一种基于DHMM和BP神经网络的混合智能故障诊断方法。根据不同工况下齿轮箱的振动信号时频特征,利用训练样本建立各类工况下的DHMM模型,然后求得测试样本在各DHMM模型下的似然概率对数,将似然概率对数作为新的特征添加到原来时频特征中,把新的特征集作为BP神经网络的输入,实现各工况的诊断。实验结果证明,相比于单独使用DHMM方法、BP神经网络以及两种方法的简单级联,该方法较大的提高了齿轮箱故障的诊断精度。将DHMM方法引入到齿轮箱的故障诊断中,结合了BP神经网络的自适应能力强和DHMM时序建模能力强的优点,具有一定的应用价值。

针对行星齿轮箱振动信号故障特征提取困难的问题,提出了一种基于EMD-SVD与概率神经网络相结合的故障诊断方法。首先,利用经验模态分解方法将去噪后的振动信号自适应地分解为多个本征模函数。其次,利用相关系数和方差贡献率选取一定量的本征模函数,并将其构成的矩阵进行奇异值分解得到特征向量。最后,将特征向量输入概率神经网络进行故障诊断。在行星齿轮箱故障诊断实验台上进行了实验,并与基于能量熵构成的特征向量进行了对比,结果验证了该方法的有效性。

分析了基于时间序列的盲系统辨识方法与特征提取方法,并且对ARMA模型系统盲辨识进行了仿真,仿真结果表明基于累积量的参数确定方法优于Burg法。建立了齿轮箱ARMA系统盲辨识模型,提取时间序列模型的系数作为故障诊断的特征向量,证明了结构发生故障时系统特性的变化与故障之间具有一定的对应关系。