我国工业呈现规模化、复杂化和集成化的趋势,其中机械设备的长期、稳定、高效运行是工业快速发展的关键。机械设备长期工作容易出现故障导致突然停机,降低工厂的经济效益,甚至对人的生命安全造成威胁,所以机械设备故障检测对于我国工业的发展和经济效益的提高有着重要的意义。现阶段的常见故障检测方式主要是人工检测和振动监测,人工检测巡检周期长、不能及时发现故障、主观性强,振动检测对检测装备的安装要求较高。因为机械设备发生损坏时声音会发生改变,并且声信号的采集方式为非接触式,方便安装,所以声信号逐渐被应用于机械设备的故障检测领域。基于声信号的故障检测技术能及时发现机械设备的故障,及时维修,降低经济损失。从机器学习和深度学习两个方面综述了机械设备故障检测领域的国内外研究进展,并且提出了基于声信...

针对普通滚动轴承智能故障诊断方法自适应提取能力弱及故障诊断率低的问题,提出一种基于混合注意力机制模型的滚动轴承故障诊断方法。将一维原始振动信号通过连续小波变换转换为二维特征图像,输入到卷积核注意力机制中以自适应提取故障特征;将提取特征后的图像输入到TDSC模型中,以此量化模型参数、减少每个参数占用内存和对训练好的复杂模型进行压缩,同时提高模型的推理速度和模型训练的准确率;最后,通过2个不同的公开轴承数据集进行实验验证。结果表明2个数据集故障诊断的最高准确率分别达到了99.99%和99.70%,证明了基于混合注意力机制的轴承故障诊断方法的可行性和优越性。

液压爬模是一种用于建筑施工的设备,对其进行压力预测将有助于在桥梁建设过程中监测工作状态与提供故障预警。为了获得更加精准的压力预测结果,提出一种基于长短期时间序列网络(LSTNet)的液压爬模压力预测模型。通过Spearman相关系数法筛选与液压爬模设备压力数据强相关的数据,减少不相关数据的干扰。利用LSTNet模型寻找液压爬模设备压力数据的长期和短期依赖,并引入线性的自适应回归层,结合神经网络的非线性部分,提高网络模型的预测精度。最后使用常泰长江大桥液压爬模项目采集的压力数据进行模型的训练,并与LSTM模型、LSTM-Attention模型和CNN-BiLSTM-Attention模型进行对比。结果表明在液压爬模的压力预测实验中,LSTNet模型展示了良好的拟合性和预测性能,相较其他3个模型的准确率更高。此外,LSTNet模型结合了线性与非线性特征提取能力,增强了时...

小目标检测是计算机视觉领域的研究方向之一,旨在解决在图像或视频中检测和定位尺寸较小的目标的问题。由于小目标往往具有低分辨率、模糊、被遮挡等特点,传统的目标检测算法在处理小目标时存在挑战。对此,提出一种融合少样本学习与注意力端到端网络的小目标检测方法。该方法通过引入图像增强技术和注意力机制,对传统的端到端检测网络进行优化,以提高检测性能。通过数据增强方式,对原始数据进行扩充,增加数据的多样性和数量;引入注意力机制,提取图像中的关键信息,以提升检测结果的准确性;最后,在网络结构方面,将原有的特征金字塔网络(FPN)替换为加权双向特征金字塔网络(BiFPN),以获取更丰富的图像特征。实验结果表明通过图像增强和注意力机制,所提方法的精准率、召回率、平均精度均值和检测速度在训练尺度为640像素×640像素时分别...

针对传统卷积神经网络刀具磨损程度识别方法网络模型体积大、结构复杂以及在线获取刀具磨损图像数据难的问题,提出一种将轻量卷积神经网络应用于刀具磨损程度识别的研究方法。将铣刀加工时产生的力信号与振动信号经格拉姆角场处理转化为图像数据集。再将图像数据分别输入到轻量级卷积神经网络MobilenetV2、MobilenetV3、ShuffleNet模型中进行对比分析。结果表明在初期磨损和正常磨损阶段使用MobilenetV2,在急剧磨损阶段使用MobilenetV3对刀具磨损识别效果能够达到最佳。与一般卷积神经网络进行对比表明,轻量化卷积神经网络对刀具磨损识别效果优于一般卷积神经网络。该方法解决了刀具图像数据在线获取困难的问题,增加了信息处理的容错性,能有效减少模型体积和计算量,便于植入嵌入式系统并集成到机床系统中。

当涂覆并联机器人两侧分支不同步或从主动关节到末端执行器存在运动传递误差时,会影响机器人的轨迹跟踪性能。为此,提出一种结合深度学习的智能跟踪滑模同步控制方法(ITSSMSC)。基于复合误差设计滑动面,利用深度学习算法训练具有多隐层的深度神经网络,在不调整额外参数的情况下跟踪由不同涂层工艺要求决定的任意给定轨迹,并保证同步性能。最后,通过实验验证了该控制方法的有效性。结果表明该控制方法在不同期望轨迹下均能实现良好的跟踪控制性能和同步性能。

在法兰表面缺陷检测任务中,为了对缺陷进行精准定位和分类,根据缺陷位置和类别综合判定法兰是否符合特定标准的质量要求,结合缺陷特征和相应标准,提出一种基于视觉技术和Mask R-CNN的法兰表面缺陷检测与评估方法。依据法兰的适用原则和缺陷判定标准对法兰表面进行区域划分。通过搭建图像采集平台,采集图像并对其进行预处理操作后添加至网络训练集中。采用Mask R-CNN作为缺陷检测网络的基本框架,结合法兰表面缺陷特点改进Mask R-CNN骨干网络和颈部网络,并对网络性能进行验证。最后,根据检测标准,使用边缘检测算法对模型检测结果进行复检。结果表明改进后的方法能够实现精确的定位并进行质量评估,满足法兰表面缺陷检测的要求。

液压系统状态监测信号受回路特性与泵机组运行工况影响,呈现复杂非线性且异常状态难以准确识别与诊断。为此,提出了一种基于主成分分析与随机森林BP神经网络(PCA-RF-BP)的液压系统异常状态诊断策略,用于提高设备监测系统的诊断效率。首先,基于状态监测数据进行主成分分析以降低数据维度,同时计算T 2和SPE统计量进行过程状态的实时异常检测;其次,采用随机森林BP神经网络对异常样本进行预测分类。实验结果表明,所提方法能够有效地诊断液压系统泄漏状态,检测延迟至多5个样本点,预测分类精度达到99.88%,相较于现有方法平均提高了4.63%。

针对变转速液压动力源恒流量传统预测方法耗时长、预测误差大以及准确率低等问题,提出了基于深度学习和限幅模糊的变转速液压动力源恒流量预测方法。利用永磁同步电机数学模型、伺服控制器数学模型、齿轮泵数学模型和比例溢流阀数学模型,在深度学习的基础上,使用限幅模糊控制技术,对变转速液压动力源恒流量进行预测。结果显示:相对于传统预测方法,本文方法的预测效率和准确率得到了大幅度提高。

对液压泵建立健康评估模型需要大量训练数据,然而由于其工作条件随时间和地点的变化,使得获取特定条件下的数据比较困难。为了在目标数据不足的条件下对液压泵建立健康评估模型,提出了一种深度学习和迁移学习的液压泵健康评估方法。首先,通过卷积神经网络的方法对已有大量历史条件下液压泵振动的频域信号建立预测模型,再用迁移学习的思想在少量目标液压泵数据上对深度学习模型进行微调。实验结果表明,该方法可以有效地提高预测准确率。