针对复杂系统虚拟现实技术应用时实现精准描述系统的动态工作原理,复现真实系统的运动控制功能比较困难的问题,以具有高阶、非线性、强耦合等特征的液压六自由度并联机构为研究对象,提出了一种利用用户数据报协议(user datagram protocol,UDP)实现专业软件MATLAB与虚拟现实开发软件Unity3D的虚拟现实技术。首先利用三维建模软件SolidWorks构建并联机构三维模型,将模型导入Unity3D软件中并对其施加关节约束;其次对并联机构进行运动学反解,建立MATLAB与AMESim联合仿真模型;最后通过UDP协议,实现MATLAB与Unity3D双向实时数据交互并驱动虚拟机构动作。仿真表明虚拟机构动作完全符合真实物理系统的工作原理,基于UDP协议数据驱动的虚拟现实技术具有很好的准确性与实时性。

针对目前数控机床主轴系统故障诊断存在方法单一及智能化程度低的问题,提出基于数据驱动和本体建模的机床主轴故障诊断与推理方法。采用EMD对传感器采集的蕴含故障特征的原始信号进行数据处理与分析,提取原始统计特征,在此基础上,构建DBN-RF诊断模型实现深度特征自适应挖掘与故障模式识别。利用Protégé5.1工具结合领域知识构建机床主轴故障本体知识库,将DBN-RF诊断模型的故障辨识结果与本体知识库中的实例进行语义映射,实现故障知识推理,获得故障原因和故障解决策略。基于采集的不同工况下轴承故障数据验证了DBN-RF诊断模型的有效性,最高故障诊断平均准确率可达92.93%;构建实例验证了本体知识库的可重用性和推理功能;最后,设计开发了数控机床主轴健康管理服务系统,实现主轴系统状态实时感知和故障诊断与推理。

通过建立数据驱动的故障预测模型,可以将故障状态从正常状态中分离出来,进而实现对风力发电机故障的精确诊断。为此,提出一种基于马氏聚类和前馈神经网络的风力机故障诊断策略,通过马氏距离评估实现数据聚类以及正常数据和异常数据的分离;然后以前馈神经网络为基础,根据工程经验构建风力发电机、齿轮箱和发电机3种预测模型;最后利用实验样机数据对所提出的故障预测策略进行验证。实验结果表明所提的风力机故障预测策略可以有效识别风力机输出功率异常、齿轮箱温度异常和发电机温度异常,进而有利于合理地安排维修计划。

针对数控加工过程能耗现场采集困难,难以实现精确预测的难题,提出了一种多特征数据驱动的数控铣削加工能耗预测方法。首先,对影响数控铣削加工过程能耗的特征属性进行分析,提出了多特征数据采集及处理方法;其次,运用ReliefF的特征选择算法,对能耗预测影响较大的特征数据进行筛选,确定能耗预测的输入特征数据;运用人工蜂群优化BPNN神经网络(ABC-BPNN)的算法对数控铣削加工过程进行能耗预测;最后,通过某工件表面铣削加工案例对所提的方法进行验证,并进行算法对比,说明了所选方法的有效性。

随着风电、高铁、航空等重大装备向着高可靠性、长寿命、智能化的方向发展,对齿轮、轴承等基础零部件的寿命提出更高的要求,也迫切需要更为科学、高效的疲劳寿命预测方法。机械零部件的寿命预测方法可分为基于物理失效模型、基于数据驱动模型和基于融合模型3种。随着零部件寿命预测研究向高精度、高效率发展,基于物理模型的寿命预测方法由于其模型复杂、耗时、不具有普适性等缺陷难以满足现代需求。基于数据驱动技术由于其具有无需知道其具体失效机理、预测结果准确等优点,且伴随机器学习、深度学习等技术的迅速发展,使得其成为零部件疲劳寿命预测研究的热点。鉴于此,详细阐述了基于数据驱动的机械零部件疲劳寿命预测方法,并详细介绍了神经网络、支持向量机、随机森林、深度学习等数据驱动方法在零部件寿命预测中的应用,...

针对多机装备可视化监测中存在的数据体量大以及单台主机模式下无法有效完成复杂任务的问题,提出了基于实时运行数据驱动的分布式液压支架群虚拟监测方法.该方法首先建立了基于实时运行数据的驱动模型;其次基于可识别数据交互器的数据传递方法,建立了C/S模式下的分布式局域网协同模型;然后基于一致性哈希算法的分配方法,建立了可根据主机负载状况动态分配任务的任务调度模型,最后以试验室液压支架群为例构建了分布式系统.试验结果表明:该方法建立的监测系统相比于单主机系统,提高了监测的稳定性,能够为透明综采工作面的建设提供核心技术支撑.

为挖掘西气东输项目中的SCADA系统的数据,提出一种基于数据驱动的空压机集群智能诊断系统。该诊断系统由相关硬软件、SCADA网络、神经网络算法以及人机界面等模块组成,能够很好地实现实时远程集中监视。在此基础上,运用人工智能技术对空压机运行大数据进行挖掘,实现空压机的综合报警、故障诊断以及空压机性能预测,对空压机的科学管理有明显的指导意义。运行结果表明:该系统满足对空压机实施智能故障诊断的要求,为传统诊断系统的升级改造提供指导。未来该系统可作为空压机管理子系统,归入到管道设备管理系统,对我国智慧管道的建设有重要意义。

由轨检车检查得到的大量轨道几何尺寸的历史数据,可以挖掘出轨道不平顺发展背后的潜在规律。从已有的历史数据的角度出发,以数据驱动的方式为出发点,得出轨道不平顺的发展趋势,可以做到对轨道质量指数的合理预测;若单纯从某一理论方法出发进行研究,实际观测数据不一定都能符合其结果。基于已有的历史数据出发,寻找最为匹配的规律,为轨道恶化趋势的预测提供新思路。研究结论如下①提供了对轨道质量预测的新思路,预测结果的置信度可达到约92%;②基于已有的原始数据,匹配得出的分布函数中的系数根据实际情况的变化而变化,可包容被测轨道的不同个性;③轨道质量指数的增长与时间的关系是一种理论上循环的非线性关系。

柔性作业车间调度问题是一种典型的NP-Hard问题,在生产过程中,调度方案会因各种意外事件的发生而变化。针对柔性作业车间调度问题的实时性、动态性的特点,构建了基于数据驱动的柔性作业动态调度的数学模型。首先通过数据感知设备监测车间中发生的变化,实时传输到服务器上,然后根据车间生产状况所发生的变化,依据服务器上的调度规则重新调整调度方案。最后通过某制造企业的调度方案和车间环境变化时的调整方案,验证了基于数据驱动的实时动态调整调度方案的可行性和有效性。

离合器结合控制是影响混合动力汽车模式切换控制中的动力中断时间与冲击度的主要因素,关键在于如何自动适应离合器在使用过程中存在的磨损及其工作环境条件的变化。为此,提出一种基于数据驱动和转矩预测的在线自适应优化控制方法,通过人工神经网络辨识离合器模型并在线更新,采用卡尔曼滤波方法实时预测离合器转矩,解决离合器参数的动态不确定性问题,进而以综合抑制冲击度和减少结合时间为目标函数,结合组合优化算法得到最优占空比序列和最优结合时间,同时采用发动机目标转速轨迹跟踪控制完成离合器两侧转速同步。测试结果证明,提出的方案可实时应用于车辆在线控制,相比其他控制方法,能有效抑制冲击度和减少结合时间。