谐波减速器作为工业机器人核心部件,其性能是影响工业机器人加工精度的重要因素之一。由于其结构复杂且性能衰退具有强非线性,难以直接通过传统失效物理模型等理论计算方法对健康性能进行分析。为此,提出一种基于流形学习的降维方法,实现对谐波减速器健康状态的量化评估该方法提取不同状态下的原始信号时域特征作为高维输入向量,利用LargeVis流形学习方法将高维数据的内蕴流形在低维空间中得到表征,并构造马氏距离度量,建立状态数据与健康值之间的非线性映射关系,最终得到健康评估结果。通过加速寿命试验进行验证并与其他常见方法对比,该方法状态识别准确率高,鲁棒性更好,可快速实现数据可视化,能有效应用于机器人用谐波减速器的健康评估。

针对已开发的单向比例泵控非对称液压缸系统实验平台,为了实现该类系统的无超调位置控制,通过分析系统的工作原理及特性,基于系统的流量连续性方程和力平衡方程,提出采用带约束的三阶状态空间模型来描述单向比例泵控非对称液压缸系统的方法.基于模型预测控制理论和QPhild二次优化算法,设计适用于该模型的模型预测控制器来保证系统的无超调位置输出.实验结果表明,运用模型预测方法能够避免换向阀切换引入的系统非线性,有效地解决泵控非对称液压缸系统的超调问题,实现多约束条件下的高精度位置控制.

针对柱塞泵在变转速工况下运行时,存在因时变信号特征提取不易和噪声抑制困难导致的故障诊断准确度低的问题,提出一种以参数化解调为基础的柱塞泵空化故障诊断方法。首先,采用粒子群算法对泵出口时变压力信号重点分量的相位参数进行估计,再根据估计得的参数将信号解调至平稳化并滤波,接着对滤波后的信号进行反解调来获取单一信号分量;然后迭代执行参数化解调的上述步骤以提取所有重点分量并实现信号重构;最后对重构信号进行切片来构建数据集,再将数据集输入一维卷积-长短期记忆神经网络(1DCNN-LSTM)中提取局域特征并学习长期时序信息,从而实现准确地识别柱塞泵空化等级。流体仿真实验验证了参数化解调在信号分量提取上的有效性。使用实测信号进行空化故障诊断实验,结果表明:相比未经参数化解调的诊断方法,该方法的空化等级识别准...

针对高速轴向柱塞泵容易发生空化,且目前空化故障诊断方法存在依赖手工特征提取、鲁棒性不高的问题,提出了一种基于长短时记忆(LSTM)和一维卷积神经网络(1D-CNN)相结合的空化故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同空化等级下的壳体振动信号。利用LSTM和1D-CNN搭建的分类模型对不同进口压力情况下的振动信号进行空化等级识别。实验结果表明:提出的方法能够准确地识别出4类不同的空化等级,准确率高达99.5%,同时在不附加降噪方法的情况下,具有良好的鲁棒性,在0dB信噪比的情况下,识别准确率高达87.3%。

针对目前基于深度神经网络的柱塞泵故障诊断方法在小样本条件下精度低、模型欠拟合问题,提出一种小样本条件下基于孪生神经网络的柱塞泵故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同健康状态下的壳体振动信号;使用由卷积层和池化层组成孪生子网络自适应地从原始振动信号中提取低维特征,使用欧式距离判定输入样本对的特征相似度;通过相似度对比的方法扩大训练样本数量并训练孪生神经网络模型;最后,对测试样本进行健康状态识别。实验结果表明:与传统深度神经相比,所提方法在小样本情况下具有更高的准确率。同时,多通道数据融合实验表明:所提方法能够从不同通道的信号中学习到有关故障信息,多通道数据融合可以进一步提高诊断准确率。

针对高速轴向柱塞泵不同空化故障等级诊断依赖人工特征提取、识别准确率低的问题,提出了一种融合振动信号频谱分析和卷积神经网络的诊断方法。采集不同空化等级情况下柱塞泵壳体振动信号,对连续的振动数据进行切片并作频谱分析,获得频谱图作为数据集;利用二维卷积神经网络对不同空化等级的信号频谱图进行分类。为提高所提方法的鲁棒性,采用带通滤波的方法抑制频谱图中的噪声频率。试验结果表明:对于不同信噪比的振动信号输入,均能准确地识别出柱塞泵的空化故障等级。

液压柱塞泵出口压力脉动信号近似于周期信号,有比较明确的物理含义,携带着丰富的泵的健康状态信息,是柱塞泵健康管理比较理想的信号源。利用柱塞泵出口压力上的脉动成分,提出一种基于随机卷积核的柱塞泵异常检测方法,只需柱塞泵在正常工况下的压力脉动数据即可具备检测异常压力脉动数据的能力。该方法包括波形划分、异常数据段检测2个阶段:采用基于动态时间规整(Dynamic Time Warping, DTW)数据划分算法对柱塞泵压力脉动原始数据进行分割,获取压力

在对同步技术及同步误差产生原因分析的基础上，提出了共反馈同步误差模糊校正系统方案，并对模糊控制器进行了设计及修正，着重分析了仿真转台电液位置伺服系统控制策略，最后通过实验来验证所采用的控制策略是提高控制精度及减小同步误差的有效方法。

液压缸是工程机械中常用的执行元件，内泄漏是其常见的故障模式，将严重影响机械系统的工作效率和安全性，及时识别液压缸内泄漏能够保证液压缸的安全正常工作。通过小波分解提取液压缸进口压力信号特征，利用BP神经网络建立分类器，实现了对液压缸内泄漏的智能识别，分类准确率高，提高了液压缸内泄漏故障诊断的效率，为实现液压缸智能状态监控提供了基础。

为了研究阀泵联合控制的液压机主液压缸动态性能和稳态定位精度问题，利用流量连续性方程、力平衡方程建立了液压机非对称主液压缸的数学模型；采用Simulink工具建立了系统的数值仿真模型，开展了比例控制与比例积分控制下系统动态与稳态特性的研究。仿真结果表明：采用该阀泵联合控制方案可以有效地对液压机主液压缸实施控制，运用PI控制可有效提高主液压缸定位精度，但也带来了小幅度振动。