采用同步压缩变换和能量熵的机器人加工颤振监测方法

为避免机器人加工过程中颤振给加工质量及刀具寿命带来不利影响,提出了一种基于同步压缩变换和能量熵的机器人加工颤振监测方法。首先,利用同步压缩变换获取主轴振动信号高分辨率时频谱,并将获得的时频谱均分为有限个频带;然后,对各频带对应的时域子信号进行重构并求取其能量值;最后,采用能量熵作为表征颤振能量分布变化的特征量,通过计算所有子信号的能量熵之和对颤振进行在线监测。在库卡工业机器人加工实验平台上,开展了机器人制孔加工实验验证,实验结果表明:在不同的机器人加工条件下,所提方法均能在颤振发生前22ms左右有效地将其检测出来;计算一次能量熵的时长约为20ms,能够基本满足颤振在线监测的实时性要求。     

随机丢弃和批标准化的深度卷积神经网络柴油机失火故障诊断

针对已有的柴油机失火故障诊断方法需要精细且耗时的时频特征提取过程,且对实际含有噪声的样本诊断准确率低的问题,提出了一种随机丢弃和批标准化的深度卷积神经网络柴油机失火故障诊断方法。在不同的转速工况下进行柴油机失火故障模拟试验,将采集到的原始缸盖振动信号作为深度卷积神经网络的输入,并在输入端引入随机丢弃抑制输入噪声,通过一维卷积操作自动提取失火故障模式特征,接着在各卷积输出层对特征信号进行批标准化处理,以减少信号在深度卷积层内部的方差偏移,最后基于多分类函数完成失火故障分类。不同噪声环境和方法的对比试验结果表明,所提方法的分类准确率最高可达100%,同时在保证算法准确率的前提下,其鲁棒性优于依赖时频提取特征的方法。     

同步压缩小波与极限梯度提升树融合的柴油机失火故障诊断

针对柴油机失火故障诊断特征提取分辨率较低和分类评估容易出现过拟合的问题,提出了一种同步压缩小波变换和极限梯度提升树融合的诊断方法。在不同转速下进行柴油机失火性能试验,采集缸盖振动信号,对信号利用时域统计、同步压缩小波提取特征,再采用局部线性嵌入方法进行特征降维,最后利用极限梯度提升树进行失火评估分类。不同工况与评估方法下的对比实验结果表明,所提方法的分类准确率最高可达99.828%,相比小波包特征提取的评估方法提升至少10%。在低模型复杂度下,所提方法具有最小的模型预测均方根误差,证明了方法的鲁棒性和抑制模型过拟合的能力。