为实现工人装配动作过程的识别,防止由于工人装配动作不规范而造成装配产品质量问题,研究基于深度学习方法的装配动作识别,提出一种基于通道注意力的融合时间和空间信息特征网络模型来识别装配动作的方法。利用MYO臂环传感器采集表面肌电信号,建立一个包含多种装配动作的数据集;搭建一个用于装配动作识别的神经网络,对网络模型进行评估。结果表明该方法具有较高的准确率和一定的参考价值。

为了解决多种微小元器件的尺寸、位置、方向和缺陷自动化在线检测难的问题,提出一套机器视觉和深度学习相结合的智能在线检测系统。通过搭建视觉检测系统采集微小元器件的图像,并对图像进行图像预处理、二值化、滤波、边缘轮廓特征提取以及模板匹配等处理,实现了多种微小元器件尺寸、位置和方向的在线检测。针对微小元器件表面缺陷,提出一种基于深度学习的微小元器件表面缺陷识别方法。实验结果表明该系统能兼容多种产品在线检测,检测效率约0.344 s/个,尺寸、方向和位置检测准确率达100%,缺陷识别准确率约为95.56%。

柱塞泵作为液压系统的重要元件,其性能好坏直接影响液压系统的运转,因此柱塞泵的故障诊断一直是工程机械故障诊断的热点。针对传统的故障诊断方法需要人工设计并提取信号特征,信号特征提取不完善等问题,提出运用卷积神经网络对轴向柱塞泵进行故障诊断。在柱塞泵正常状态、松靴、配流盘磨损、滑靴磨损、中心弹簧失效五种工作状态下,采集柱塞泵的振动信号,将振动信号转化为频谱图与时频图,并加以标签标记,生成样本数据输入到卷积神经网络、深度置信网络、堆叠自动编码器进行不同网络性能比较。研究结果表明,当样本数据选择小波变换时频图,卷积神经网络相对于深度置信网络、堆叠自动编码器在轴向柱塞泵故障诊断方面具有更高的准确率,为92.17%。

为提高液压支架支护质量评价方法的操作效率和精度,提出一种基于深度学习模型的评价方法,将液压支架支护质量的评价问题转化为图像分类问题。结果表明,该评价方法在计算复杂度降低1/2的条件下取得了出色的分类精度(82.74%)和准确的定位精度(81.67%),具有明显的计算优势。

微电机是一种重要的动力驱动元件,其诊断过程并不复杂,但人工听音比较低效且诊断结果片面,投入大量的人工对其进行分类是不合理的。为了提高微电机的诊断效率和实用性,提出一种诊断方法。使用自适应局部迭代滤波方法来降低噪声,然后用格拉姆角场将特征提取后的声音信号转换为图像,将转换后的图像应用深度卷积神经网络模型进行分类研究。基于微电机声音信号实验采集装置,对采集的数据应用所提出的方法进行故障诊断分类,并与其他方法进行比较。结果表明,该方法比其他方法具有更高的分类精度,准确率达到94.1%。

对《机械工程材料综合实验》课程后期的金相组织图像处理,以深度学习代替人眼观察进行自动识别分类。通过建立金相组织图像库,分析各类材料金相组织的不同形态特征,结合Alexnet神经网络模型,研究面向不同组织金相识别的Alexnet迁移学习方法,实现金相图像的自动识别。在4类不同的金相组织图像样本库上进行图像识别实验,准确率达到99.63%,能够快速地实现不同材料的区分。与通过人眼观察的方法对比,可大大减少人工操作的工作量,且方法迅速准确。

针对航天密封圈表面缺陷人工检测效率低、传统图像处理检测算法通用性差的问题,提出了两种基于深度学习的密封圈表面缺陷检测算法。首先,针对缺陷大部分为小目标的特点,选取对小目标较敏感的RetinaNet网络作为检测算法的基本架构,通过在RetinaNet网络中引入轻量级网络MoGaA构建出MoGaA-RetinaNet算法。然后,为了提高检测精度,在MoGaA-RetinaNet基础上,用分解卷积模块代替MoGaA骨干网络中的深度卷积构建了newMoGaA骨干网络,设计出newMoGaA-RetinaNet算法。最后,在测试集上的实验结果表明,MoGaA-RetinaNet算法比RetinaNet算法检测速度更快,但检测准确率略低;而newMoGaA-RetinaNet算法实现了检测精度与检测速度的良好平衡,比RetinaNet算法准确率提升4.5%,达到92%,检测速度提升55%,达到31 frame/s,网络参数量减少50%。所设计的newMoGaA-RetinaNet算法可以实现密封圈表面缺陷的快速准确检测。

针对传统故障诊断方法易受振动传感器安装位置的影响、故障诊断准确性不高的问题,提出一种基于注意力机制的数控机床进给轴深度学习故障诊断方法(AM-CNN-GRU)。该方法以数控机床进给轴的电流、电压与温度等相关数据作为输入数据,针对采集的进给轴数据中蕴含大量的时空特征信息,为了提取数据中的时空信息以提高故障诊断准确性,设计一种由CNN与GRU并联组成的时空特征提取结构。为验证所提方法的准确性,利用FANUC数控提供的FOCAS数据开发包编写数控机

针对传统并联机器人在工作环境中存在抓取不精确、定位与分类识别效率低下的问题,提出一种基于机器视觉与Faster-RCNN神经网络的工件识别检测技术。采用Delta机器人实验平台采集图像,进行图像的预处理操作并将其添加至网络训练集。通过Python3.7-torch1.7搭建深度学习中的Faster R-CNN卷积神经网络,作为基本框架训练工件图像数据集。最后将训练后的卷积神经网络得到的工件检测结果与原实验工件识别系统对比。结果表明:改进后的识别平均精确度比原有识别

针对航空液压管路故障信号含有噪声干扰导致管路故障识别困难的问题,提出一种基于双向门控循环单元(Bi-GRU)的深度学习液压管路故障诊断方法。由Bi-GRU神经网络模型综合液压管路数据进行时序特征提取,基于同一含噪声的液压管路振动实测数据,输入到Bi-GRU、GRU、RNN、SVM、BPNN等5种故障诊断模型中进行训练。最后,为了进一步展示Bi-GRU模型对于航空液压管路不同故障类型特征的学习能力,利用t-SNE降维算法进行液压管路特征可视化。结果表明:基于Bi-GRU航空故