为了详细研究重型车辆的行驶状态,利用两种不同的方法建立了车辆的数字孪生模型对其进行预测研究,并对孪生模型的适用范围进行了分析。首先利用相关装置和仪器对车辆的行驶参数和状态进行了测量,然后分别利用高斯过程和深度卷积神经网络建立了车辆行驶的数字孪生模型,两个模型的输入均为车辆的传动系统参数、动力系统参数及天气状况,输出参数为车辆的行驶速度和转矩值。分析结果显示,基于高斯过程的数字孪生模型对于车辆行驶参数的预测精度较高,基于深度卷积神经网络的孪生模型在短时间内的收敛精度较好。文中所建立的车辆数字孪生模型为后续的车辆行驶状态的优化及孪生交互技术的实现奠定了基础。

针对径向柱塞式液压马达故障数据源较少、故障特征与振动信号之间对应关系不明等问题,运用某企业柱塞式液压马达扭矩测试平台收集其故障振动信号,对比径向柱塞式液压马达不同故障类型之间的振动数据特点,分析故障特征与振动信号之间的对应关系,丰富径向柱塞式液压马达故障诊断数据集,并提出基于深度卷积神经网络的径向柱塞式液压马达智能故障诊断方法。径向柱塞式液压马达故障实验结果表明:相比于正常振动信号而言,滚子和定子裂纹及磨损故障振动信号烈度较大,时域统计指标变化较明显,且频谱中有清晰的故障特征及其倍频成分;提出的智能故障诊断方法可以高效识别径向柱塞式液压马达9种健康状态,诊断精度高达99.85%,为径向柱塞式液压马达出厂前测试的智能诊断奠定了数据和理论基础。

为了提高轴承故障诊断的准确度,采用深度卷积神经网络算法来实现轴承故障分类。首先根据轴承振动故障特征频率建立轴承故障数据库,接着对轴承的振动信号按不同切片长度和固定宽度进行周期提取,建立特征向量矩阵,然后建立深度卷积神经网络的故障诊断模型,在网络设计时,差异化设置卷积核与池化尺寸,优化神经网络训练的核心参数,最后获得稳定的卷积神经网络模型。经过实例仿真,基于深度卷积神经网络的轴承故障分类准确率高,标准差小。

为了解决复杂多工况下刀具磨损状态的监测问题,提出一种基于深度学习的刀具磨损状态监测方法,并构建敏感特征值提取函数。基于刀具磨损数据集,建立多种工况下刀具磨损状态的监测模型,进行多工况下刀具磨损状态监测研究。研究结果表明:当敏感值界限设置为0.3时,从声发射、振动和电流信号的特征值中可以提取出56个敏感特征值;以均方根误差作为评价函数,得到测试样本的评价函数均值为0.123;模型对严重磨损状态下的刀具磨损监测效果优于对正常磨损状态下的刀具磨损监测效果;多组重复性验证证明所提出的监测方法稳定有效。

闭环检测是移动机器人自主导航以及各种视觉定位的重要组成。近年来随着深度卷积神经网络展,基于卷积描述符的闭环检测与基于手工设计描述符的闭环检测,均在各个系统得到了应用。通过利用深度卷积神经网络实现图像匹配,并将其用于移动机器人的全局定位算法中,对其工程实际表现进行了定量评估以及对比。从所设计的试验方法量化对比出目前主流的描述符在各种场景应用中的优劣性,可知基于AlexNet模型的卷积描述符在各实验中均表现最佳,为图像匹配及其全局定位提供定量参考选择标准。