随着信息通信技术(ICT)的发展,人工智能技术在机械故障诊断中的应用引起了研究人员的关注。为了验证人工智能技术在机床主轴故障诊断方面的适用性,通过构建机床测试台,收集人为改变主轴偏心的故障数据,并采用3种人工智能模型(CNN、LSTM和AE)进行学习,分析比较了它们对主轴7种故障状态分类的准确性。实验结果表明CNN和LSTM模型均具有较高的准确性,其中CNN模型的准确率最高,达到了99.3%,而AE模型的准确性相对较低,只有76.9%。验证了在机床主轴故障诊断中应用人工智能技术的可行性。

行星齿轮常被应用于大型机电装备传动系统中,但是极端恶劣工况导致其故障频发,研究行星齿轮故障诊断有助于预知性维护,提高机电装备运行效率和可靠性。提出了一种结合双树复小波变换(Dual-Tree Complex Wavelet Transform,DTCWT)多尺度联合熵特征和卷积神经网络(Convolutional Neural Network,CNN)的故障诊断方法。利用相比于普通小波变换更高级的DTCWT,将行星齿轮故障激励的特征信息分解到不同的信号分量中,结合多尺度粗粒化、频谱熵和能量熵,实现多尺度联合熵特征量化,最终结合CNN实现行星齿轮故障类型识别。通过实验验证分析,证明所提出的方法识别率达到94.5%,具有较好的诊断效果。

为了提升液压缸活塞杆速度控制的效率和响应灵敏度,保证掘进机运行的稳定性。通过分析液压缸的工作原理,运用CNN网络对活塞杆目标速度以及变化率进行调整,根据模糊PID控制理论建立了速度信号的模糊规则表,来实现掘进机液压缸速度自整定控制。并利用Simulink工具箱搭建了CNN-模糊PID模型来验证该方法的有效性。实验结果表明:CNN-模糊PID控制方法的速度追踪用时以及调整用时较短,响应灵敏度较高,满足液压部速度自整定控制要求;CNN-模糊PID控制方法随机速度追踪过程中,发生较大偏差的次数较少,最大偏差值为8.12%,满足实际控制要求。

针对传统的滚动轴承故障诊断方法难以提取轴承振动数据有效特征的缺陷,提出一种基于平滑伪Wigner-Vill分布(smooth and pseudo Wigner-Ville distribution,SPWVD)和卷积神经网络(convolutional neural network,CNN)的网络模型SPWVD-CNN。对振动数据进行平滑伪Wigner-Vill分布变换,将获得的时频图进行压缩,作为CNN的输入,利用迁移学习的思想进行网络训练,使得模型对于不同负载的数据具有良好的诊断性能,提高了网络的泛化能力。实验结果表明:SPWVD-CNN对轴承故障数据的平均分类准确率提升至99.27%,总体性能优于使用单一的CNN和其他传统的故障诊断方法。

提出了一种基于单目视觉和激光雷达的同步定位与制图融合语义信息的新方法,该方法利用从单目视觉中提取的特征和在激光雷达深度地图中的对应关系来获得相对于关键帧的姿态数据,同时对图像进行语义分割;通过从深度卷积神经网络CNN获得的语义特征来细化语义信息,地图中的每个点都与一个语义特征相关联,以执行语义引导的本地和全局姿态优化。提出的语义标记和SLAM的耦合具有更好的鲁棒性和准确性。在室内环境中对装备单目视觉和激光雷达的移动机器人进行验证实验,实验结果表明:该方法可以提高机器人导航精度,实现机器人智能自主导航,同时也可以提供语义信息的图像数据。