检索结果-内蒙古大学图书馆

振动与冲击 2025年第6期44卷 13-27页

作者：籍永建韩启超徐小康北京信息科技大学现代测控技术教育部重点实验室北京100192 北京信息科技大学机电系统测控北京市重点实验室北京100192 北京信息科技大学机电工程学院北京100192

串联式工业机器人(以下简称机器人)刚度低,铣削加工过程极易由于工艺参数或机器人位姿选取不当产生颤振,颤振会降低工件表面质量、损坏机器人装备。针对机器人铣削加工颤振稳定性预测问题,通过构建机器人刚度模型的方式研究了机器人末... 详细信息

串联式工业机器人(以下简称机器人)刚度低,铣削加工过程极易由于工艺参数或机器人位姿选取不当产生颤振,颤振会降低工件表面质量、损坏机器人装备。针对机器人铣削加工颤振稳定性预测问题,通过构建机器人刚度模型的方式研究了机器人末端刚度随空间位姿的变化规律;阐明了主轴系统速度效应对刀尖动力学特性的影响规律,采用数据拟合的方法建立了主轴转速与刀尖固有频率之间的映射函数;构建了综合考虑机器人-主轴系统耦合效应的铣削动力学模型,采用锤击试验方法获得机器人铣削系统刀尖的阻尼比与模态质量,得到了包含不同影响因素的机器人铣削加工稳定性叶瓣图,揭示了机器人-主轴系统耦合作用下铣削颤振稳定性的动态变化规律,进行了试验验证。结果表明,与现有模型相比,考虑机器人-主轴系统耦合效应构建的稳定性叶瓣图更加符合实际铣削状态,可有效提升机器人铣削颤振的预测准确率。

关键词：机器人铣削铣削动力学颤振耦合效应稳定性分析

来源：评论

学校读者我要写书评

暂无评论

基于多域空间状态特征的高端装备运行可靠性评价

引用

仪器仪表学报 2016年第4期37卷 804-810页

作者：王红军汪亮北京信息科技大学机电工程学院北京100192 北京信息科技大学现代测控技术教育部重点实验室北京100192 北京信息科技大学机电系统测控北京市重点实验室北京100192

机械设备运行可靠性对设备状态监测及故障诊断具有重要意义。传统可靠性评估方法依赖于大量故障样本,运用在单台设备可靠性评估上的实际意义有限。本文提出一种基于设备状态特征空间的运行可靠性评价方法。采集设备运行过程中的振动信号... 详细信息

机械设备运行可靠性对设备状态监测及故障诊断具有重要意义。传统可靠性评估方法依赖于大量故障样本,运用在单台设备可靠性评估上的实际意义有限。本文提出一种基于设备状态特征空间的运行可靠性评价方法。采集设备运行过程中的振动信号,获取时频域信息特征;采用小波包分解提取能量分布特征,构建高维特征空间。应用流形学习优化算法进行降维,获得其低维敏感特征空间,计算当前状态与正常状态的特征子空间的夹角,建立其映射关系,表征设备的当前运行可靠性。将该方法应用于不同状态下的转子实验台和滚动轴承实验台振动数据,实验结果表明:该方法对设备进行运行可靠性评价合理有效,具有很好的工程应用价值。

关键词：运行可靠性状态特征能量分布映射关系

来源：评论

学校读者我要写书评

暂无评论

机器人铣削加工颤振自适应识别方法研究

引用

中国机械工程 2023年第18期34卷 2165-2176页

作者：籍永建姚利诚北京信息科技大学现代测控技术教育部重点实验室北京100192 北京信息科技大学机电系统测控北京市重点实验室北京100192 北京信息科技大学机电工程学院北京100192

针对机器人铣削颤振形式复杂、难以有效识别的问题,提出一种机器人铣削加工颤振自适应识别方法。首先对原始振动信号进行信号分离,保留能够表征机器人加工状态的信息;然后采用不同信号功率谱熵之间的差值表征不同铣削状态下振动信号的... 详细信息

针对机器人铣削颤振形式复杂、难以有效识别的问题,提出一种机器人铣削加工颤振自适应识别方法。首先对原始振动信号进行信号分离,保留能够表征机器人加工状态的信息;然后采用不同信号功率谱熵之间的差值表征不同铣削状态下振动信号的频率分布特性,采用原始信号的标准偏差表征机器人铣削振动信号的时域特性。采用上述特征指标构建能够表征机器人不同铣削状态的三维特征向量矩阵,将特征向量输入支持向量机,构建机器人铣削加工颤振自适应识别模型。对模型进行验证,并与现有方法进行对比,结果表明,构建的机器人铣削颤振自适应识别模型能够准确识别机器人铣削加工过程中的再生颤振与低频颤振;对于稳定、早期颤振、剧烈颤振、低频颤振以及空载等状态的识别准确率达到93%,优于现有方法。

关键词：机器人铣削颤振识别特征提取智能模型

来源：评论

学校读者我要写书评

暂无评论

基于电流的主轴性能退化评估方法

引用

北京理工大学学报 2019年第1期39卷 22-27页

作者：王红军邹安南左云波北京信息科技大学机电工程学院北京100192 北京信息科技大学现代测控技术教育部重点实验室北京100192 北京信息科技大学机电系统测控北京市重点实验室北京100192

为提高精密机床主轴检测的准确性,提出了一种基于电流的主轴性能退化评估方法.建立了主轴性能退化模型,使主轴状态便于监测和评估.首先采用小波包阈值对电流信号进行去噪处理,对去噪后的电流信号提取时频域特征量,构造多域特征空间.然... 详细信息

为提高精密机床主轴检测的准确性,提出了一种基于电流的主轴性能退化评估方法.建立了主轴性能退化模型,使主轴状态便于监测和评估.首先采用小波包阈值对电流信号进行去噪处理,对去噪后的电流信号提取时频域特征量,构造多域特征空间.然后利用主成分分析法(PCA)进行数据降维,用降维后的样本进行支持向量机回归建模.采用粒子群算法(PSO)对支持向量机模型进行参数优化,以获得最优性能退化模型.将该模型应用于主轴实验台主轴性能退化评估,实验结果表明该方法原理正确,可以准确评价主轴性能.

关键词：主轴性能退化主成分分析法(PCA) 粒子群算法支持向量机(SVM)

来源：评论

学校读者我要写书评

暂无评论

基于SPWVD与知识蒸馏的行星变速器故障诊断研究

引用

电子测量与仪器学报 2024年第5期38卷 29-37页

作者：马超郑鑫辉王少红徐小力北京信息科技大学现代测控技术教育部重点实验室北京100192 北京信息科技大学机电系统测控北京市重点实验室北京100192

行星变速器运行工况多是非平稳运行工况,运行过程中齿轮啮合振动信号相互耦合导致测试信号混叠,其隐藏故障诊断难度增大;同时应用复杂的神经网络模型进行故障诊断预测时多数会收到工业现场边缘计算设备硬件的限制。针对相关问题,在保证... 详细信息

行星变速器运行工况多是非平稳运行工况,运行过程中齿轮啮合振动信号相互耦合导致测试信号混叠,其隐藏故障诊断难度增大;同时应用复杂的神经网络模型进行故障诊断预测时多数会收到工业现场边缘计算设备硬件的限制。针对相关问题,在保证行星变速器故障诊断准确率的情况下减少网络模型的参数量,提出了一种应用平滑伪维格纳-威利分布(smooth and pseudo Wigner-Vile distribution, SPWVD)与知识蒸馏结合的智能识别模型用于行星变速器故障诊断。首先,利用集合经验模态分解(EEMD)方法将多分量振动信号分解后选取单分量信号进行SPWVD计算后线性叠加得到二维时频图作为输入,以ResNet101为教师模型指导学生模型MobileNet进行训练,复杂教师模型将数据中的知识传授给学生模型,提高了学生模型的精度。将该方法与同类方法进行了对比,结果表明,模型以牺牲2.43%准确率为代价,存储成本下降为教师模型的24.55%,相较未知识蒸馏的MobileNet的准确率提高了9.61%,实现模型轻量化。本研究方法对提高深度学习模型在工程实际应用,降低边缘计算设备部署成本提供了一种有效且可行的解决方法。

关键词：故障诊断 SPWVD 知识蒸馏 MobileNet 行星变速器

来源：评论

学校读者我要写书评

暂无评论

基于XGBoost的下肢步态相位识别研究

引用

电子测量与仪器学报 2023年第3期37卷 95-101页

作者：苏鸿马超苏鹏高经纬北京信息科技大学现代测控技术教育部重点实验室北京100192 北京信息科技大学机电系统测控北京市重点实验室北京100192

针对下肢外骨骼应用中的难点问题,开展了基于XGBoost算法,利用单个IMU采集的运动姿态数据对步态相位进行识别的研究。首先,采集了6种不同步态下的足部运动数据,然后将每种步态划分为4个相位;在此基础上,以足部运动数据作为训练集,然后应... 详细信息

针对下肢外骨骼应用中的难点问题,开展了基于XGBoost算法,利用单个IMU采集的运动姿态数据对步态相位进行识别的研究。首先,采集了6种不同步态下的足部运动数据,然后将每种步态划分为4个相位;在此基础上,以足部运动数据作为训练集,然后应用XGBoost算法进行步态相位识别的分析。建立模型的过程中通过贝叶斯优化算法进一步对模型中涉及的参数进行优化。计算显示,模型的测试集平均正确率为89.26%,精度为89.64%,召回率为89.26%,F1值为89.10%;结果分析表明该模型能够实现较好的步态相位识别。

关键词：下肢运动姿态步态相位识别 XGBoost 贝叶斯优化

来源：评论

学校读者我要写书评

暂无评论

利用EEMD和深度置信网络的滚动轴承故障诊断方法

引用

重庆理工大学学报（自然科学） 2024年第6期38卷 133-140页

作者：郑鑫辉马超王少红徐小力北京信息科技大学现代测控技术教育部重点实验室北京100192 北京信息科技大学机电系统测控北京市重点实验室北京100192

结合滚动轴承振动信号的非线性特点,开展基于EEMD和深度置信网络(deep belief network,DBN)的滚动轴承故障诊断方法研究。应用EEMD对信号进行分解后,结合相关系数与峭度分析完成信号重构,构建加速度-速度矩阵作为DBN模型输入,实现滚动... 详细信息

结合滚动轴承振动信号的非线性特点,开展基于EEMD和深度置信网络(deep belief network,DBN)的滚动轴承故障诊断方法研究。应用EEMD对信号进行分解后,结合相关系数与峭度分析完成信号重构,构建加速度-速度矩阵作为DBN模型输入,实现滚动轴承不同故障类型及其损伤程度的诊断预测。研究过程中对模型泛化能力、层特征提取能力、模型分析结果和分析效率等方面进行了对比分析,对原始数据、加速度-速度矩阵、相图作为DBN模型输入的诊断效果进行了对比分析,同时进行了SVM、XGboost、ResNet、DBN不同网络模型的对比分析。分析结果表明,利用EEMD进行信号处理并构建加速度-速度矩阵作为DBN模型输入可以有效实现滚动轴承的不同故障类型和故障损伤程度的诊断,诊断平均准确率达到97.23%。此模型可为轴承状态监测与智能故障诊断技术的工程应用提供参考。

关键词：深度置信网络滚动轴承故障诊断状态评价

来源：评论

学校读者我要写书评

暂无评论

广义形态滤波和VMD分解的滚动轴承故障诊断

引用

电子测量与仪器学报 2018年第4期32卷 51-57页

作者：崔锡龙王红军邢济收左云波北京信息科技大学机电工程学院北京信息科技大学现代测控技术教育部重点实验室北京信息科技大学机电系统测控北京市重点实验室

滚动轴承早期故障信号的特征提取通常都会受到强噪声的影响,难以得到有效信息,因此提出了广义形态滤波和变分模态分解(variational mode decomposition,VMD)相结合的方法。首先利用不同结构元素构成的广义形态滤波去除故障信号中噪声信... 详细信息

滚动轴承早期故障信号的特征提取通常都会受到强噪声的影响,难以得到有效信息,因此提出了广义形态滤波和变分模态分解(variational mode decomposition,VMD)相结合的方法。首先利用不同结构元素构成的广义形态滤波去除故障信号中噪声信息的影响,突出故障信号的冲击特征;其次运用VMD对处理过后的信号进行分解,得到若干个模态分量;然后由峭度准则选取故障信息最为丰富的模态分量进行包络谱分析,获取滚动轴承的故障特征频率。通过对仿真信号和实测数据的处理结果表明,方法对噪声的去除效果显著,获取故障特征频率也十分明显,能够作为滚动轴承故障诊断的有效方法。

关键词：变分模态分解广义形态滤波滚动轴承故障诊断

来源：评论

学校读者我要写书评

暂无评论

基于VMD共振稀疏分解的滚动轴承故障诊断

引用

电子测量与仪器学报 2018年第9期32卷 20-27页

作者：杨伟王红军北京信息科技大学机电工程学院北京信息科技大学现代测控技术教育部重点实验室北京信息科技大学机电系统测控北京市重点实验室

针对滚动轴承早期故障信息难以提取且信号呈现非平稳、非线性的特点。提出了一种基于变分模态分解和共振稀疏分解相结合的滚动轴承故障诊断方法。首先利用VMD将信号分解为一系列模态分量;然后根据峭度准则对包含故障信息最多的模态分量... 详细信息

针对滚动轴承早期故障信息难以提取且信号呈现非平稳、非线性的特点。提出了一种基于变分模态分解和共振稀疏分解相结合的滚动轴承故障诊断方法。首先利用VMD将信号分解为一系列模态分量;然后根据峭度准则对包含故障信息最多的模态分量进行双Q因子的共振稀疏分解;最后对包含故障信息量丰富的低共振分量进行能量幅值谱分析从而得到轴承故障特征频率。其次将基于EMD共振稀疏分解应用于仿真信号作对比分析,证明VMD共振稀疏分解方法的有效性。基于此,将VMD共振稀疏分解方法应用于轴承内、外圈故障诊断中,成功提取出故障特征频率,验证了此方法的有效性。

关键词：变分模态分解共振稀疏分解品质因子故障诊断

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络的机器人铣削颤振识别

引用

组合机床与自动化加工技术 2024年第12期 23-29页

作者：姚利诚籍永建北京信息科技大学机电系统测控北京市重点实验室北京100192 北京信息科技大学机电工程学院北京100192 北京信息科技大学现代测控技术教育部重点实验室北京100192

串联式工业机器人整体刚度较低,铣削加工过程中极易产生颤振,降低工件表面质量与尺寸精度。针对机器人铣削颤振识别问题,提出一种基于卷积神经网络的颤振识别方法。通过机器人铣削实验采集不同加工状态下的振动加速度信号,提取信号的功... 详细信息

串联式工业机器人整体刚度较低,铣削加工过程中极易产生颤振,降低工件表面质量与尺寸精度。针对机器人铣削颤振识别问题,提出一种基于卷积神经网络的颤振识别方法。通过机器人铣削实验采集不同加工状态下的振动加速度信号,提取信号的功率谱熵差与均方根作为特征指标;采用特征指标构建表征机器人不同铣削状态的二维散点图像数据集。采用卷积神经网络算法构建机器人铣削状态智能识别模型,对机器人铣削状态进行辨识。为验证所提方法的有效性,与现有方法进行对比分析与验证。结果表明,基于卷积神经网络构建的识别模型能够有效辨识机器人铣削加工过程中的不同状态,其识别准确率可达95.10%,优于采用支持向量机构建的模型。

关键词：机器人铣削颤振特征提取状态识别卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：