卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

考虑系统扰动的永磁同步电机复合控制策略

提出一种结合滑模速度控制和扩展滑模扰动观测器的永磁同步电机复合控制策略。滑模速度控制采用新型趋近律设计,扩展滑模扰动观测器对系统内部参数摄动以及外部负载干扰进行准确估计。所设计的复合控制器通过系统扰动估计环节对控制系统中的综合扰动项进行实时估计,用以对速度控制环节进行前馈补偿,实现控制系统自抗扰控制。试验结果验证了所提出控制策略的有效性和可行性。     

异步电机无速度传感器带速重投策略

在异步电机转速自适应全阶观测器无速度传感器控制方法的基础上,提出了一种基于波波夫稳定性理论的带速重投策略。该策略能够反映出转速估计值与实际值之间的误差关系,并通过自中心向两侧检索的方法使得转速估计值快速地向实际值收敛。采用了一种预励磁方案来达到减小带速重投过程中电流冲击的目的。仿真结果证明了所提策略的准确性和有效性。     

基于在线学习的数控加工刀具寿命动态预测方法

预测刀具寿命对保证零件质量和控制加工成本意义重大,但刀具磨损过程复杂多变,刀具剩余寿命受工况影响难以准确预测。针对以上问题,提出了一种基于在线学习的刀具寿命动态预测方法,以长短时记忆网络为基础模型,融合在线学习模块,使得模型能够在加工过程中自动更新参数,实现变工况下刀具寿命的精确预测。进行了铣削加工试验,结果表明,刀具寿命动态预测方法可以有效提升刀具寿命预测精度。     

基于观测器与前馈控制技术的动态转台 控制实验研究

基于前馈控制技术对动态转台进行控制研究,分析了PID 控制在动态转台 控制中对于响应带宽提高的缺点。通过实验与Matlab 结合辨识了开环系统模型,并与实 际数据进行了比对。建立了系统状态观测器,并设计了基于观测器与前馈控制结合的控制 器,证明了观测器与控制器的稳定性。最后通过实验证明了观测器与控制器的有效性。     

非对称结构损伤飞机鲁棒容损控制器设计

当飞机发生非对称结构损伤时,飞机的质量、重心位置和气动特性都会发生突变,飞机机体的对称性遭到破坏,致使飞机的横纵向间运动产生强烈的耦合。针对飞机发生非对称结构损伤时导致的飞行控制问题,建立了非对称结构损伤飞机的损伤模型,并基于一种新型鲁棒容损控制策略,采用非线性扩张状态观测器和非线性动态逆相结合的方法,对飞机的姿态控制器进行了设计,兼顾了飞机系统的性能和对损伤的鲁棒性。最后,基于NASA的通用运输机模型,对所设计控制器的控制效果进行了仿真验证。仿真结果表明,设计的姿态控制器有效地抑制了非对称结构损伤给飞机控制系统带来的不确定性和扰动,具有较好的控制性能。     

基于深度学习的航空器异常飞行状态识别

飞行设备快速存取记录仪(Quick Access Recorder,以下简称QAR)保留了原始航班各类重要飞行参数在内的航行信息,使研究分析航空器实时状况和保障飞行质量成为可能。针对QAR数据高维大样本的特点,在如今大数据背景下,除了传统机理建模分析航空器飞行状态外,采用深度学习的方式建立基于数据驱动的航空器飞行状态识别模型,理论与实用意义兼具。通过对真实QAR飞行数据的研究,开发了基于深度稀疏受限玻尔兹曼机的异常飞行状态识别程序。首先利用小波降噪技术对原始飞行数据进行预处理清洗,在一系列典型飞行参数上提取经典时域特征以及小波奇异熵等信息熵特征构成特征集。在此基础上,分别利用经典的线性主元分析技术和深度稀疏玻尔兹曼机对特征集进行有效降维,最后采用四折交叉验证方式,通过高斯过程分类器实现对飞行状态的辨识。实验结果显示,基于深度受限玻尔兹曼机-高斯过程分类的飞行状态识别具有较高分类准确性。     

深度自编码观测器飞机操纵面快速故障诊断

为了避免扩展多模型自适应估计故障诊断方法中的雅克比矩阵计算,解决飞机精确模型难以获得的问题,降低在线故障诊断的计算量,提出了一种基于深度自编码观测器的飞机操纵面快速故障诊断方法.基于离线训练、在线估计的思想,采用量测的飞行数据训练得到不同故障下的飞机模型,代替扩展多模型自适应估计方法的卡尔曼滤波器进行状态估计;基于基础自编码器的隐层节点数选取经验公式,推导了两种深度自编码器的隐层节点数选取的递推公式.仿真结果表明,该方法无需精确的飞机模型,故障诊断速度快、精度高.     

基于PID和LESO的无人机控制

针对四旋翼无人机控制模型耦合程度高、非线性关系复杂,设计了一种基于PID和LESO的控制方法,选取无人机的某个状态变量作为控制量,通过简化模型对状态变量进行解耦控制,进而在控制系统中加入线性扩张状态观测器(LESO),提高模型的抗干扰能力。通过仿真和实际飞行与传统PID方法进行比较,充分验证了自抗扰控制(ADRC)在无人机飞行控制中具有鲁棒性强、精度高、易于实现等特点。     

基于干扰观测器的柔性空间机器人在轨精细操作控制方法

由于强非线性、强耦合和强时变等特征,柔性空间机器人的稳定精细控制问题一直是一个重大挑战。轻质小型化机器人受空间及重量限制,其关节柔性通常不可忽略,这部分柔性主要是由谐波减速器和力矩传感器的柔性造成的。传统的运动学控制在空载时能保持稳定,但是对大负载、快速运动时的适应性差,严重时机械臂抖动剧烈甚至发散。针对以上特征,提出了一种基于非线性干扰观测器和动力学极点配置的柔性空间机器人在轨精细操作控制方法。仿真实验证明,该方法可以有效地抑制柔性激振,保证响应的快速性和准确性,同时有较好的鲁棒性,能够适应不同类型扰动的影响和末端环境柔顺控制的要求,对工程应用具有一定的参考意义。