6

火箭軍工程大學(xué)蔡艷平等，考慮到鋰離子電池剩余壽命在線預(yù)測(cè)能力不足，以及基于極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型對(duì)小樣本訓(xùn)練數(shù)據(jù)學(xué)習(xí)能力不強(qiáng)的問(wèn)題，提出構(gòu)建連續(xù)的健康因子的方法，使用廣義回歸神經(jīng)網(wǎng)絡(luò)與改進(jìn)極限學(xué)習(xí)機(jī)(Extreme learning machine，ELM)融合的方法對(duì)鋰電池剩余壽命進(jìn)行多步預(yù)測(cè)。首先，提取鋰電池等壓降放電時(shí)間作為健康因子，利用插值補(bǔ)充的方法將離散的電池運(yùn)行參數(shù)重構(gòu)為連續(xù)的健康因子，然后，使用廣義回歸神經(jīng)網(wǎng)絡(luò)對(duì)鋰離子電池早期剩余壽命進(jìn)行預(yù)測(cè)，引入引力搜索算法對(duì)極限學(xué)習(xí)機(jī)進(jìn)行優(yōu)化，建立具有實(shí)時(shí)更新能力的鋰離子電池中后期剩余壽命預(yù)測(cè)(Remaining useful life，RUL)多步預(yù)測(cè)模型，最后，基于馬里蘭高級(jí)生命周期工程中心的CS2-35～CS2-38號(hào)以及CS2-7號(hào)電池?cái)?shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證。試驗(yàn)結(jié)果表明，基于廣義回歸神經(jīng)網(wǎng)絡(luò)與引力搜索算法優(yōu)化極限學(xué)習(xí)機(jī)融合的鋰電池在線RUL多步預(yù)測(cè)模型具有較高的預(yù)測(cè)精度，與其他模型相比魯棒性與適用性較好。

5

浙江大學(xué)流體動(dòng)力與機(jī)電系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室韋逍遙等，針對(duì)鋼軌焊縫表面缺陷自動(dòng)化檢測(cè)存在的難題，提出基于光度立體視覺的鋼軌焊縫打磨表面缺陷檢測(cè)方法。分析鋼軌幾何特征和表面形貌，設(shè)計(jì)鋼軌多表面圖像采集系統(tǒng)，實(shí)現(xiàn)多照明角度下光度圖像序列采集，基于高性能光度立體算法實(shí)現(xiàn)打磨表面法向重建。分析打磨表面法向特性以及缺陷特征，基于法向圖自適應(yīng)提取打磨區(qū)域，剔除背景區(qū)域干擾；提出基于雙階段和旋轉(zhuǎn)矩形提取的橫向紋路缺陷檢測(cè)算法以及基于灰度直方圖雙閾值分割的高度突變?nèi)毕輽z測(cè)算法，克服打磨區(qū)域的噪聲和偽缺陷干擾，有效解決缺陷特征提取和定位困難的問(wèn)題。試驗(yàn)結(jié)果表明，提出的打磨表面缺陷檢測(cè)算法優(yōu)于現(xiàn)有的基于深度學(xué)習(xí)的缺陷檢測(cè)算法，橫向紋路檢測(cè)準(zhǔn)確率達(dá)到94.4%，漏檢率低到0.84%；高度突變檢測(cè)準(zhǔn)確率達(dá)到92.64%，漏檢率低到1.56%；系統(tǒng)整體運(yùn)行效率為23.784 s每處鋼軌焊接面，滿足實(shí)際生產(chǎn)需求。

4

西安交通大學(xué)現(xiàn)代設(shè)計(jì)及轉(zhuǎn)子軸承系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室李響等認(rèn)為，振動(dòng)測(cè)量與信號(hào)處理是機(jī)械裝備故障診斷的重要方法。目前，主流的接觸式振動(dòng)測(cè)量方法已經(jīng)取得了顯著的成果。然而，此類方法對(duì)傳感器部署環(huán)境有較高要求，在很多工程場(chǎng)景下難以適用。因此，非接觸式機(jī)械振動(dòng)測(cè)量與故障診斷方法逐漸得到廣泛關(guān)注。事件相機(jī)作為一種受生物啟發(fā)的非接觸式動(dòng)態(tài)視覺傳感器，具有極高的時(shí)間分辨率、高動(dòng)態(tài)范圍、低數(shù)據(jù)冗余等優(yōu)秀特性，能夠從視覺角度準(zhǔn)確捕捉機(jī)械裝備微振動(dòng)。提出了一種動(dòng)態(tài)視覺賦能的非接觸式機(jī)械裝備智能遷移診斷方法。首先，基于事件相機(jī)采集的機(jī)械裝備動(dòng)態(tài)視覺振動(dòng)信號(hào)，建立了面向動(dòng)態(tài)事件流數(shù)據(jù)的跨領(lǐng)域擴(kuò)散生成模型，實(shí)現(xiàn)了對(duì)實(shí)測(cè)場(chǎng)景下裝備未知故障狀態(tài)的動(dòng)態(tài)視覺數(shù)據(jù)智能生成。在此基礎(chǔ)上，提出了一種基于類腦計(jì)算的動(dòng)態(tài)視覺數(shù)據(jù)特征提取與裝備故障模式智能識(shí)別方法，實(shí)現(xiàn)了機(jī)械裝備變工況下跨領(lǐng)域遷移診斷。最后，所提方法在核電機(jī)泵冷卻循環(huán)試驗(yàn)臺(tái)上針對(duì)關(guān)鍵旋轉(zhuǎn)機(jī)械部件進(jìn)行了驗(yàn)證，試驗(yàn)結(jié)果表明所提方法實(shí)現(xiàn)了基于動(dòng)態(tài)視覺數(shù)據(jù)的非接觸式機(jī)械裝備智能遷移診斷，為難以部署接觸式振動(dòng)傳感器的工程場(chǎng)景下裝備振動(dòng)測(cè)量與故障診斷問(wèn)題提供了一種新型視覺解決方案。

探花

清華大學(xué)車輛與運(yùn)載學(xué)院吳洋等認(rèn)為，履帶車由于工作環(huán)境多變、履帶-地面接觸機(jī)理復(fù)雜等因素，通常難以建立準(zhǔn)確的動(dòng)力學(xué)模型。此外，受到非結(jié)構(gòu)化路面的起伏擾動(dòng)沖擊，難以通過(guò)低成本的傳感器實(shí)現(xiàn)準(zhǔn)確的速度測(cè)量，這些不利因素對(duì)履帶車的路徑跟蹤控制帶來(lái)了挑戰(zhàn)。針對(duì)動(dòng)力學(xué)建模困難的問(wèn)題，建立以履帶轉(zhuǎn)動(dòng)加速度為虛擬控制輸入的動(dòng)力學(xué)-運(yùn)動(dòng)學(xué)混合模型，利用廣義擾動(dòng)來(lái)描述履帶滑移引起的不確定性。針對(duì)速度測(cè)量困難的問(wèn)題，以混合模型為基礎(chǔ)設(shè)計(jì)了基于擴(kuò)展?fàn)顟B(tài)估計(jì)(Extended state observer，ESO)的速度與廣義擾動(dòng)觀測(cè)器，實(shí)現(xiàn)了僅依賴GNSS和履帶轉(zhuǎn)動(dòng)編碼器信息的整車狀態(tài)估計(jì)。最后，以履帶轉(zhuǎn)動(dòng)加速度為中間控制量，設(shè)計(jì)了具有抗擾能力的分層控制策略，包括上層路徑跟蹤控制器和下層履帶轉(zhuǎn)速控制器。仿真和試驗(yàn)結(jié)果表明，所提出的狀態(tài)觀測(cè)與控制策略能夠準(zhǔn)確估計(jì)履帶車的實(shí)時(shí)速度，并有效提高在外部擾動(dòng)下的履帶車路徑跟蹤精度。

榜眼

重慶大學(xué)機(jī)械與運(yùn)載工程學(xué)院楊顯通等，綜合車載視覺和車輛動(dòng)態(tài)響應(yīng)信息，提出一種路面附著系數(shù)融合估計(jì)算法，以實(shí)現(xiàn)路面附著條件變化時(shí)對(duì)路面附著系數(shù)快速準(zhǔn)確的估計(jì)。首先，標(biāo)注路面種類語(yǔ)義分割數(shù)據(jù)集，使用Deeplabv3+算法訓(xùn)練路面種類語(yǔ)義分割模型，根據(jù)張正友標(biāo)定法對(duì)相機(jī)進(jìn)行標(biāo)定，將路面種類語(yǔ)義分割結(jié)果映射到車輛坐標(biāo)系，采用時(shí)序加權(quán)法對(duì)路面種類語(yǔ)義分割結(jié)果進(jìn)行融合，并將其轉(zhuǎn)換為對(duì)應(yīng)的路面附著系數(shù)范圍。其次，設(shè)計(jì)狀態(tài)約束平方根容積卡爾曼濾波(Constrained square-root cubature Kalman filter，CSCKF)算法。最后，構(gòu)建基于車輛七自由度雙軌動(dòng)力學(xué)模型和Brush輪胎模型的系統(tǒng)狀態(tài)方程和觀測(cè)方程，將路面語(yǔ)義分割結(jié)果作為CSCKF算法的約束邊界輸入，實(shí)現(xiàn)對(duì)路面附著系數(shù)的估計(jì)。結(jié)果表明，所提出的路面附著系數(shù)融合估計(jì)算法在路面附著條件突變時(shí)能夠快速收斂，并且具有較高的識(shí)別精度。

狀元

西安建筑科技大學(xué)機(jī)電工程學(xué)院史麗晨等認(rèn)為，數(shù)控機(jī)床刀具磨損的預(yù)測(cè)對(duì)于提高刀具加工的安全性和產(chǎn)品加工質(zhì)量具有重要意義。隨著傳感技術(shù)進(jìn)步，制造業(yè)中用于設(shè)備狀態(tài)監(jiān)測(cè)的傳感器數(shù)據(jù)量呈爆炸式增長(zhǎng)，這促使了以深度學(xué)習(xí)為中心的數(shù)據(jù)驅(qū)動(dòng)方法在刀具磨損預(yù)測(cè)領(lǐng)域受到高度重視。然而，如何精準(zhǔn)地識(shí)別和提取與刀具退化緊密相關(guān)的特征，進(jìn)而充分利用這些信息以提高預(yù)測(cè)模型的性能，仍然是一個(gè)挑戰(zhàn)。針對(duì)以上問(wèn)題，研究了一種基于深度學(xué)習(xí)的刀具磨損預(yù)測(cè)方法，將多通道篩選機(jī)制應(yīng)用到預(yù)測(cè)模型中，提出基于深度殘差收縮-雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型的刀具磨損預(yù)測(cè)方法。根據(jù)監(jiān)測(cè)信號(hào)的波動(dòng)程度選擇與刀具退化高度相關(guān)的多個(gè)通道進(jìn)行融合，利用卷積通道注意力機(jī)制融合多通道數(shù)據(jù)并高效挖掘各個(gè)通道的抽象特征信息，后建立雙向長(zhǎng)短期記憶回歸模型提取特征與刀具磨損相關(guān)的時(shí)序信息對(duì)刀具磨損進(jìn)行準(zhǔn)確預(yù)測(cè)。通過(guò)試驗(yàn)驗(yàn)證了通道篩選機(jī)制的有效性與預(yù)測(cè)模型精度。

對(duì)以上文章感興趣的讀者可以點(diǎn)擊題目，或在文后點(diǎn)擊“閱讀原文”在官網(wǎng)瀏覽。

責(zé)任編輯：趙子祎

責(zé)任校對(duì)：惲海艷

審 核： 張 彤

JME學(xué)院是由《機(jī)械工程學(xué)報(bào)》編輯部2018年創(chuàng)建，以關(guān)注、陪伴青年學(xué)者成長(zhǎng)為宗旨，努力探索學(xué)術(shù)傳播服務(wù)新模式。

歡迎各位老師掃碼添加小助理-暖暖為好友，由小助理拉入JME學(xué)院官方群！

歡迎關(guān)注機(jī)械工程學(xué)報(bào)視頻號(hào)~

尋覓合作伙伴

有一種合作叫做真誠(chéng)，有一種發(fā)展可以無(wú)限，有一種伙伴可以互利共贏，愿我們合作起來(lái)流連忘返，發(fā)展起來(lái)前景可觀。關(guān)于論文推薦、團(tuán)隊(duì)介紹、圖書出版、學(xué)術(shù)直播、招聘信息、會(huì)議推廣等，請(qǐng)與我們聯(lián)系。

感謝關(guān)注我們！我們《機(jī)械工程學(xué)報(bào)》編輯部將努力為您打造一個(gè)有態(tài)度、有深度、有溫度的學(xué)術(shù)媒體！

版權(quán)聲明：

本文為《機(jī)械工程學(xué)報(bào)》編輯部原創(chuàng)內(nèi)容，歡迎轉(zhuǎn)載，請(qǐng)聯(lián)系授權(quán)！

在公眾號(hào)后臺(tái)留言需要轉(zhuǎn)載的文章題目及要轉(zhuǎn)載的公眾號(hào)ID以獲取授權(quán)!

微信投稿、轉(zhuǎn)載等：

聯(lián)系人：暖暖

電話：010-88379909

E-mail：jme@cmes.org

網(wǎng) 址：http://www.cjmenet.com.cn

官方微信號(hào)：jmewechat