为了解决强背景噪声环境下直升机滚动轴承故障信号微弱,故障特征难以提取的问题,提出一种基于最小熵解卷积(Minimum Entropy Deconvolution,MED)与Teager能量算子(Teager Energy Operator,TEO)的滚动轴承故障特征提取的新方法。根据滚...为了解决强背景噪声环境下直升机滚动轴承故障信号微弱,故障特征难以提取的问题,提出一种基于最小熵解卷积(Minimum Entropy Deconvolution,MED)与Teager能量算子(Teager Energy Operator,TEO)的滚动轴承故障特征提取的新方法。根据滚动轴承故障信号表现为冲击波形的特点和MED降噪对冲击特征敏感的特性,采用MED对故障信号进行降噪处理,同时增强信号中的冲击成分;再结合TEO适合检测信号的瞬时变化,能有效提取故障信号冲击特征的特点,计算降噪信号的Teager能量信号,进行频谱分析提取滚动轴承的故障特征。通过对仿真信号和直升机滚动轴承混合故障信号进行分析,实验结果表明,该方法能有效提取强背景噪声环境中的微弱复合故障特征,具有一定的工程应用价值。展开更多
文摘针对高端制造领域焊接机器人焊接效率低、精度差、运行不平稳等多种问题,提出一种基于改进傅里叶级数轨迹的焊接机器人运动学参数辨识方法.首先,依据MDH(modified denavit-hartenberg)准则建立焊接机器人的运动学模型,并基于微分运动学建立焊接机器人的误差模型;随后,通过模式搜索算法找到最优的改进傅里叶级数轨迹,从中选出50个条件数最小的位姿点作为实验位姿集;最后,提出一种递归最小二乘方-差分进化混合(recursive least squares and differential evolution hybrid,RLS-DEH)算法,能够有效提高参数辨识的精度.以库卡(KUKA)的焊接机器人作为实验对象,验证上述方法的可行性.实验结果表明,将使用改进傅里叶级数轨迹方法得到的最优位姿集代入误差模型后,经过RLS-DEH算法辨识,焊接机器人的绝对位置平均误差从1 mm降低到0.05 mm以内,相比标定前精度提高了95%,证明了所提方法的高效性与实用性.
文摘为了解决强背景噪声环境下直升机滚动轴承故障信号微弱,故障特征难以提取的问题,提出一种基于最小熵解卷积(Minimum Entropy Deconvolution,MED)与Teager能量算子(Teager Energy Operator,TEO)的滚动轴承故障特征提取的新方法。根据滚动轴承故障信号表现为冲击波形的特点和MED降噪对冲击特征敏感的特性,采用MED对故障信号进行降噪处理,同时增强信号中的冲击成分;再结合TEO适合检测信号的瞬时变化,能有效提取故障信号冲击特征的特点,计算降噪信号的Teager能量信号,进行频谱分析提取滚动轴承的故障特征。通过对仿真信号和直升机滚动轴承混合故障信号进行分析,实验结果表明,该方法能有效提取强背景噪声环境中的微弱复合故障特征,具有一定的工程应用价值。
