课程文献中心 更多>>

关键词： 螺栓故障   3D点云   ICP   RANSAC  

摘要： 城市轨道交通作为一种城市内交通运输方式,因其快速高效、低碳环保、运力强大等优点得到了国家产业政策的大力支持,近几年来,我国城市轨道交通发展迅速、列车速度不断提高,其安全问题愈发重要。列车长时间的运行,由于震动、碰撞、老化等问题,列车底部的紧固螺栓会出现松动、甚至掉落丢失的情况,存在发生重大安全事故的风险。而现阶段采取的人工巡检的方法存在效率低、漏检多、标准不一等诸多限制。为了避免造成人员伤亡和财产损失,亟需研究出一种快速、准确的螺栓故障检测方法。本文采用智能列检机器人采集列车车底螺栓图像,合成点云数据,通过ICP算法与模版数据点云配准、RANSAC平面分割消除异常点,计算螺栓表面点云的数量与平面距离判断列车车底螺栓是否正常,实验表明,该方法可以有效的识别出列车车底螺栓丢失和3 mm以上松动故障,真实故障识别率为100%。对减少人工成本、排除列车安全隐患、保障人民生命财产安全具有重要意义。Urban rail transit, as an intra-city transportation mode, has been strongly supported by the national industrial policy due to its advantages of high speed, high efficiency, low carbon and environmental protection, and strong transportation capacity. Its security issues are becoming more and more important. When the train runs for a long time, due to vibration, collision, aging and other problems, the fastening bolts at the bottom of the train will be loose, or even lost, and there is a risk of major safety accidents. However, the manual inspection method adopted at this stage has many limitations, such as low efficiency, many missed inspections, and different standards. In order to avoid casualties and property losses, it is urgent to develop a fast and accurate bolt fault detection method. In this paper, the intelligent train inspection robot is used to collect the images of the bolts on the bottom of the train, synthesize the point cloud data, and use the ICP algorithm to register the point cloud with the template data, RANSAC plane segmentation to eliminate abnormal points, and calculate the number of point clouds on the bolt surface and the plane distance to judge the train bottom. Whether the bolts are normal or not, the experiment shows that this method can effectively identify the loss of the bolts on the bottom of the train and the loose faults of more than 3mm, and the real fault recognition rate is 100%. It is of great significance to reduce labor costs, eliminate hidden dangers of train safety, and ensure the safety of people’s lives and properties.

关键词： 滚动轴承   故障诊断   特征提取   变分模态分解算法   参数优化  

摘要： 作为旋转机械的核心和易发生故障的部件,滚动轴承及其故障诊断是目前研究的热点和前沿。有效的特征提取方法对于滚动轴承故障诊断至关重要,其中变分模态分解算法(VMD)因对复杂信号具有较强的分析能力和自适应性,应用潜力较好。对VMD的基本原理及其优势、VMD在轴承故障特征提取方面的应用、VMD参数优化方法以及最新进展进行归纳总结,针对VMD参数优化问题,从适应度函数构造和群智能算法改进上,提出一种新的解决方法,并探讨VMD在诊断滚动轴承早期微弱故障和复合故障等方面的不足之处,最后从理论研究和工程应用的角度,展望VMD未来的发展方向,可为从事滚动轴承故障诊断的相关研究人员提供参考。

关键词： NORMARK   盲降系统   性能优化   故障诊断技术  

摘要： 随着航空事业的飞速发展,飞行安全的重要性日益凸显。盲降系统,作为航空导航的重要组成部分,其性能的稳定性和准确性直接关系到飞机着陆的安全性。NORMARK盲降系统作为一种先进的导航设备,在航空领域有着广泛的应用。然而,随着使用年限的增加和外部环境的变化,其性能可能逐渐下降,故障发生率也可能上升。因此,对NORMARK盲降系统进行性能优化和故障诊断技术的研究,对于提高飞行安全、保障航空运输的顺畅运行具有重要意义。

关键词： 盾构机   漏浆漏沙   盾尾刷   洞内更换  

摘要： 针对城铁花桥站—光夏路站盾构工程中出现的漏浆漏沙现象,对洞内更换盾尾刷技术进行具体的阐述,详细介绍了盾尾封堵、拼装机工装安装、盾尾刷更换等流程中的技术要点,对盾尾刷损坏的原因与防护措施进行分析和总结。

关键词： 故障诊断   小样本   元度量学习   自适应边际损失   无人机  

摘要： 针对基于度量学习的小样本故障诊断方法,在模型优化过程中对边际影响的忽略导致模型对训练数据过于敏感,进而产生过拟合。为此,构造了一种自适应边际损失函数,帮助模型学习样本之间的相对距离,以获得足够的距离信息,提高对新样本的泛化能力。另外,根据训练数据的分布和模型的性能,自动调整边际的大小,使其自适应地区分不同的故障类别。为更好地解决小样本问题,提出了元度量学习框架,采用元学习片段式训练模式。在度量模块中,引入余弦相似性以提高方法的表达能力,并指导模型的优化和训练,使其更好地适应小样本数据。为验证所提方法的有效性,使用带故障的无人机飞行日志数据构建了数据集,并将所提方法与传统的度量学习的方法进行了对比。实验结果表明,所提方法在无人机小样本故障诊断中表现出良好的诊断性能和稳定性,为小样本故障诊断提供了一种有效方案。

关键词： 智能建筑   工程机械   工程技术人员   科研人员   品牌宣传   机械装备制造   产品供应商   行业工作者  

摘要： 为了促进全国智能建筑及工程机械装备制造及其上下游相关行业工作者交流研讨,加强媒体与智能建筑及工程机械装备制造行业之间在管理、成果转化、技术创新、品牌宣传等领域的互动与合作,促进优质资源的共建共享,以国内专家、学者、相关企业的管理者、工程技术人员、产品供应商,科研人员、政府部门公务人员及行业组织工作人员为主要读者对象的《智能建筑与工程机械》杂志,现面向全国范围内邀请行业内企事业单位、机构、社会团体,本着互惠共赢的原则,加入本刊战略理事单位,切实发挥杂志的导向、桥梁与纽带作用。

关键词： 钻爆法   TBM法   隧洞施工   钢拱架   安装质量  

摘要： 钻爆法隧洞施工一般包括全断面掘进法、导洞法、分部开挖法,近年来兴起的硬岩掘进机TBM法属于全断面开挖方法,以上两种方式开挖完成后的初期支护均以锚杆、钢拱架、喷射混凝土为主要手段,特殊地段还要辅以小导管、管棚等加强措施。其中钢拱架作为锚喷支护的主要支护骨架,其安装质量直接影响隧洞稳定性。钢拱架是用型钢或由钢筋焊接成型的格栅拱架①,本文阐述是以型钢为代表的一类钢拱架,和广大读者探讨钢拱架施工技术及质量控制。

关键词： 气相压裂   掘进工作面   顶板卸压  

摘要： 安全一直是煤矿生产关注重点。为保障井下安全作业,降低安全隐患,本文研究CO_(2)气相压裂技术在掘进工作面顶板卸压中的技术应用,通过在五阳煤矿8006回风巷进行工程试验,发现在工作面煤炮发生频率、瓦斯涌出浓度及掘进速度试验中CO_(2)气相压裂技术对顶板卸压效果明显。

关键词： 矿山机械设备   破碎机   估值诊断   维护技术  

摘要： 随着科学技术的不断发展和进步,矿山机械设备得到了大量的使用与开发。在开采过程中,需要使用破碎机设备,而破碎机是矿山机械装备中最重要也是最易发生故障的一种,所以经常要对破碎机进行细致的故障诊断,并采用合适的维修工艺来保证设备的正常运转。本文对矿山机械设备破碎机失效的原因进行了分析,对其故障进行了诊断,并采取了相应的维修技术。

关键词： 局部均值分解   阈值降噪   滚动轴承   故障诊断  

摘要： 针对滚动轴承振动信号易受噪声干扰从而影响故障诊断精度的问题,提出了一种将改进局部均值分解(LMD)区间阈值降噪算法、多尺度排列熵(MPE)和支持向量机(SVM)相结合的滚动轴承故障诊断方法。采用改进LMD区间阈值降噪算法对信号进行预处理,考虑到去噪信号仍有较强的非线性特性,采用MPE算法构建特征向量集,并将其输入SVM进行故障识别。实测轴承信号分析结果表明,本文所提出的故障诊断方法的故障识别准确率为98.3%,优于其他故障诊断方法。