机械工程|2023年第12期

DOI:10.12141/j.issn.1000-565X.230027

摘 要：针对按摩机器人作业对象面貌个性化差异，引用动态运动基元（DMPs）模型泛化位姿轨迹和力轨迹。为提高DMPs学习精度，提出了优化示教策略，基于按摩区域Mediapipe特征点计算作业对象间相似度，以此优选学习对象；其次，引入高斯混合回归，算法综合多次按摩信息以加强学习能力；最后，构建反向传播神经网络（BPNN）模型拟合DMPs算法的强迫项，从根本上改变了原本模型的局限性。实验表明，不增加运行时间下的BPNN-DMPs模型与DMPs、MDMPs和SADMPs算法相比，位置和姿态平均误差分别减少44.1%和54.5%、44.1%和54.5%、29.7%和46.4%。高斯混合回归能够综合多轨迹规律，优化示教策略实施效果显著，与未做优选对象相比，面部实验中的位置和姿态平均误差降低了52.3%和70.2%，标准差降低了46.3%和71.1%；背部实验中的位置、姿态和力平均误差降低了27.7%、66.7%和24.1%，标准差降低了25.7%、54.4%和44.1%。

作者简介：翟敬梅（1967-），女，博士，教授，主要从事机电装备信息化处理与人工智能研究。

引用格式：翟敬梅, 路东伟. 按摩机器人优化示教策略及BPNN-DMPs轨迹学习模型[J].华南理工大学学报(自然科学版),2023,51(12):1-8.

ZHAI Jingmei, LU Dongwei. Research on Optimized Teaching Strategy and BPNN-DMPs Trajectory Learning Model of Massage Robot[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(12): 1-8.

DOI:10.12141/j.issn.1000-565X.230013

摘 要：针对双机器人协作系统执行具有强协调约束关系的仿人任务时，存在轨迹学习复杂、协调约束分析欠缺的问题，提出了基于动态运动基元（DMPs）的双机器人协同搬运轨迹学习及泛化方法。首先，从双机器人协同搬运任务出发，分析了双机器人协调约束关系，建立了双机器人运动约束模型。然后，将机器人运动轨迹解耦为位置轨迹和姿态轨迹，采用四元数实现姿态轨迹的无奇异描述，分别建立位置轨迹和姿态轨迹的动态运动基元模型，结合双机器人运动约束模型与动态运动基元模型，兼顾各自的任务要求和相对位姿约束，进而获得双机器人的运动轨迹。接着，开展了双机器人协同搬运轨迹的仿真与实验，结果表明：采用双机器人协同搬运轨迹的学习与泛化方法，当改变起、终点状态时，双机器人定姿态协同搬运的起、终点位置误差分别为0.0292mm和0.1127mm，变姿态协同搬运的起、终点位置误差分别为0.0323mm和0.1131mm，终点的四元数姿态偏差为0.0014、0.0027、0.0018、0.0030，表明该协同搬运轨迹的学习与泛化方法具有较高的运动控制精度，即使起、终点任务参数改变，泛化轨迹仍可保证目标的可达性，验证了提出的双机器人协调运动轨迹控制方法的合理性和有效性。该方法可学习人体搬运过程并能够准确泛化出新的运动轨迹，实现了双机器人的协调运动，具有重要的工程应用价值。

作者简介：曹学鹏（1982-），男，博士，教授，主要从事机电控制系统及工业机器人应用研究。

引用格式：曹学鹏, 王德硕, 冯艳丽, 等. 基于DMPs的双机器人协同搬运轨迹的学习与泛化[J].华南理工大学学报(自然科学版),2023,51(12):9-20.

CAO Xuepeng, WANG Deshuo, FENG Yanli, et al. Learning and Generalization of Dual-Robot Cooperative Handling Trajectory Based on Dynamic Movement Primitives[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(12): 9-20.

DOI:10.12141/j.issn.1000-565X.220695

摘 要：针对桥梁高墩、梁底等区域检测困难的问题，设计开发了一款基于负压吸附的桥梁病害检测爬壁机器人。针对其自身的吸附稳定性，建立并推导了满足抗滑移和抗倾覆条件下的吸附力指标计算式，据此确定能在各角度壁面实现稳定吸附时机器人所需的最小吸附力。结果表明：为确保机器人可靠工作，吸附模块需提供53.0N的吸附力；结合经验公式给出离心叶轮的初步设计方案并利用Fluent对叶轮流域进行流体力学仿真及响应面优化，建立了由吸附力与扭矩共同构成的评价函数，并给出了函数值最佳时的叶轮设计参数，使吸附模块在满足稳定性的前提下，综合评价函数值较初设方案提升了3.4 %；对负压腔进行拓扑优化，综合考虑拓扑优化结果及负压腔气动性能，获得了腔体内加强肋的构造及布置形式，其中与车轮支撑臂相衔接的加劲肋为“八”字形与直线型镂空构造设计；优化后负压腔的最大竖向位移值减小为原模型的18.5 %，而质量仅增加了16.9 %，加强肋的精准布设效果明显，成功将竖向变形控制在了合理的范围内。最后，利用UTR6180型光敏树脂借助3D打印工艺完成了样机制作，其尺寸约为300mm×280mm×15mm，质量约为1.15kg。将样机置于多工况下进行性能测试，结果表明：本研究设计开发的爬壁机器人可在多种桥梁壁面稳定吸附并行进，不存在打滑、漂移现象。

作者简介：黄海新（1976-），男，博士，教授，主要从事现代桥梁设计理论和维护研究。

引用格式：黄海新, 王峥, 程寿山, 等. 负压吸附桥梁检测爬壁机器人的本体结构优化设计[J].华南理工大学学报(自然科学版),2023,51(12):21-33.

HUANG Haixin, WANG Zheng, CHENG Shoushan, et al. Optimized Design of the Main Structure of a Wall-Climbing Robot for Bridge Detection Based on Negative Pressure Adsorption[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(12): 21-33.

DOI:10.12141/j.issn.1000-565X.220758

摘 要：在缺乏足够的扶梯电机轴承故障数据的情况下，针对扶梯在频繁变载变速的运行状态中轴承故障特征不稳定的问题，提出了Stockwell（S）变换结合子域适应的扶梯电机轴承迁移诊断方法。首先，针对扶梯电机轴承的故障特点，采用S变换结合双线性插值算法生成振动信号时频图。该时频图能有效反映轴承故障特征，并与后续的生成/与特征提取网络输入要求相适应。其次，在基于深度残差神经网络ResNet-50的特征提取网络层的输出端引入局部最大均值差异（LMMD），将故障样本的类别置信度作为映射后的权重引入最大均值差异（MMD），在对齐源域和目标域全局分布的同时，对齐同类别样本所属的子域的分布，同时拓展可迁移学习的范围。然后，构建网络的最小化LMMD和交叉熵损失函数，采用小批量梯度下降法训练网络。从而可通过细化不同故障类别间特征差异实现故障子域自适应，并克服迁移诊断精度低的问题。最后，基于两个公开的轴承故障数据集和少量扶梯电机轴承故障数据构建S变换后的时频数据集，并进行迁移诊断实验验证。结果表明，本方法对扶梯轴承的两种源域到目标域的迁移诊断平均准确率分别达到99.1%和95.49%，识别精度和鲁棒性明显优于5种常用的诊断方法。

作者简介：陈忠（1968-），男，博士，教授，主要从事柔顺机构动力、机器视觉机器及其应用、精密测量和故障诊断研究。

引用格式：陈忠, 唐鑫, 张大明, 等. S变换子域适应的扶梯电机轴承迁移诊断[J].华南理工大学学报(自然科学版),2023,51(12):34-41.

CHEN Zhong, TANG Xin, ZHANG Daming, et al. Stockwell Transform Combined with Subdomain Adaptation for Escalator Motor Bearing Transfer Diagnosis[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(12): 34-41.

5.多尺度时空信息融合驱动的图神经网络故障诊断方法

赵荣超 吴百礼 陈祝云 温楷儒 张绍辉 李巍华

DOI:10.12141/j.issn.1000-565X.220593

摘 要：行星齿轮箱作为机械系统中常见的减速装置，由于长期在强噪声环境和变工况工作条件下运行，导致采集到的振动信号故障特征微弱、信号模式多变难以识别，针对行星齿轮箱故障诊断效果不佳，泛化能力差的问题，提出一种多尺度时空信息融合驱动的图神经网络故障诊断方法来提高故障诊断模型准确率和泛化能力。该方法首先构建多尺度卷积核对原始时序信号进行不同尺度特征提取，削弱强噪声信号对有效信息的掩盖作用并增强故障特征的表达能力；然后再构造通道注意力机制，根据通道特征重要程度，给不同尺度卷积核提取的特征自适应分配不同权重，对含有关键故障特征的信息片段进行特征强化；最后对卷积输出的多尺度特征，构造空域下的图数据并通过图卷积网络聚合多尺度特征，从而有效利用数据的时序多维信息和空域结构关联信息，实现多尺度下时空域故障信息的深度融合，提高诊断的准确精度和模型的泛化性能。通过利用具有行星齿轮箱结构的风电装备故障数据集对所提方法进行验证，并与其他深度学习方法（第一层宽卷积核深度卷积神经网（WDCNN）、长短时记忆网络（LSTM）、残差网络（ResNet）、多尺度卷积神经网络（MSCNN））进行比较，结果表明：本研究提出的方法在跨负载和跨转速两种工况下的平均诊断准确率分别可以达到98.85%与91.29%，明显优于其他对比方法，验证了本研究提出的方法的强泛化性能和优越性。

作者简介：赵荣超（1987-），男，博士，副教授，主要从事汽车热管理和故障诊断研究。

引用格式：赵荣超, 吴百礼, 陈祝云, 等. 多尺度时空信息融合驱动的图神经网络故障诊断方法[J]. 华南理工大学学报(自然科学版), 2023, 51(12): 42-52.

ZHAO Rongchao, WU Baili, CHEN Zhuyun, et al. Graph Neural Network for Fault Diagnosis with Multi-Scale Time-Spatial Information Fusion Mechanism[J]. Journal of South China University of Technology ( Natural Science Edition ) , 2023, 51(12): 42-52.