机械与电子

判别结构保持的跨工况故障诊断方法

2026年09月25 00:00

针对跨工况轴承故障诊断中源域与目标域特征分布偏移、目标域类别判别结构退化等问题,提出一种判别结构保持协同融合网络。该方法以频域振动信号为输入,利用图卷积网络时间卷积网络并联结构分别提取频谱局部关联特征和跨频带依赖特征,并通过双向交叉注意力机制实现异构特征协同融合;同时,引入基于余弦相似度的判别结构保持约束,增强跨域同类样本的特征一致性。在华中科技大学和东南大学2个轴承故障数据集上的实验结果表明,所提方法的平均迁移准确率分别达到99.71%±0.13%和99.63%±0.11%,均优于对比方法,具有较好的跨工况迁移诊断性能。

基于ABAQUS的底部混凝土门式刚架结构节点稳定性数值模拟

2026年09月25 00:00

针对底部混凝土门式刚架结构节点在复杂服役环境下稳定性分析中忽视Q355B钢本构与损伤耦合、且单一荷载工况难以反映金属材料累积损伤效应的问题,从金属功能材料视角出发,构建基于ABAQUS的精细化有限元模型,引入Chaboche混合硬化本构与延性损伤准则描述循环荷载下的滞回特性与韧性断裂行为,并分别开展行车、地震、风荷载及地震+行车振动组合工况的非线性动力时程分析,通过提取节点区应力应变响应、安全系数演化及累积塑性应变等指标定量评估材料损伤进程。结果表明:7度地震下节点最大应力为242 MPa,安全系数下限为1.2;行车荷载下最大应力为258 MPa,最小稳定系数为13.8;60°风向角风荷载下最大应力为247 MPa,各风向变形稳定;多源耦合荷载工况下节点最大应力升至278 MPa,累积塑性应变明显增大。该节点在各单独荷载工况下均满足稳定性设计要求,可为钢混凝土组合结构节点设计中金属功能材料的选型与性能评估提供参考。

参数摄动下耦合电机非奇异滑模并联补偿控制

2026年09月25 00:00

针对双惯量弹性耦合驱动系统中参数摄动与外部扰动造成负载端转角跟踪精度退化的问题,提出非奇异终端滑模并联补偿策略。在原有反步滑模神经网络控制器之外独立增设补偿支路,构造饱和切换型附加力矩,利用其有限时间收敛特性削减稳态偏差,同时神经网络继续在线逼近未建模动态。采用Lyapunov推导闭环误差一致最终有界的充分条件,并给出补偿增益整定准则。在MATLAB/Simulink中经单位阶跃、慢变扰动叠加快变参考及快变扰动叠加快变参考3类工况验证。结果表明,负载端角位置峰值跟踪误差较原方法分别降低77.4%、39.0%和32.2%,输出力矩抖振未明显增加。该策略为参数不确定与干扰并存下的高精度伺服控制提供了可行参考。

基于改进YOLOv5的复杂果园环境下梨桃果实轻量化检测与成熟度识别方法

谢瑞平,张志安 — 2026年09月25 00:00

针对复杂果园环境下梨、桃果实检测精度不足以及现有模型计算开销较大的问题,提出一种基于改进YOLOv5的轻量化球类果实检测方法,实现梨、桃果实检测及成熟度识别。在模型设计上,引入 BiFPN 双向特征融合结构增强多尺度特征表达;设计PGR-C3轻量化模块,在降低模型计算量和参数量的同时保持特征提取能力;设计PR-ECA 注意力模块增强关键特征表征;采用WIoU 损失函数优化边界框回归精度。实验结果表明:改进模型的精确率、召回率和平均精度(mAP50)分别达到86.5%、84.0% 和89.2%,较原始YOLOv5分别提高4.9百分点、3.2百分点和2.3百分点;计算量、参数量和模型体积分别降低26.6%、25.9%和25.0%。与Faster R-CNN、SSD、YOLOv3、YOLOv8和YOLOv11等主流目标检测模型相比,所提方法在检测精度和轻量化性能方面均具有较好的综合优势。

基于深度神经网络的试卷批改标记检测与识别研究

2026年09月25 00:00

针对试卷批改标记形态多样、尺度差异大和易受印刷文字等复杂背景干扰等问题,提出一种融合频域增强与Ghost轻量化的尺度形状解耦试卷批改标记检测算法FGSD-YOLO。首先,提出频率增强混合注意力模块(FHAT),通过对特征图振幅谱施加通道级自适应加权,增强与批改标记相关的特征响应,抑制印刷文字等背景干扰。其次,引入GhostConv轻量化卷积,通过半数通道标准卷积与轻量逐通道线性变换相结合,有效压缩模型参数量与计算开销。最后,提出高斯尺度形状解耦IoU 损失函数(GSSD-IoU),以高斯衰减形式重构中心距离惩罚并将形状惩罚解耦为宽度与高度2个独立约束项,提升小目标与异形标记的回归精度。实验结果表明:FGSD-YOLO 在Examination Paper Mark Trace数据集上的mAP@0.5达到97.1%,较基准模型提升4.3百分点;在Examination Paper Multiple Choice数据集上的mAP@0.5达到98.4%,较基准模型提升3.3百分点;同时参数量仅为2.8×10⁶,GFLOPs为7.4,实现了检测精度与模型大小的平衡,并具有良好的泛化能力、稳定性和复杂场景适应能力。

面向支柱绝缘子清洗的机器人多模式自适应决策与智能控制方法研究

2026年09月25 00:00

针对绝缘子清洗机器人在高空支柱绝缘子清洗作业中存在的作业模式僵化与参数控制静态化问题,提出一种融合感知决策与自适应控制的智能清洗方法。首先,构建基于多维度视觉的污秽特征提取模型,实现对污秽类型、覆盖率、曲率、湿润度与厚度的精准感知;在此基础上,提出一种模糊贝叶斯决策机制,实现干刷、水洗与混合洗3种作业模式的鲁棒自主选择。进一步,设计基于深度强化学习的双层清洗参数自适应控制架构,上层通过离线学习全局优化策略,下层结合实时反馈进行局部补偿,实现清洗参数的动态实时优化。同时,引入基于扰动观测器的本体抗扰控制器,保障绝缘子清洗机器人在清洗扰动下的本体稳定。仿真结果表明,所提方法在清洗清洁率、能量效率、模式适应性和运动稳定性方面均显著优于传统固定策略与单一智能控制方法,平均清洁率达92.1%,能耗降低36.6%,验证了其在复杂动态环境中具备良好的自适应能力和工程应用潜力。

强反冲环境下超高压水射流清洗机器人模糊PID 轨迹跟踪控制

原玮 — 2026年09月25 00:00

针对超高压水射流清洗机器人在强反冲环境下传感信息易畸变、全局路径搜索盲目及轨迹跟踪抗扰性差,进而导致清洗轨迹偏离与作业质量劣化的问题,提出强反冲环境下超高压水射流清洗机器人模糊比例积分微分(PID)轨迹跟踪控制。首先,针对传感信息畸变问题,采用均值滤波逐角度融合激光雷达与深度相机数据得到有效距离值,运用扩展卡尔曼滤波融合轮式里程计与惯性测量单元数据获得位姿估计,基于融合结果采用同步定位与建图(SLAM)算法构建静态二维栅格地图;其次,基于栅格地图,引入基于Hocaoglu算法思想的引导函数与自适应信息素更新改进蚁群算法,经贝塞尔曲线平滑处理,生成全局最短光滑清洁路径;最后,设计模糊PID控制器,以规划生成的路径点序列为期望输入,计算偏差及偏差变化率,通过模糊推理调整比例系数、积分系数、微分系数,并采用重心法解模糊得到参数修正量,实现清洗轨迹的跟踪控制。实验结果表明,所提方法能够获得光滑无障碍的最短路径并实现精确跟踪控制,其最大跟踪误差为0.031 m,上升时间缩短至0.65 s,有效提升了清洁工作的质量和效率。

炮孔视觉定位与机械臂装填系统设计

赵亚龙,张周强,常旭冰,张博 — 2026年09月25 00:00

针对隧道掌子面弱光、非均匀照明、岩壁纹理复杂以及孔缘破损条件下孔位识别与机械臂对准不稳定的问题,设计了一种面向隧道炮孔的视觉定位与机械臂自动装填系统。系统以工业相机采集的掌子面图像为输入,首先通过低照度增强、全孔候选提取和空间分布约束获得炮孔整体分布;随后在中心作业孔感兴趣区域(ROI)内构建候选孔综合评分模型和四孔几何代价函数,并结合椭圆拟合完成孔心精修;最后利用单应性映射将孔心坐标转换为机械臂作业平面坐标,采用安全趋近、孔口对准、轴向直线插补和复位的分阶段控制流程完成模拟药卷自动装填。实验结果表明,在20张掌子面图像、1 140个标注炮孔条件下,所提方法全孔识别F1值达到0.992 5,中心四孔平均定位误差约为1.74 mm;在60次模拟装填实验中,系统综合成功率为95.0%,单孔平均耗时约8.2 s。结果表明,该系统能够为复杂弱光环境下的炮孔视觉定位与机械臂自动装填提供可行的机电一体化方案。

SDE-YOLOv5:一种用于自动摘钩机器人的实时检测算法

2026年09月25 00:00

在自动摘钩机器人对火车车钩进行检测和识别过程中,由于受到局部遮挡、强光照、灰尘和雨雪等环境因素干扰,会出现车钩关键特征减少甚至识别错误的情况。针对这一问题,提出了一种SDE-YOLOv5模型用于复杂环境下的车钩检测。首先,在YOLO 的基础网络模型中引入SwinTransformer网络,增强对车钩信息的全局感知能力;然后,在颈部网络中引入重参数化模块DBB,使模型更好地适应不同的输入和环境条件;最后,采用解耦头检测方法,可以更好地区分不同类型的车钩。实验结果表明,在自建的车钩数据集下,SDE-YOLOv5模型在保持模型空间复杂度的同时,mAP值达到了96.8%。消融实验表明,改进后的网络模型在检测精度方面提高了5.4%,具有出色的识别性能。

基于TOC-VMD 和CNN BiLSTM-Attention的风电功率预测研究

2026年09月25 00:00

为解决风电功率信号存在显著非平稳性与剧烈波动,致使预测效果不佳的难题,构建一种结合科氏力龙卷风优化算法(TOC)、变分模态分解(VMD)以及卷积双向长短期记忆融合注意力网络(CNN-BiLSTM-Attention)的短期风电功率预测模型。首先,采用TOC算法优化VMD的分解模态数K 和惩罚因子α 这2个核心参数,利用优化后的VMD对原始风电功率序列进行自适应分解;然后,搭建CNN-BiLSTM-Attention预测框架,分别求解各分解子序列的预测值,叠加全部分量输出风电功率最终预测结果;最后,以华中某风电场实测数据为算例,分别采用CNN-BiLSTM-Attention、PSO-VMD-CNN-BiLSTM-Attention等模型和所提模型进行对比预测。测试结果显示,所提模型具备更优的预测性能,在均方根误差、平均绝对误差和平均绝对百分比误差等多项量化评价指标上均优于各类对照模型,验证了所提模型的有效性。

一种基于深度自监督聚类的分布式光伏电网并网功率调节方法

2026年09月25 00:00

为解决分布式光伏并网运行中因多时间尺度波动及缺乏调节标签所导致的控制不稳定问题,提出一种基于深度自监督聚类的并网功率调节方法。该方法利用多时间尺度特征和Transformer网络提取光伏输出的动态表示,并构建基于加权马氏距离的模糊聚类模型,以捕捉运行模式的连续演化特征;同时引入增强视图一致性约束,提升聚类边界的稳定性。将模式嵌入向量与深度表征联合输入策略解码器,通过自监督方式学习调节动作,从而在无显式标签的条件下生成连续、平滑的功率调节指令。仿真结果表明,与传统模糊C均值聚类方法相比,所提方法的类内紧密度降低33.3%,类间分离度提升40.7%,轮廓系数达到0.57,显著优于多种聚类基准方法。在调节性能方面,该方法实现的功率波动标准差为3.18 kW,电压越限率为1.9%,调节代价较基准方法下降13.9%~26.2%。

基于动态设备关联GAT的电力设备状态评估方法

2026年09月25 00:00

针对传统电力变压器状态评估方法依赖单一信息源、难以刻画设备间关联耦合的问题,提出一种基于动态设备关联图注意力网络(DAGAT)的多源信息融合状态评估方法。该方法融合电气试验特征、油化试验特征与溶解气体分析(DGA)特征构建多维节点表示,综合电气连接、负载相似度与空间距离定义设备间的复合关联边;进而通过多层图注意力网络编码器实现设备间信息交互,并引入时序注意力机制实现关联权重的动态更新。在电力变压器多源融合数据集上的实验表明,所提方法准确率达到96.8%,宏平均F1值为96.2%,较标准图注意力网络提升2.6百分点。消融实验、噪声鲁棒性实验与小样本实验进一步验证了各模块的有效性与模型的泛化能力。

基于改进Wasserstein生成对抗网络和迁移学习的电网运行方式生成方法

周蕾,秦子健,元晓燕,纪祥贞,孟凡敏,许晓敏 — 2026年09月25 00:00

针对传统典型运行方式生成方法难以满足新型电力系统在线稳定分析与调控运行需求的问题,提出一种基于带梯度惩罚的改进Wasserstein生成对抗网络(WGAN)和迁移学习的电网运行方式智能生成方法。首先,引入梯度惩罚自适应调节机制改进WGAN,并基于潮流方程构建了面向系统运行方式的 WGAN 模型。其次,采用迁移学习策略将源电网模型迁移至目标电网并结合小样本数据进行微调,提高电网运行方式的生成能力与泛化性能。最后,在39节点系统上进行验证。结果表明,所提方法能够有效生成满足电网运行约束、覆盖安全裕度的多样化运行方式样本,在样本质量、分布拟合精度及训练稳定性方面均表现优异。

剪切风况下风电机组叶片多点静力载荷超调控制

李晓博,顾盛明,兰昊,于博文 — 2026年09月25 00:00

针对剪切风况下叶片多点静力加载中力耦合易引发结构共振和执行器饱和的问题,提出一种静力载荷超调控制方法。该方法利用离线标定的耦合系数矩阵求逆构建解耦矩阵,将多输入多输出系统转化为独立通道,切断施力牵连;设计积分分离与遇限削弱协同的抗饱和控制器,在大偏差时切除积分、饱和时依深度抑制积分累积,消除高频调节;引入递推最小二乘在线惯量辨识和基于目标变化率的前馈补偿,实时跟踪时变惯量并自适应调节增益、对目标突变进行超前补偿,从源头避免共振。实验表明:所提方法在80%极限设计载荷工况下,载荷跟踪均方根误差仅为1.1%,最大超调量降至2.1%,调节时间缩短至1.5 s;饱和能量比可降至2.7%;在线惯量辨识收敛时间小于3 s,稳态波动低于1.2%。该方法有效抑制了耦合共振与执行器饱和,实现了高精度、强鲁棒的多点静力载荷控制。

基于退化感知多尺度Transformer的电力设备状态评估方法

2026年09月25 00:00

针对油中溶解气体分析在低维特征表征和退化过程建模方面存在不足、难以充分刻画故障演变规律的问题,提出一种退化感知多尺度Transformer模型用于电力设备状态评估。该模型通过多尺度语义特征解耦机制,将原始5维溶解气体分析(DGA)数据扩展为微观物理量、中观关系量和宏观状态量3个互补尺度;同时构建基于退化轨迹重构的时序化方法,将静态DGA 样本集转化为伪退化序列,使模型能够学习故障演变规律。在IEEE DataPort公开DGA 数据集上的实验表明,所提方法故障分类准确率达到95.7%,宏平均F1值为95.3%。