12月15日：《機械工程學報》2024年第24期最受關注論文推薦

6

火箭軍工程大學蔡艷平等，考慮到鋰離子電池剩余壽命在線預測能力不足，以及基于極限學習機網絡模型對小樣本訓練數據學習能力不強的問題，提出構建連續的健康因子的方法，使用廣義回歸神經網絡與改進極限學習機(Extreme learning machine，ELM)融合的方法對鋰電池剩余壽命進行多步預測。首先，提取鋰電池等壓降放電時間作為健康因子，利用插值補充的方法將離散的電池運行參數重構為連續的健康因子，然后，使用廣義回歸神經網絡對鋰離子電池早期剩余壽命進行預測，引入引力搜索算法對極限學習機進行優化，建立具有實時更新能力的鋰離子電池中后期剩余壽命預測(Remaining useful life，RUL)多步預測模型，最后，基于馬里蘭高級生命周期工程中心的CS2-35～CS2-38號以及CS2-7號電池數據對模型進行驗證。試驗結果表明，基于廣義回歸神經網絡與引力搜索算法優化極限學習機融合的鋰電池在線RUL多步預測模型具有較高的預測精度，與其他模型相比魯棒性與適用性較好。

5

浙江大學流體動力與機電系統國家重點實驗室韋逍遙等，針對鋼軌焊縫表面缺陷自動化檢測存在的難題，提出基于光度立體視覺的鋼軌焊縫打磨表面缺陷檢測方法。分析鋼軌幾何特征和表面形貌，設計鋼軌多表面圖像采集系統，實現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現打磨表面法向重建。分析打磨表面法向特性以及缺陷特征，基于法向圖自適應提取打磨區域，剔除背景區域干擾；提出基于雙階段和旋轉矩形提取的橫向紋路缺陷檢測算法以及基于灰度直方圖雙閾值分割的高度突變缺陷檢測算法，克服打磨區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題。試驗結果表明，提出的打磨表面缺陷檢測算法優于現有的基于深度學習的缺陷檢測算法，橫向紋路檢測準確率達到94.4%，漏檢率低到0.84%；高度突變檢測準確率達到92.64%，漏檢率低到1.56%；系統整體運行效率為23.784 s每處鋼軌焊接面，滿足實際生產需求。

4

西安交通大學現代設計及轉子軸承系統教育部重點實驗室李響等認為，振動測量與信號處理是機械裝備故障診斷的重要方法。目前，主流的接觸式振動測量方法已經取得了顯著的成果。然而，此類方法對傳感器部署環境有較高要求，在很多工程場景下難以適用。因此，非接觸式機械振動測量與故障診斷方法逐漸得到廣泛關注。事件相機作為一種受生物啟發的非接觸式動態視覺傳感器，具有極高的時間分辨率、高動態范圍、低數據冗余等優秀特性，能夠從視覺角度準確捕捉機械裝備微振動。提出了一種動態視覺賦能的非接觸式機械裝備智能遷移診斷方法。首先，基于事件相機采集的機械裝備動態視覺振動信號，建立了面向動態事件流數據的跨領域擴散生成模型，實現了對實測場景下裝備未知故障狀態的動態視覺數據智能生成。在此基礎上，提出了一種基于類腦計算的動態視覺數據特征提取與裝備故障模式智能識別方法，實現了機械裝備變工況下跨領域遷移診斷。最后，所提方法在核電機泵冷卻循環試驗臺上針對關鍵旋轉機械部件進行了驗證，試驗結果表明所提方法實現了基于動態視覺數據的非接觸式機械裝備智能遷移診斷，為難以部署接觸式振動傳感器的工程場景下裝備振動測量與故障診斷問題提供了一種新型視覺解決方案。

探花

清華大學車輛與運載學院吳洋等認為，履帶車由于工作環境多變、履帶-地面接觸機理復雜等因素，通常難以建立準確的動力學模型。此外，受到非結構化路面的起伏擾動沖擊，難以通過低成本的傳感器實現準確的速度測量，這些不利因素對履帶車的路徑跟蹤控制帶來了挑戰。針對動力學建模困難的問題，建立以履帶轉動加速度為虛擬控制輸入的動力學-運動學混合模型，利用廣義擾動來描述履帶滑移引起的不確定性。針對速度測量困難的問題，以混合模型為基礎設計了基于擴展狀態估計(Extended state observer，ESO)的速度與廣義擾動觀測器，實現了僅依賴GNSS和履帶轉動編碼器信息的整車狀態估計。最后，以履帶轉動加速度為中間控制量，設計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速控制器。仿真和試驗結果表明，所提出的狀態觀測與控制策略能夠準確估計履帶車的實時速度，并有效提高在外部擾動下的履帶車路徑跟蹤精度。

榜眼

重慶大學機械與運載工程學院楊顯通等，綜合車載視覺和車輛動態響應信息，提出一種路面附著系數融合估計算法，以實現路面附著條件變化時對路面附著系數快速準確的估計。首先，標注路面種類語義分割數據集，使用Deeplabv3+算法訓練路面種類語義分割模型，根據張正友標定法對相機進行標定，將路面種類語義分割結果映射到車輛坐標系，采用時序加權法對路面種類語義分割結果進行融合，并將其轉換為對應的路面附著系數范圍。其次，設計狀態約束平方根容積卡爾曼濾波(Constrained square-root cubature Kalman filter，CSCKF)算法。最后，構建基于車輛七自由度雙軌動力學模型和Brush輪胎模型的系統狀態方程和觀測方程，將路面語義分割結果作為CSCKF算法的約束邊界輸入，實現對路面附著系數的估計。結果表明，所提出的路面附著系數融合估計算法在路面附著條件突變時能夠快速收斂，并且具有較高的識別精度。

狀元

西安建筑科技大學機電工程學院史麗晨等認為，數控機床刀具磨損的預測對于提高刀具加工的安全性和產品加工質量具有重要意義。隨著傳感技術進步，制造業中用于設備狀態監測的傳感器數據量呈爆炸式增長，這促使了以深度學習為中心的數據驅動方法在刀具磨損預測領域受到高度重視。然而，如何精準地識別和提取與刀具退化緊密相關的特征，進而充分利用這些信息以提高預測模型的性能，仍然是一個挑戰。針對以上問題，研究了一種基于深度學習的刀具磨損預測方法，將多通道篩選機制應用到預測模型中，提出基于深度殘差收縮-雙向長短期記憶網絡模型的刀具磨損預測方法。根據監測信號的波動程度選擇與刀具退化高度相關的多個通道進行融合，利用卷積通道注意力機制融合多通道數據并高效挖掘各個通道的抽象特征信息，后建立雙向長短期記憶回歸模型提取特征與刀具磨損相關的時序信息對刀具磨損進行準確預測。通過試驗驗證了通道篩選機制的有效性與預測模型精度。

對以上文章感興趣的讀者可以點擊題目，或在文后點擊“閱讀原文”在官網瀏覽。

責任編輯：趙子祎

責任校對：惲海艷

審 核： 張 彤

JME學院是由《機械工程學報》編輯部2018年創建，以關注、陪伴青年學者成長為宗旨，努力探索學術傳播服務新模式。

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學院官方群！

歡迎關注機械工程學報視頻號~

尋覓合作伙伴

有一種合作叫做真誠，有一種發展可以無限，有一種伙伴可以互利共贏，愿我們合作起來流連忘返，發展起來前景可觀。關于論文推薦、團隊介紹、圖書出版、學術直播、招聘信息、會議推廣等，請與我們聯系。

感謝關注我們！我們《機械工程學報》編輯部將努力為您打造一個有態度、有深度、有溫度的學術媒體！

版權聲明：

本文為《機械工程學報》編輯部原創內容，歡迎轉載，請聯系授權！

在公眾號后臺留言需要轉載的文章題目及要轉載的公眾號ID以獲取授權!

微信投稿、轉載等：

聯系人：暖暖

電話：010-88379909

E-mail：jme@cmes.org

網 址：http://www.cjmenet.com.cn

官方微信號：jmewechat