In recent years, machine learning techniques have been widely used to solve many problems for fault diagnosis. However, in many real-world fault diagnosis applications, the distribution of the source domain data (on which the model is trained) is different from the distribution of the target domain data (where the learned model is actually deployed), which leads to performance degradation. In this paper, we introduce domain adaptation, which can find the solution to this problem by adapting the classifier or the regression model trained in a source domain for use in a different but related target domain. In particular, we proposed a novel deep neural network model with domain adaptation for fault diagnosis. Two main contributions are concluded by comparing to the previous works: first, the proposed model can utilize domain adaptation meanwhile strengthening the representative information of the original data, so that a high classification accuracy in the target domain can be achieved, and second, we proposed several strategies to explore the optimal hyperparameters of the model. Experimental results, on several real-world datasets, demonstrate the effectiveness and the reliability of both the proposed model and the exploring strategies for the parameters.

The Iterative Closest Points (ICP) algorithm is the mainstream algorithm used in the process of accurate registration of 3D point cloud data. The algorithm requires a proper initial value and the approximate registration of two point clouds to prevent the algorithm from falling into local extremes, but in the actual point cloud matching process, it is difficult to ensure compliance with this requirement. In this paper, we proposed the ICP algorithm based on point cloud features (GF-ICP). This method uses the geometrical features of the point cloud to be registered, such as curvature, surface normal and point cloud density, to search for the correspondence relationships between two point clouds and introduces the geometric features into the error function to realize the accurate registration of two point clouds. The experimental results showed that the algorithm can improve the convergence speed and the interval of convergence without setting a proper initial value.

Hyper-redundant manipulators based on bionic structures offer superior dexterity due to their large number of degrees of freedom (DOFs) and slim bodies. However, controlling these manipulators is challenging because of infinite inverse kinematic solutions. In this paper, we present a novel reinforcement learning-based control method for hyper-redundant manipulators, integrating path and configuration planning. First, we introduced a deep reinforcement learning-based control method for a multi-target approach, eliminating the need for complicated reward engineering. Then, we optimized the network structure and joint space target points sampling to implement precise control. Furthermore, we designed a variable-reset cycle technique for a continuous multi-target approach without resetting the manipulator, enabling it to complete end-effector trajectory tracking tasks. Finally, we verified the proposed control method in a dynamic simulation environment. The results demonstrate the effectiveness of our approach, achieving a success rate of 98.32% with a 134% improvement using the variable-reset cycle technique.