基于支持向量机决策树的航空发动机轴心轨迹识别方法

针对航空发动机转子轴心轨迹难以准确自动识别的问题,提出了基于二维形状不变矩和支持向量机（SVM）决策树的识别方法。对信号滤波降噪和倍频提纯,形成比较清晰的轴心轨迹;利用二维形状不变矩提取轴心轨迹的图形特征,得到不变矩特征向量,进而构造特征故障的训练和测试样本;采用SVM进行训练和学习,构造SVM决策树,识别故障类别,分类正确率达93.3%以上。应用实测弹支振动应力信号对该方法的准确性进行了验证,结果表明,该方法有效地解决了航空发动机转子轴心轨迹自动识别准确率低和小样本问题。     

轴心轨迹自动识别及其在旋机诊断中的应用

提出了一种基于Zernike不变矩特征和神经网络分类器的轴心轨迹自动识别方法.通过对原始Zernike矩特征进行二次提取和处理,获得了对轴心轨迹识别更为敏感的矩特征量,降低了后续神经网络分类器设计的难度.仿真研究表明,基于Zernike矩的轴心轨迹识别方法,其识别精度优于常用的几何矩方法.将所提方法应用于汽轮发电机组和高速离心压缩机组轴心轨迹的自动识别,并结合频谱能量分布特征进行故障诊断,结果表明,引入轴心轨迹特征可以有效地提高旋转机械故障诊断的精度.     

基于HMM和仿射不变矩三维模型归类与检索算法

针对Hu不变矩对仿射形变图像描述的不足,为提高三维模型的检索精度,提出一种基于Hu不变矩和仿射不变矩特征性融合的隐马尔科夫模型相似性归类与检索算法。首先使用Sobol算子对机械零件三维模型进行轮廓边缘的提取,得到二维的正等测轴测图,然后对该图进行组合不变矩的特征提取,并进行特征值的编码,最后构造五类机械零件三维模型的样本集,通过添加比例因子的多观测值b-W(baum-Welch)算法进行机械零件三维模型的训练与识别,仿真实验表明本文所提算法具有较高的识别率。     

基于PSO-BP与组合矩的水电机组轴心轨迹识别

引入了一种由Hu矩和仿射矩构成的组合不变矩作为水电机组轴心轨迹的反向传播(back propagation,简称BP)自识别神经网络的输入特征向量,在粒子群优化算法(particle swarm optimization,简称PSO)的基础上,融入粒子位置越界处理和全局最优位置未更新计数器,利用改进的粒子群算法求解BP网络连接权值,水电机组轴心轨迹的BP识别速度和精度得以显著提升,采用优化思想对初步识别结果进行量化分析,提取定量的轴心轨迹形状特征参数,可为水电机组故障定位提供指南。仿真实验和应用实例表明,组合不变矩的识别方法优于Hu矩或仿射矩方法,构建的PSO-BP具备较高的收敛速度和识别精度,所提出的轴心轨迹识别方法成功应用到了水电机组动不平衡故障诊断案例。     

采棉机器人中棉花成熟度的识别

为了提高采棉机器人中成熟棉桃的正确识别率,提出了基于Hu不变矩提取棉桃的形状特征,采用支持向量机分类器构造棉桃分类系统的方法。针对棉桃预处理图像提取Hu矩,将特征送入BP神经网络进行学习,用训练得到的模型对测试样本进行测试。实验结果表明:该方法能快速识别成熟棉桃,且具有较高的识别率。因此对采棉机器人的实现具有重要意义。     

工件装配基准端的形状识别研究

为了有效识别工件的装配基准端,根据工件两端不同的形状特征,提出了一种基于改进的Hu不变矩和LM-BP神经网络的工件装配基准端识别方法。该方法针对Hu不变矩在离散图像缩放运算上存在较大误差的问题,采用改进的Hu不变矩提取工件两端的形状特征值;用提取的特征值训练LM(Levenberg-Marquardt)算法优化的BP神经网络(即LM-BP神经网络),实现工件两端的形状识别,判断装配基准端。实验结果表明,改进的Hu不变矩能保证特征值在图像缩放情况下的不变性,改进的Hu不变矩与LM-BP神经网络结合的识别算法对工件两端形状具有很好的识别能力。     

基于图像处理方法的轴心轨迹识别方法

提出一种根据轴心轨迹几何特征和不变矩特征的轴心轨迹识别方法.由于利用了直观的图像特征,使得识别的结果更加明晰.     

几种特征描述方法在轴心轨迹识别中的应用

通过分析旋转机械轴心轨迹的特点，分别用傅里叶子、Hu矩及形状谱计算，并结合神经网络进行分类。实验结果表明，以数学形态学方法为基础的形状谱，轴心轨迹故障类型图形具有旋转、缩放、平移不变性。用形状谱能清晰地描述4类故障的几何意义且识别率高，这表明利用数学形态学能较好地进行旋转机械故障诊断。     

基于曲线不变矩和2d-HMM的轴心轨迹自动识别系统

分析旋转机械轴心轨迹的特点,构建出以曲线不变矩为特征,用二维隐马尔夫模型(2d-HMM)进行分类的轴心轨迹自动识别系统。该系统综合应用小波滤波、曲线不变矩、2d-HMM理论,实现识别过程的自动化,并通过实验验证了它的有效性。     

PCA-SAE的齿轮箱故障诊断方法研究

针对因长时间的信号采集使得振动信号面临数据量大的问题。传统的信号分析方法,已无法解决大数据情况下故障的特征提取与分类,同时采集到的数据样本具有多维度多样本的情况,导致训练网络时在前期导入数据阶段耗费大量时间与硬件的内存,并且会导致网络训练中产生过拟合现象,影响分类准确率。针对以上问题本文提出基于主成分分析与堆叠自动编码机相结合的齿轮故障诊断研究,以实现对齿轮振动信号快速准确的特征提取与分类。首先对原始信号进行主成分析,得到各主成分贡献率,其次,选取主成分贡献率高的前几列作为深度学习网络输入样本。最后深度学习网络即堆叠自动编码机网络对训练数据集进行学习提取数据中的特征并应用测试数据集部分进行分类并计算分类的准确率。最终,实验中将所提深度学习方法与传统的特征提取方法和分类方法进行比较最终识别精度进行比较。实验结果表明本文所提方法最终可以达到98.6%的准确率,实现端到端的故障诊断方法,可以很好的应用于故障诊断领域。