基于小波包变换与样本熵的滚动轴承故障诊断

针对滚动轴承振动信号的不规则性和复杂性可以反映轴承故障的发生和发展,提出一种基于小波包变换与样本熵的轴承故障诊断方法。样本熵可以较少地依赖时间序列的长度,将轴承振动信号进行3层小波包分解,利用分解得到的各个频带的样本熵值作为特征向量,利用支持向量机对轴承故障进行分类。对轴承内圈故障、滚动体故障和外圈故障3种故障及不同损伤程度的实测数据进行实验,结果表明该方法取得较高的识别率,具有一定的工程应用价值。     

基于模糊熵与LS-SVM的轴承故障诊断

由于滚动轴承不同状态的振动信号具有不同复杂度的特点,提出利用模糊熵和最小二乘支持向量机(LSSVM)实现轴承故障的准确诊断。模糊熵将模糊理论引入到数据序列的复杂度测度中,能够测量出不同复杂度的数据序列。根据模糊熵计算方法,选择最优参数计算轴承振动信号的模糊熵,作为区分轴承不同故障状态的特征参数。以轴承振动信号的模糊熵为输入,以最小二乘支持向量机为分类器,准确识别轴承故障状态。轴承实测振动信号分析表明,方法能够有效诊断轴承故障,提高故障诊断的准确率。     

基于人体热释电特征多策略融合的识别方法

针对现实复杂环境中,利用单个或多个热释电传感器对人体目标识别时所表现出的不稳定性和抗干扰性较差问题,提出了一种基于人体热释电特征的多策略融合识别方法。该方法以不确定性理论为基础,首先利用不同空域的传感器,获取人体不同部位的置信度,其次结合不同的融合策略实现对人体目标的识别。融合策略分为两种,第一种策略首先使用同空域融合,然后使用同时域融合,这种策略充分利用了分布式传感网络的特性,融合了最优置信度以实现对人体目标的高精度识别,第二种策略则首先使用同时域融合,然后使用同空域融合。该策略能实现对人体目标的实时识别,但不能保证较高的识别精度。实验结果表明多策略融合既能克服单传感器或多传感器在对人体目标进行识别时,所表现出的不稳定性和不可靠性,又能增强系统识别时的鲁棒性和有效性。与其他融合方法相比突出体现了本文方法的优势。     

基于特征子模式典型相关分析的热释电红外信号识别

为使现有热释电红外(PIR)探测器具有识别检测区域内红外辐射源的功能,提出一种基于典型相关分析(CCA)特征融合的人体和非人体PIR信号识别方法.该方法首先提取PIR信号的频谱和小波包熵特征,然后对频谱进行子模式划分,并分别与小波包熵特征进行CCA融合,把融合后的结果作为判别信息,从而实现了特征融合且消除了特征之间的信...     

基于小波包分析和LS-SVM的钻削刀具状态识别研究

为了有效地识别钻削刀具磨损状态,提出一种基于小波包分析和最小二乘支持向量机(LS-SVM)的状态识别方法。通过在线监测钻削加工过程中的钻削轴向力和刀具状态,采用时域分析、频域分析以及小波包分析法对刀具磨损状态的信号进行特征向量提取,建立基于最小二乘支持向量机(LS-SVM)的分类识别模型。通过试验验证了该方法可以提高刀具磨损状态的识别精度。     

基于谐波小波包和BSA优化LS-SVM的铣刀磨损状态识别研究

针对铣削刀具磨损状态识别问题,提出谐波小波包和最小二乘支持向量机（LS-SVM）的状态识别方法。为克服传统小波包分解的频带交叠问题,采用谐波小波包提取不同磨损状态下铣削力信号的各频段信号能量,归一化处理后,输入LS-SVM多类分类器,实现铣削刀具磨损状态的识别。针对LS-SVM的惩罚因子和核参数对模型识别精度影响较大的问题,提出回溯搜索算法（BSA）进行自动参数寻优。实验结果表明,谐波小波包比小波包在刀具磨损状态特征提取时具有更好的识别效果。与粒子群算法进行比较,证明BSA优化LS-SVM具有更高的识别精度。     

基于双树复数小波和SVR的红外小目标检测

在分析红外图像弱小目标和背景特征的基础上,提出了基于双树复数小波变换(dual-tree complex wavelet transform,DT-CWT)和支持向量回归(support vectorr egression,SVR)的检测方法。首先采用双树复数小波变换抑制大部分背景噪声;其次用SVR对去噪后的红外图像进行背景预测,并用去噪后的实际图像减去预测图像得到残差图像,大大提高了图像的信噪比;接着提出了基于模糊Tsallis-Havrda-Charvat熵的阈值选取算法,对残差图像进行阈值分割;最后根据目标的连续性和运动轨迹的一致性检测出真实的小目标。实验结果表明:该方法可显著提高红外目标的检测概率,实现较远距离弱小目标的检测。     

基于双树复小波变换与样本熵的自适应降噪法

为了实现工程机械结构监测信号降噪效果的评价,将样本熵的概念引入双树复小波分解中,提出基于双树复小波变换（dual?tree complex wavelet transform, 简称DT?CWT）与样本熵（sample entropy,简称SE）相结合的监测信号自适应降噪方法（DT?CWT?SE）。首先,采用双树复小波变换对含有噪声的监测信号进行多层分解;其次,分别计算双树复小波分解所得的各尺度细节分量样本熵与相邻尺度细节分量的样本熵的差值,通过比较相邻各尺度样本熵之差的大小确定双树复小波最优分解层数;最后,根据各尺度样本熵的变化规律确定各层小波系数的降噪阈值,对降噪后的小波系数进行重构以实现信号自适应降噪。仿真分析与实验对比结果表明：该方法对监测信号去噪较彻底,且降噪后的信号失真度小,降噪效果以及保留原信号信息完整性的能力明显优于传统小波阈值降噪法。     

基于最小二乘支持向量机滚动轴承故障诊断

根据滚动轴承故障时振动信号特点,提出了一种基于小波包变换和最小二乘支持向量机(LS-SVM)相结合的滚动轴承故障诊断方法.通过对滚动轴承振动信号进行小波包分解,得到各分解节点对应频率段的重构信号以及各节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,然后在滚动轴承故障试验台上实测振动数据.分析结果表明,该方法具有较高的分类速度和较好的故障诊断正确率.     

基于小波变换和LDA/FKT及SVM的人耳识别

人耳识别技术是生物特征识别和人工智能领域的一个重要分支.针对人耳图像自身的特点并通过对现有方法的研究,本文提出了一种新的人耳识别方法,即先对人耳图像进行二维的离散小波分解,然后使用LDA/FKT算法对小波分解后得到的低频信息进行降维,进而获得图像的特征向量,最后采用支持向量机作为分类器对样本向量进行判别.实验证明,本文提出的方法不仅较好地解决了人耳识别中的小样本问题,而且还取得了比传统的PCA+LDA方法更高的识别率,是一种有效的人耳识别方法.     

基于人体步态识别的热释电红外传感报警系统

针对热释电红外传感器对运动后静止的人体无法感应的缺点,设计了一种基于人体步态识别的热释电红外报警系统,大大提高了系统感知智能度,减少了报警的误报率.该系统利用热释电红外传感器(PIR)作为探头,将感测到人体的红外信息转换成电压信号,通过滤波、放大等信号调理以及经过数据采集后,将信号传递给单片机处理,结合人体运动特征进行...     

Bearing running state recognition based on non-extensive wavelet feature scale entropy and support vector machine

In order to effectively recognize the bearing running state, a new method based on non-extensive wavelet feature scale entropy and the Morlet wavelet kernel support vector machine (MWSVM) was proposed. Firstly, the gathered vibration signals were decomposed by the wavelet to obtain the corresponding wavelet coefficients. Then, based on the integration of non-extensive entropy and the coefficients, the features were extracted by the wavelet feature scale entropy. However, the extracted features remained high-dimensional and excessive redundant information still existed. Therefore, the manifold learning algorithm locality preserving projection (LPP) was introduced to extract the characteristic features and to reduce the dimension. The extracted characteristic features were inputted into the MWSVM to train and construct the running state identification model; the bearing running state identification was thereby realized. Cases of test and actual fault were analyzed. The results validate the effectiveness of the proposed algorithm.     

Gear fault diagnosis using active noise cancellation and adaptive wavelet transform

Acoustic signal from a gear mesh with faulty gears is in general non-stationary and noisy in nature. Present work demonstrates improvement of Signal to Noise Ratio (SNR) by using an active noise cancellation (ANC) method for removing the noise. The active noise cancellation technique is designed with the help of a Finite Impulse Response (FIR) based Least Mean Square (LMS) adaptive filter. The acoustic signal from the healthy gear mesh has been used as the reference signal in the adaptive filter. Inadequacy of the continuous wavelet transform to provide good time–frequency information to identify and localize the defect has been removed by processing the denoised signal using an adaptive wavelet technique. The adaptive wavelet is designed from the signal pattern and used as mother wavelet in the continuous wavelet transform (CWT). The CWT coefficients so generated are compared with the standard wavelet based scalograms and are shown to be apposite in analyzing the acoustic signal. A synthetic signal is simulated to conceptualize and evaluate the effectiveness of the proposed method. Synthetic signal analysis also offers vital clues about the suitability of the ANC as a denoising tool, where the error signal is the denoised signal. The experimental validation of the proposed method is presented using a customized gear drive test setup by introducing gears with seeded defects in one or more of their teeth. Measurement of the angles between two or more damaged teeth with a high level of accuracy is shown to be possible using the proposed algorithm. Experiments reveal that acoustic signal analysis can be used as a suitable contactless alternative for precise gear defect identification and gear health monitoring.     

基于ELM和近似熵的脑电信号检测方法

脑电癫痫波的自动检测与分类对癫痫病情的诊断具有重要意义。提出了一种基于极端学习机(extreme learning ma-chine,ELM)和近似熵的脑电信号检测方法。首先,计算脑电信号的近似熵作为非线性特征,并与利用小波变换技术提取的线性特征波动指数相结合,组成特征向量,然后将特征向量送入单隐层前馈神经网络,采用ELM学习算法训练网络。实验表明,与BP(backpropagation)和SVM(support vector machine)算法相比,ELM在训练时间和识别精度两方面性能最佳,对用于实验的脑电数据检测识别率达到98%以上。     

基于MLMW和CWT灰度矩向量的滚动轴承故障诊断

提出了基于极大提升形态小波(MLMW)降噪的CWT灰度矩向量-LSSVM的轴承故障诊断方法。先利用MLMW对信号进行降噪处理,再将降噪信号的CWT灰度图划分为若干区域,计算各分区的灰度矩组成灰度矩向量,将其作为LSSVM的输入进行故障分类。试验结果表明:相对于原始信号的灰度图,MLMW降噪后的灰度图特征突出、区分显著,相应的灰度矩向量可有效刻画轴承状态;随着分区数增加,诊断准确率升高;相对于原始灰度矩向量-LSSVM方法和小波降噪的灰度矩向量-LSSVM方法,所提出方法准确率高、泛化性好、所需训练样本少,可准确识别轴承故障类型。     

轴承滚子电化学机械光整加工表面质量预测与加工参数选择

针对现有方法加工轴承滚子时存在的问题,将电化学机械光整(electrochemical mechanicalfinishing,ECMF)加工应用于轴承滚子的光整加工中。ECMF加工效果受很多因素影响,为预测加工质量及选择加工参数,建立了带有径向基函数的基于LS-SVM的轴承滚子ECMF加工预测模型,对正交试验样本进行训练学习,采用网格搜索法确定模型参数。实验及预测结果表明:ECMF适合于轴承滚子的加工,经ECMF加工后的轴承滚子表面质量明显提高;通过LS-SVM模型选择的加工参数及预测的表面质量误差,均在可接受的范围内。     

基于EWT和多尺度熵的高压断路器故障诊断

提出了一种以经验小波变换(empirical wavelet transform,简称EWT)和多尺度熵相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。首先,将高压断路器的振动信号进行经验小波变换,得到内禀模态函数(intrinsic mode function,简称IMF),选择相关系数较大的IMF进行重构;其次,提取重构信号的多尺度熵作为表征断路器状态的特征向量,采用归一化的方法对特征向量进行预处理并以此作为支持向量机(support vector machine,简称SVM)的输入向量进行分类训练;最后,将测试样本信号故障特征输入训练好的SVM,在SVM核函数参数进行网格算法优化的基础上进行状态识别及分类。实验结果表明,该方法可快速准确地检测高压断路器故障,实现了断路器故障的状态识别。     

基于KPCA-LSSVM的硅锰合金熔炼过程炉渣碱度预测研究

针对硅锰合金熔炼过程中炉渣碱度在线检测困难、离线化验滞后大,难以实现实时控制的问题,提出了一种基于核主元分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法。该方法通过KPCA去除样本数据的噪声,提取输入数据空间中的非线性主元,然后利用LSSVM回归算法建立硅锰合金熔炼炉炉渣碱度预测模型,工业生产过程数据仿真结果表明,与SVM或LSSVM建模方法相比,KPCA-LSSVM预测模型的测量精度高、跟踪性能好,能满足炉渣碱度的在线测量要求。