强度和梯度稀疏约束下的图像平滑

目的 为了在图像平滑过程中达到更好地保留边缘去除细节效果,提出一种以像素强度和梯度的稀疏特性为双重约束的图像平滑算法。方法 该算法首先构造一个像素强度和梯度的0-范数函数,作为平滑模型的约束项;然后采用半二次变量分裂法引入辅助变量,构造最终的较易求解的平滑模型;最后利用交替最小化算法求解该模型,并在傅里叶频域内求解平滑图像的解析解,以加快算法的运行速度。结果 在自然图像上进行的平滑实验并与其他算法对比表明,本文的算法时间仅需3.42 s,比双边滤波算法快7.85 s,能够较好地满足图像平滑保留边缘去除细节的要求以及计算效率的要求。结论 本文以强度和梯度的稀疏特性为约束的图像平滑算法能够较好地去除图像中不重要的细节,保留图像的边缘特征,较好地实现了图像的平滑效果,适用于含有复杂背景噪声的图像平滑去噪及边界增强。     

自适应变分模式提取的轴承故障诊断方法

变分模式提取(variational mode extraction, VME)能够从复杂信号中提取特定的模式分量,但其在轴承故障诊断中的应用潜力受到初始中心频率和平衡参数的影响。因此,为了克服VME在轴承故障诊断应用中超参数的设置问题,深入探究VME模型中心频率迭代更新过程,发现中心频率收敛趋势现象并通过理论证明其存在性,由此提出中心频率定位策略,可自适应地确定目标中心频率。为了最大化匹配故障信息,构造基于故障特征幅值比的平衡参数优化策略,能够优化目标分量的带宽。以上中心频率定位策略和平衡参数优化策略,构成自适应变分模式提取的故障诊断方法,该方法能够在无需预设初始中心频率及平衡参数的情况下自适应提取故障相关分量。仿真和两个试验案例分析结果验证所提方法在轴承故障诊断领域相比于连续变分模式分解、经验模式分解和快速谱峭度方法更具有效性和优越性。     

洁净系统中激光诱导颗粒污染物的分析与评估

高功率激光系统要求在洁净环境中运行,若光学元件表面在工作过程中附着污染物,将导致光学元件的损伤及整个系统负载能力的下降。针对洁净系统中激光与材料作用而产生的颗粒物,分析其作用机制,探讨用于评估的理论依据,讨论测量的需求和方法,并对系统表面存在的颗粒污染物进行了实际测量分析,提出了深入开展高功率激光系统中颗粒污染物测量与评估的技术途径。     

基于指数调节策略对抗网络学习的轴承故障诊断研究

基于深度学习的故障诊断方法被广泛应用于以轴承为代表的机械关键部件故障诊断,其取得理想效果的前提是有足量故障样本且训练集、测试集满足同分布要求。然而,在实际工况下数据分布会发生变化,进而使原有工况下的诊断模型很难适用于新工况。为此,域适应类迁移学习方法被用于解决训练集、测试集分布不同的问题,其重点在于实现数据分布适应,即度量数据分布差异,并利用度量结果对模型训练进行指导,从而提升学习效率和诊断准确率。在此基础上,提出了一种基于对抗学习的域适应方法,该方法的核心是将提出的指数调节策略与对抗网络相结合,使得网络在故障诊断过程中更有针对性地适应目标域的数据分布。该网络由特征提取器、分类器、一个全局域鉴别器和多个局部域鉴别器组成,利用对抗策略和适应性矩估计算法对模型进行优化,并通过基于指数调节策略设定的指数自适应因子对模型中的边缘分布和条件分布重要性进行调节,使得模型可以稳定、高效地进行故障诊断。在跨转速、跨负载和同时跨转速和负载的轴承诊断案例中对提出的方法进行验证,结果表明本文方法的诊断效果优于其他域适应方法,并具有较好的稳定性。     

基于生成对抗网络和自动编码器的机械系统异常检测

现有的机械系统智能诊断模型需要不同健康状态下大量的历史数据和相对应的标签来完成模型训练,但有些机械系统难以采集到异常样本。在无异常样本训练情况下,本文提出一种新的机械系统异常检测方法。新方法结合生成对抗网络和自动编码器,构建了一种编码-解码-再编码的网络模型。所提模型首先通过早期采集的正常样本进行训练,然后用于对未知状态的实时监测样本进行测试,输出两次编码得到的潜在特征的差异值,最后通过观察差异值的变化对系统进行监测。3组实验分析结果验证了方法的有效性。与传统方法相比,新方法检测出异常的时间更早,所得差异值指标在异常发生时幅度增加得更大,且能更稳定表征故障演化过程。     

快速固有成分滤波特征融合的轴承故障诊断方法

稀疏滤波故障特征增强方法依托故障信息固有的稀疏性可以有效实现轴承微弱故障诊断，但其存在两类弊端：经验地设置其输入、输出维度，引起特征提取效果的不确定性；需要利用先验知识从优化的权重矩阵中严格地筛选出特定成分，造成故障特征信息损失。针对上述问题，提出快速固有成分滤波特征融合方法。首先，引入复杂性测度设计自适应的稀疏滤波维度参数选取准则，并采用稀疏滤波优化目标指数遴选出一簇故障信息丰富的融合源；其次，建立故障特征融合源流形学习融合策略，包括改进流形学习方法融合遴选出的融合源，构造融合分量异常幅值检测策略和给出了最大化故障信息的融合分量加权表示。提出方法可解决稀疏滤波维度参数选择、特征筛选造成信息损失和固有流形幅值异常引起包络谱奇异等问题。仿真和试验结果验证所提出方法相较于现有流形学习和稀疏滤波等方法具有更强的轴承微弱故障特征提取能力。     

用于遮挡形状匹配的弦角特征描述

为了在兼顾形状匹配算法的检索率和运算效率的同时实现部分遮挡目标的精确匹配,提出了一种基于弦角轮廓特征的形状描述算法。该算法基于轮廓点的空间位置关系构造每个轮廓采样点的弦角轮廓特征描述子,利用描述子的自包含属性描述开轮廓的形状特征。采用L1度量方法计算两个轮廓点的弦描述子之间的距离,获得匹配代价矩阵。最后利用积分图算法计算匹配代价矩阵的相似度,实现部分遮挡目标的识别。基于MPEG-7形状数据库和Kimia216形状数据库进行了目标识别实验。实验结果表明:该算法对部分遮挡目标具有良好的鲁棒性,而且有较高的运算效率,部分匹配的检索率达到83.63%,提高了19.09%,实验结果优于现有部分遮挡形状匹配算法。该算法较好地满足了遮挡形状的匹配和识别对速度、准确率和抗遮挡能力等方面的要求。     

基于小波基稀疏信号特征提取的轴承故障诊断

轴承弱故障振动信号中的瞬态成分极易被强背景噪声湮没而无法及时检测,结合稀疏表示原理提出一种基于小波基的稀疏信号特征提取方法,从而实现信号中瞬态特征成分的提取。通过构建原始信号瞬态成分稀疏表示模型,对原始信号采用相关滤波法获取最优小波原子,并构建最优冗余小波基底,实现小波基与信号故障特征的最优匹配;设计二次严格凸函数并运用MM(Majorization Minimization)算法求解模型中的目标函数,将信号中的瞬态冲击成分转化为稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号及轴承微弱故障试验验证了该方法能有效地检测和提取强背景噪声下的微弱瞬态成分。     

基于SALSA优化算法的变转速轴承故障特征稀疏表示方法研究

变转速工况下轴承等设备的关键部件出现故障后对设备的危害十分严重,而且此类工况下振动信号更加复杂。为了克服此类问题,引入分裂增广拉格朗日收缩算法建立变转速轴承故障特征稀疏表示方法,实现变转速下轴承故障冲击特征的准确提取。首先,基于变转速轴承故障振动响应模型,分析不同转速下轴承故障振动响应形态变化规律,构造Laplace小波基底过完备字典;然后运用分裂增广拉格朗日收缩算法实现故障信号的稀疏表示与重构,通过提取重构信号的特征阶次实现轴承的故障诊断。轴承故障诊断实例验证了所提方法在变转速工况下轴承故障诊断的有效性。     

基于同底三角形面积描述的形状检索

为了在形状匹配的过程中提高形状特征对边界噪声和图像变形的鲁棒性,同时兼顾形状匹配算法的检索精度和运算效率,提出一种基于同底三角形面积的形状匹配方法.该方法首先计算每个轮廓采样点的同底三角形面积描述子,并对该描述子进行局部平滑,使其更加鲁棒.然后采用加权L1度量方法计算两个形状所有轮廓点的同底三角形描述子之间的距离,获得匹配代价矩阵.最后利用动态规划算法计算匹配代价矩阵的相似度,获得形状距离,实现形状匹配.通过在MPEG-7、Kimia以及铰接形状数据库上测试分析表明,该方法对变形目标具有良好的鲁棒性,且提高了运算效率和检索精度.