基于流形学习算法的齿轮变速箱故障特征提取

流形学习算法是一种非线性的数据降维方法,可以获得数据的低维几何结构,能很好的体现系统的本质。为了提高齿轮变速箱振动故障信号的可分性,应用流形学习方法对齿轮变速箱振动信号进行故障特征提取。研究结果表明,流形学习方法可以有效地提取齿轮变速箱振动故障的特征信息,并能有效区分不同故障类型的特征信息。运用流形学习方法进行故障特征提取后的诊断结果与时域统计特征提取方法相比,提高了故障诊断的正确率。     

基于流形学习方法的汽轮机组振动特征提取

为了提高汽轮机振动故障信号的可分性和诊断正确率,应用流行学习方法对汽轮机振动信号进行故障特征提取。研究结果表明,应用流行学习方法可以有效地提取汽轮机振动故障的特征信息,将不同故障类型的特征信息有效地区分开来。运用流行学习方法进行故障特征提取后的诊断结果与小波包分析方法相比,诊断正确率明显提高。     

基于局部特征提取的有监督的流形学习方法

为了提高工业产品的质量,提出一种基于局部特征提取的有监督的流形学习方法,用于工业生产过程中工艺参数的调整和优化。利用“多类邻域搜索”策略对每个样本点寻找邻域矩阵,对邻域矩阵进行特征分解,获得每个样本点的演化矢量,进而可以求得潜含在数据内部的主流形。另一方面,利用训练样本建立基于支持矢量数据描述的监控模型,对工艺过程进行监控。当发现异常样本时,将异常样本在主流形方向上进行投影,可以得到各个工艺参数的调整量,由此可将异常样本调控回到生产受控状态。利用IF钢实际生产过程数据进行验证,结果表明：新方法能有效提取出数据内部的流形结构,并通过主流形实现对工艺参数的调整,为实际生产过程提供了一种新的工艺参数优化方法。     

基于时频联合特征提取与MS-LTSA流形学习的齿轮箱故障诊断

提出了基于时频联合（TFC）特征提取和改进的监督局部切空间排列（MS-LTSA）的流形学习的齿轮箱故障诊断的方法。首先,提出了信号的时域、频域和HHT时频域三者结合的特征提取方法,以获取振动信号全面的特征向量信息;然后,提取高维特征向量的奇异值,利用流形学习理论对奇异值矩阵进行降噪;最后,通过降噪后的特征向量实现对齿轮箱各种故障的高效、精确地故障识别。提出的MS-LTSA方法实现了数据集内部结构信息和类判别信息的结合,提高了所提取低维特征的聚类效果;通过实验数据的分析,证实了所提方法在齿轮箱诊断上的优异表现和应用价值。     

曲波域铁谱磨粒图像特征提取方法研究

曲波变换具有多尺度分析能力,与小波变换相比可更好地表达图像的曲线特征.为有效描述铁谱磨粒的形貌特征,提出一种曲波域图像特征提取方法.利用曲波变换将磨粒图像进行分解,得到不同尺度的曲波系数;根据曲波系数统计分布特点,采用广义高斯分布模型对细尺度和精细尺度曲波系数分布进行建模;提取粗尺度曲波系数的均值、标准差、能量和熵等统计特征,以及细尺度和精细尺度曲波系数的广义高斯分布模型参数描述磨粒特征.将提取的特征用于发动机典型磨粒识别,识别成功率达到了88.9%,表明该方法所提特征能很好地表达铁谱磨粒的形貌特征.     

基于颜色特征提取的磨粒材质识别

在机械设备磨损过程中,不同材质摩擦副磨损产生的磨粒颜色各不相同,通过研究磨粒颜色可以判断发生磨损的材质及磨损产生机制,进一步判断出磨损或故障所发生的部位。采用典型材质磨粒颜色标准库,构建基于磨粒颜色模糊辨识的材料判断方法,利用K-Means聚类算法和基于欧氏距离的最小距离分类法实现磨粒颜色提取及典型材质的自动识别,为机器设备磨损故障监测中的机制分析及磨损部位判定提供了新方法。     

一种基于非线性流形的滚动轴承复合故障诊断方法

针对滚动轴承振动信号的非平稳以及非线性特点,提出了一种基于非线性流形的滚动轴承复合故障诊断方法。该方法首先提取振动信号的时域指标和小波包频带分解能量所构成的频域指标,组成原始特征空间,采用基于判别准则的邻域因子优化选择算法,运用基于局部切空间排列算法的非线性降维算法对原始特征空间进行学习,极大地保留了信号中内在的整体几何结构信息,从而提取出振动信号最优的敏感故障特征。试验结果表明,与经典的线性降维方法相比,该方法的聚类效果更好。     

基于BP神经网络的铁谱磨粒图像识别方法研究

在磨粒识别过程中,铁谱磨粒图像预处理和特征参数提取是关键。应用图像形态学的处理方法对磨粒图像进行预处理,结果表明,利用开运算、闭运算的图像形态学处理方法对铁谱磨粒图像进行预处理,可以消除图像二值化后留下的孤立小碎点、孔洞以及边界断点。通过磨粒图像的统计特征参数和傅里叶特征参数建立BP神经网络,并对磨粒进行识别,结果表明:采用该方法能正确识别磨粒图像,辨别磨损机制。     

基于局部和全局结构保持的流形学习算法

流形学习方法可以将高维数据投影到低维空间,发现隐藏在数据中的内在几何结构与规律性,近年来越来越受到模式识别和认知科学领域的研究者的重视。但是基于局部的流形学习方法存在对噪声敏感和要求样本稠密等缺点。针对这些缺点,本文提出一种新的局部与全局结构保持嵌入(Local and global preserving Embedding, LGPE)算法。LGPE方法通过假定目标空间的整体映射函数,然后结合数据的全局几何结构的分布信息进行数据重构,最后通过最小化准则函数来得到嵌入于高维空间的低维子流形。LGPE方法在保持数据局部结构的同时保留全局结构信息,在信噪比为10db的稀疏Swiss-roll(N=400)和COIL-20多姿态数据集取得了较好的维数约简效果,且在ORL人脸图中相对其他局部流形学习方法,在嵌入特征矢量维数d<40时,识别率提高了约15%。实验结果表明,本文方法对噪声和稀疏数据具有较好的鲁棒性。     

一种基于多流形局部线性嵌入算法的故障诊断方法

故障类别的多样性往往导致原始样本数据在特征空间中呈间断性分布,针对传统k近邻的邻域构建方法难以保证数据集几何结构完整性的问题,提出一种新的非线性最小二乘约束-局部线性嵌入算法。通过非负线性最小二乘约束搜索边界点,并结合第一主成分直线寻找其邻域样本点,重新构造关于边界点的邻域图,用经典的局部线性嵌入算法机理发现数据内在分布和几何结构,根据得到的低维嵌入采用KNN分类器进行故障模式识别;仿真数据分析与试验验证结果表明该算法高度保持了原始数据的几何拓扑结构,增强了低维嵌入的有效性,提高了故障识别精度。     

一种基于LLE特征融合的故障识别方法

针对传统的故障识别中未能充分利用特征信息的问题,提出一种基于局部线性嵌入(LLE)特征融合的故障识别方法,通过初步提取信号时域和时频域的特征获得原始特征集,利用LLE算法对原始特征集进行二次特征提取,进一步融合两组特征集并使用KNN算法进行故障识别。仿真信号数据分析与实际故障分析证明了所提方法对故障样本识别的可行性和有效性。     

基于流形-奇异值熵的滚动轴承故障特征提取

提出一种基于流形-奇异值熵的滚动轴承时频故障特征提取方法。首先,在HHT(Hilbert-Huang transform,简称HHT)时频分析基础上,应用二维流形方法提取信号流行成分以达到对轴承故障特征进行降维和提取敏感参量的目的;然后,定义了奇异值熵来定量衡量不同故障状态下流行成分的差异;最后,将流形奇异值向量与概率神经网络相结合,有效实现了轴承故障样本分类。与一般的考虑欧式空间全局范围最优值的主分量(principal component analysis,简称PCA)方法及以向量为研究对象的一维流形方法不同,该方法直接以二维信息为研究对象,避免了一维流形算法需将二维信息转化为向量带来的信息损失,与PCA方法相比更能发现隐藏在高维数据流形结构中的局部数据特征。工程信号分析验证了该方法的有效性,为准确提取滚动轴承故障特征提供了一种可靠手段。     

基于形态谱的磨粒图像特征参数提取方法

为提高磨粒识别的精度,提出一种基于形态谱磨粒图像特征参数提取新方法,给出磨粒图像的归一化形态谱的计算方法,并将磨粒的形态谱作为其特征向量,采用径向基函数神经网络对磨粒进行自动识别。结果表明:利用磨粒的形态谱实现了对球形磨粒、切削磨粒、严重滑动磨粒、疲劳剥块4种典型磨粒的分类识别,磨粒的形态谱可以作为磨粒的有效特征参数。     

基于小波的磨粒图像融合方法研究

针对油液磨粒检测需要,基于彩色空间变换和小波分析理论,研究磨粒多聚焦图像融合方法。该方法采用邻域梯度特征因子取大法来选取多聚焦图像清晰区域的低频系数,以进行低频融合系数的确定;采用建立新系数带以及系数取大法来进行高频融合小波系数的选取。分析小波基和分解层数对磨粒多聚焦图像融合效果的影响,结果表明,在分解层数为5时,采用db4、sym4、bior2.4小波基进行磨粒多聚焦图像融合均可获得较好的融合效果。     

Dimensional Description of On-line Wear Debris Images for Wear Characterization

As one of the most wear monitoring indicator, dimensional feature of individual particles has been studied mostly focusing on off-line analytical ferrograph. Recent development in on-line wear monitoring with wear debris images shows that merely wear debris concentration has been extracted from on-line ferrograph images. It remains a bottleneck of obtaining the dimension of on-line particles due to the low resolution, high contamination and particle’s chain pattern of an on-line image sample. In this work, statistical dimension of wear debris in on-line ferrograph images is investigated. A two-step procedure is proposed as follows. First, an on-line ferrograph image is decomposed into four component images with different frequencies. By doing this, the size of each component image is reduced by one fourth, which will increase the efficiency of subsequent processing. The low-frequency image is used for extracting the area of wear debris, and the high-frequency image is adopted for extracting contour. Second, a statistical equivalent circle dimension is constructed by equaling the overall wear debris in the image into equivalent circles referring to the extracted total area and premeter of overall wear debris. The equivalent circle dimension, reflecting the statistical dimension of larger wear debris in an on-line image, is verified by manual measurement. Consequently, two preliminary applications are carried out in gasoline engine bench tests of durability and running-in. Evidently, the equivalent circle dimension, together with the previously developed concentration index, index of particle coverage area （IPCA）, show good performances in characterizing engine wear conditions. The proposed dimensional indicator provides a new statistical feature of on-line wear particles for on-line wear monitoring. The new dimensional feature conveys profound information about wear severity.     

基于图像深度学习的零件加工特征信息提取方法

针对各类基于模型定义(MBD)的零件模型加工特征的信息集成问题,提出一种多层次提取架构的加工特征全息信息提取方法.通过对零件的结构特点进行分析,以具有制造语义且无法拆分的最简化特征实现加工特征的分类;在阐述提取策略的基础上,构建了基于深度学习图像识别技术的加工特征分类器;依据MBD模型信息标注的特点快速定位、抽取加工特...