基于阈值判断的自适应中值滤波算法

针对标准的中值滤波算法在去除噪声与保留图像细节方面难以取舍的缺陷,在自适应中值滤波算法的基础上提出了一种改进的基于噪声点检测的自适应中值滤波算法.该算法在进行噪声点检测时采用了一种阈值判断法,充分利用了当前像素点与邻域像素点的灰度值之间的关系.结果表明,在噪声浓度较高时仍然可以区分噪声点与边缘点,滤波的同时有效地保护了图像的细节.     

旋转机械故障诊断系统数据库的机器自学习方法

本文讨论一种旋转机械故障诊断系统数据库的计算自学习方法.该法能使计算机在长期的运行实践中,自动识别和跟踪被监测机组工作参数的改变,从而大大增强了故障诊断系统的适应性.本文将最小?乘法应用于计算机自学习,并以"MMMD-1"的模糊诊断系统为例,介绍了这种方法的原理和应用.计算结果表明,该法对初值稳定.     

小波神经网络阈值自学习在信号去噪中的应用

针对某一确定数据采集系统中小波去噪时的阈值选择,提出以小波神经网络加标准信号来标定去噪阈值的方法,从而提高对信号的去噪性能。对于确定的数据采集系统,信号噪声主要来源于系统本身,而且在短时间内系统可视为时不变的。首先给系统一个标准信号输入,将系统的输出输入到小波神经网络,在给定的噪声熵下训练网络使其熵最小,从而得到相应的去噪阈值,仿真实验表明该方法较一般的去噪方法效果好。     

基于稀疏滤波和长短期记忆网络的旋转机械故障诊断方法

针对原始振动信号不可避免的包含多余噪声问题。提出一种基于稀疏滤波(sparse filtering, SF)和长短期记忆网络(long and short term memory network, LSTM)相结合的旋转机械故障诊断模型,该模型利用快速傅立叶变换将原始时域信号转换成频域信号,再通过SF提取低维故障特征,并将其输入到LSTM堆叠分类器中识别旋转机械故障状态。用轴承和齿轮振动信号为例开展试验研究,并与Softmax、深度神经网络(deep neural networks, DNN)、支持向量机(support vector machine, SVM)、降噪自编码器(denoising auto-encoder, DAE)等方法进行试验对比,结果表明所提方法不仅在噪声环境下具有更高的准确率和鲁棒性,而且针对数据不平衡集的诊断也能达到98%以上的准确率。     

融合目标检测与距离阈值模型的露天矿行车障碍预警

针对当前行车预警方法无法适应露天矿非结构化道路问题,本文提出一种融合目标检测和障碍距离阈值的预警方法。首先根据露天矿障碍特点改进原有的Mask R-CNN检测框架,在骨架网络中引入扩张卷积,在不缩小特征图的情况下扩大感受野范围保证较大目标的检测精度。然后,根据目标检测结果构建线性距离因子,表征障碍物在输入图像中的深度信息,并建立SVM预警模型。最后为了保证预警模型的泛化能力采用迁移学习的方法,在COCO数据集中对网络进行预训练,在文中实地采集的数据集中训练C5阶段和检测层。实验结果表明,本文方法在实地数据检测中精确率达到98.47%,召回率为97.56%,人工设计的线性距离因子对SVM预警模型有良好的适应性。     

基于深度学习的建筑消防电气设备故障智能预警系统研究

已有建筑消防电气设备故障智能预警方法由于电气设备数据处理不当,存在故障预警时间过长的缺陷,无法满足现今建筑消防安全需求,因此提出基于深度学习的建筑消防电气设备故障智能预警方法研究。该研究引入深度学习技术,并选取模糊神经网络算法作为应用技术,以此为基础,分析建筑消防电气设备故障主要原因,采集电气设备故障信号,应用“固定门限”算法与复合Kendall-τ趋势算法预处理电气设备故障信号,以处理后的电气设备故障信号为基础,基于模糊神经网络算法搭建电气设备故障预警模型,规范化输入量与输出量,制定模糊推理规则,实现了建筑消防电气设备故障的智能预警。试验结果显示：与现有方法相比,提出方法电气设备故障预警时间更短,充分证实了提出方法具备更好的应用性能。     

基于EMD和Wigner-Ville分布的机械故障诊断方法研究

机械系统故障信号往往具有非平稳特征,经验模态分解和Wigner-Ville分布均为处理非线性与非平稳信号的有力工具.首先,将二者结合利用经验模态分解提取故障信号的特征成分,然后,对提取的特征信号进行Wigner-Ville分布得到其时频分布特征,进而可得到非平稳机械信号的故障信息.仿真和实例分析验证了该方法的有效性.     

基于稀疏滤波和长短期记忆网络的旋转机械故障诊断方法EI北大核心CSCD

针对原始振动信号不可避免的包含多余噪声问题。提出一种基于稀疏滤波(sparse filtering,SF)和长短期记忆网络(long and short term memory network,LSTM)相结合的旋转机械故障诊断模型,该模型利用快速傅立叶变换将原始时域信号转换成频域信号,再通过SF提取低维故障特征,并将其输入到LSTM堆叠分类器中识别旋转机械故障状态。用轴承和齿轮振动信号为例开展试验研究,并与Softmax、深度神经网络(deep neural networks,DNN)、支持向量机(support vector machine,SVM)、降噪自编码器(denoising auto-encoder,DAE)等方法进行试验对比,结果表明所提方法不仅在噪声环境下具有更高的准确率和鲁棒性,而且针对数据不平衡集的诊断也能达到98%以上的准确率。     

基于小波变换和均值滤波的图像去噪方法

将小波变换和均值滤波相结合提出了一种有效的图像去噪方法,先将含噪图像进行小波分解,获得不同频带的子图像.将低频近似图像保持不变,对水平、垂直和对角三个方向高频细节图像根据其特性采用三种不同形状的模板进行均值滤波,最后将低频近似图像与三个均值滤波后高频细节图像合成得到去噪后的图像.实验结果表明,该方法在降低了图像噪声的同时又尽可能地保留图像的细节,其去噪效果优于单一小波阈值法和均值滤波法.     

基于视觉显著性的灰色粒子滤波跟踪方法

针对传统的粒子滤波算法在目标运动状态突然改变时(如突然加速、减速或者转弯等)容易发生目标丢失的问题,提出了一种基于视觉显著性的灰色粒子滤波跟踪算法。该算法根据灰度预测模型来预测产生建议分布,实现对粒子的繁殖和传播,同时根据调节因子的优化计算,对灰度预测模型的待定系数进行自适应调节,并通过局部显著性检测对低相似度粒子进行快速筛除提高跟踪精度和计算效率。实验结果表明,该跟踪算法能够有效提升粒子滤波的目标跟踪能力。     

基于S变换和时频谱空间滤波的超声缺陷回波检测方法EI北大核心CSCD

缺陷回波的检测是超声探伤的一项重要内容,为减弱噪声的影响准确检测缺陷回波,提出基于S变换时频分析和时频谱空间滤波的信号处理方法。讨论了高斯回波模型下的到达时间和中心频率与S变换时频谱的关系,说明了利用S变换时频谱幅值矩阵的极值提取回波到达时间和中心频率的合理性;为检测回波,首先对原始信号作S变换,然后对得到的时频谱幅值矩阵应用最大熵法自适应选择去噪阈值,对S变换时频谱作空间滤波完成降噪;从降噪后的区域中提取反映缺陷的到达时间和中心频率;对降噪后的时频谱作S逆变换,获得缺陷回波明显的时域信号。仿真研究表明,基于S变换和时频谱空间滤波的方法能够有效去除噪声,检测回波。棒材试块的实验结果同样表明了该方法在缺陷检测上的有效性。     

EMD与小波阈值联合滤波方法的改进及其在泄流结构振动分析中的应用

泄流结构在水流荷载作用下的实测振动响应中常混有各种噪声,影响结构振动响应分析的精度。通过研究EMD与小波阈值联合的滤波降噪方法,提出了含噪信号EMD分解后各分量中噪声标准差的确定方法,解决了小波阈值计算中噪声标准差计算难的问题。同时,分析了泄流结构水流激励荷载的特点,将NExT+HHT的模态参数识别方法应用到泄流结构中。最后,将文中提出的方法应用到二滩拱坝、映秀湾水电站拦河闸结构实测振动响应的滤波分析中,取得了较好的应用效果。     

基于高斯和粒子滤波的动态称重数据处理

由于动态称重过程中的噪声干扰,导致动态称重信号处理中存在数据处理速度慢与精度低等不足.为了提高动态称重的快速性与准确性,本文将高斯和粒子滤波算法应用于动态称重数据处理.在对动态称重系统建立状态空间模型的基础上,引进高斯和粒子滤波算法,利用高斯和逼近状态的后验密度,提高了对状态分布估计的精确性.实验结果证明,高斯和粒子滤波方法有效地提高了动态称重的速度与精度,比较实验结果说明本文方法优于传统的扩展卡尔曼滤波和粒子滤波效果.     

结合深度图像和最佳分割阈值迭代的自遮挡检测算法

针对视觉任务中普遍存在的自遮挡现象和目前视觉系统尚无明确的自遮挡检测算法的现状,提出了一种结合视觉目标深度图像和最佳分割阈值迭代的自遮挡检测算法。在分析图像阈值分割技术的基础上,将分割阈值迭代法的思想引入深度图像领域,并结合使用视觉目标对应的深度差值图像信息,通过求取合适的阈值实现了对自遮挡现象的检测。实验结果表明,该方法能够有效地检测出视觉目标中存在的自遮挡现象并定位自遮挡边界,弥补了目前自遮挡检测领域研究的不足。     

旋转机械故障诊断的自学习方法研究

分析并介绍了旋转机械故障诊断的模糊数学与专家系统相结合的诊断方法，提出了一种实用的自学习策略，用这一诊断方法在实验室对一双跨转子进行了两种常见故障的学习及诊断。并将该学习模块装入现场一台５０ＭＷ汽轮发电机组的故障诊断专家系统中，经过多年运行，专家系统知识库得到不断完善。     

基于阈值增量的标准动态眩光源设计方法

针对目前眩光测量装置面临的测量标准不统一的问题,提出了一种基于阈值增量(TI)的标准动态眩光源设计方法,建立了眩光测量仪校准系统.依据阈值增量的测量要求确定标准动态眩光源结构;眩光测量过程中,在保证实验室环境和现实路灯照明环境中的位置指数与立体角分别相等的前提下,规划眩光源的布局以及确定眩光源的发光面积;以最高为24 ...     

基于RF和ANFIS算法的直驱风电机组故障预警

针对风电机组运行工况复杂和单一状态参数不能较好实现故障早期预警的特点,提出随机森林算法(RF)和自适应模糊神经网络算法(ANFIS)相结合的故障预警方法。该方法充分考虑机组运行数据高维非线性特点,应用随机森林算法,建立有功功率与运行参数的数据驱动模型,计算各运行参数影响有功功率的相关度;构建自适应网络模糊推理系统模型,以训练误差最大值作为故障预警阈值,实时监测发电机运行状态。将该方法应用于某1.5 MW直驱机组发电机故障预警分析,结果表明,该方法能够提前预警发电机健康状态,避免严重事故发生,对风电场开展预防性维护、维修具有重要的指导意义。     

基于卷积自编码器的座椅电机故障诊断

故障数据的缺失一直是制约设备故障诊断发展的重要因素,现有研究通过刻意损坏设备的方法来采集故障数据。为实现座椅电机的无损故障诊断,文章对座椅电机的故障机理进行分析,确定可能发生的故障类型,通过在座椅电机表面粘贴微型喇叭并播放故障声音,来模拟故障的发生。在自编码器系统的基础上,引入卷积操作,使用卷积层代替全连接层,通过输入数据维度、卷积核的尺寸和数量以及池化、正则化等操作对模型结构进行调整。采用IDMT Isa Electric Engine数据集作为源域数据,对模型进行预训练。使用迁移学习方法将源域中已经学习到的数据分布迁移到座椅电机故障诊断任务中,并与各类模型检测结果进行对比。结果显示,文中方法在召回率保持1.00的情况下,曲线下面积达到0.86,检测结果可靠,具有实际应用价值。     

基于FOC控制的ACR参数自学习的研究

通过电流环传递函数模型的建立,根据电机参数：R,L以及系统参数J等,以及要求控制的性能指标,自动运算出电流环的控制参数。从而不再需要守东调节P、I参数,减少人为调节的工作量及误差。     

基于改进阈值估计和改进阈值函数的局部放电信号降噪方法EI北大核心CSCD

提出了基于改进最优阈值估计和改进阈值函数两方面优化的降噪方法。首先,针对传统阈值法估计偏大和单序列样本熵阈值法估计易陷入局部最优的问题,建立了融合噪声序列样本熵和降噪序列样本熵的综合熵模型,以综合熵曲率拐点下的阈值为优化目标,提出一种二分变步长非线性搜索方法实现最优阈值的快速估计。进一步,针对传统小波阈值函数存在重构振荡和重构偏差的问题,提出了一种融合软、硬阈值特征的改进阈值函数,通过使用平滑过渡数模型对该函数中的品质因子参数进行优化,使函数曲线在临界阈值邻域内连续平滑过渡。在高压设备局部放电超声波脉冲信号降噪应用场景中的仿真及测试试验结果表明,所提出综合熵阈值估计方法能够快速、准确地逼近最优阈值。此外,改进阈值函数兼顾了软、硬阈值函数的优点,能够抑制重构振荡和重构偏差,在保留原始信号有效信息的前提下实现对噪声的有效抑制,表现出了较好的工程应用价值。