集箱管接头内焊缝表面缺陷识别方法研究

针对集箱管接头内焊缝表面缺陷自动检测需要,进行了基于计算机视觉的集箱管接头内焊缝表面缺陷自动识别方法研究。分析了不同焊缝图像的纹理特征,从焊缝图像的灰度共生矩阵中提取出15种可用于焊缝表面缺陷状态表征的特征参数。在此基础上,研究将BP神经网络应用于焊缝表面缺陷自动识别中。分析了灰度共生矩阵的步长、灰度级、神经网络的结构参数及输入特征参数的数量和种类对焊缝图像识别效果的影响,优化出最佳的识别参数。在以上研究基础上,利用优化后的神经网络对内窥镜获得的不同焊接质量的焊缝图像进行了训练和识别。结果表明,提出的基于图像纹理的神经网络识别系统可以很好实现集箱管接头内焊缝焊接状态的自动评价,整体识别率达91%。研究工作为集箱管接头内焊缝焊接质量自动检测做了有益的探索。     

原发性肝癌CT图像纹理分析

目的探索图像纹理分析方法对原发性肝癌CT图像的识别能力。方法首先从一阶统计特征、灰度共生矩阵、灰度行程矩阵3方面提取正常肝脏和原发性肝癌CT图像的纹理特征,然后采用t检验进行特征选择,最后利用BP神经网络对保留的特征进行分类识别。结果 BP神经网络对正常肝的识别率是100±0.00%,对原发性肝癌的识别率是93.60±5.35%。结论 BP神经网络经设计优化后能达到较高的识别准确率,对于原发性肝癌的计算机辅助诊断具有一定实际意义和理论价值。     

基于BP神经网络的钢球表面缺陷识别

采用灰度共生矩阵为基础的纹理特征计算方法,对钢球表面图像进行特征参数提取,应用基于BP神经网络的图像特征模式识别方法,实现了对钢球表面不同种类缺陷的准确识别,实验结果表明,该方法能够对钢球表面缺陷进行有效地分类识别。     

基于特征矩阵的大型舱体类构件毛坯模型复杂特征分层识别方法

大型舱体类构件是大飞机、火箭等航空航天飞行器型号的重要部件,具有众多复杂内部相交特征,给其内部特征的准确识别带来极大挑战,毛坯模型内部特征的有效识别是实现加工余量确定、切削参数优化及刀具路径规划的重要基础.提出了一种基于特征矩阵的大型复杂构件毛坯模型相交特征分层识别算法,实现基于毛坯模型几何拓扑信息的多层次复杂相交特征识别.首先使用阈值分割法识别和剔除大型复杂构件毛坯模型伪特征及其数据,进行毛坯模型优化.然后构建该优化毛坯模型的属性邻接图,采用分层识别方法对构件的优化毛坯模型相交特征进行分层处理,得到单一特征并计算其特征矩阵.将多类型单一特征均转换为特征矩阵,建立特征匹配库.最后将特征矩阵与特征库进行匹配,以进行模型相交特征准确识别.对具有多种特征的舱体零件毛坯模型进行实例验证,通过准确识别多类型特征分别验证了该算法的可行性和有效性.     

面向模具的特征识别技术研究

针对模具形状复杂多变,带有大量凸台、凹槽等复杂复合特征的特点,提出了构建复杂模具模型属性邻接图,利用特征面间的边界关系和凹凸关系将复杂模具模型分解为多个元特征,定义面和边的属性类型,构建元特征的特征矩阵。利用各个元特征的特征矩阵与特征库特征矩阵相匹配的特征识别方法,可以实现对模具多类特征的高效识别。最后以冲压模具下模为例进行特征识别分析,证明该方法能有效识别各类特征,满足预期要求。     

基于BP神经网络的带钢表面缺陷的识别与分类

运用神经网络处理非线性问题的优势，将其应用于带钢表面缺陷的识别与分类研究。本文采用灰度共生矩阵的特征提取，提出了基于BP神经网络进行缺陷识别与分类的方法，编制了带钢表面缺陷的识别与分类软件。分类测试表明，该软件有较好的识别与分类效果。     

一种新型自由界面子结构模态综合法的研究

将键合图用于动态子结构分析和研究，获得其相应的特征谱矩阵和振型矩阵，提出一种新的求解自由界面模态综合法的基本原理，推导出两个子结构自由界面模态综合法的计算方法。文中给出的算例表明，基于键合图方法的自由界面模态综合法方便、有效、结果准确，并确保了整体结构分割前和综合后的键合图模型的统一。     

基于EWT-SVM的雨量识别方法

为了从雨声信号中识别出雨量的大小,提出了一种基于经验小波变换和支持向量机的雨量识别算法。对于采集到的雨声信号先进行去噪,接着对信号进行经验小波变换分解,分解后得到数个经验小波函数分量,然后通过Matlab编程对各个经验小波函数分量进行特征提取,在时域和频域范围内组成评价特征矩阵,最后通过SVM对特征矩阵进行分类识别。通过仿真实验发现,对于同一个信号,经验小波函数相较于经验模态分解有更好的自适应性并且克服了经验模态分解的混叠现象和端点效应。实验结果表明基于经验小波变换和支持向量机的雨量识别方法在雨量识别领域具有良好的效果,研究方法为雨量识别、智能雨量计的发展奠定了良好的基础。     

基于特征映射的超临界机翼整体壁板板坯快速建模技术研究

将整体壁板分解为特征的集合,并进一步将特征分解为特征的位置、方向、几何尺寸、布尔运算等信息的集合。采用曲面优化展开映射实现了特征映射,通过特征的分解、映射与重构解决了超临界机翼整体壁板板坯快速建模的问题。喷丸成形实验表明,采用特征映射法计算完成的板坯成形后尺寸达到了设计要求的精度。     

基于Stockwell变换的滚动轴承故障诊断方法

针对滚动轴承产生磨损时振动信号表现出非平稳的特点,采用继承短时傅里叶变换和小波变换优良性质的Stockwell变换特征提取方法。为解决Stockwell变换后得到的二维矩阵阶数过高问题,采用奇异值分解方法对结果进行降维,并进一步矢量化,然后构成特征矩阵。将特征矩阵分别输出至多分类支持向量机、神经网络和近邻算法模型进行训练。对比测试结果,表明多分类支持向量机在准确率和识别速度上均有优势,从而证明基于Stockwell变换的滚动轴承故障诊断方法的有效性。     

蜗轮减速器振动信号特征提取与状态识别

为实现蜗轮减速器运行状态识别,首先结合小波包分解和矩阵理论的特点,提出基于参考信号的小波包能量矩阵构造方法,分析了矩阵的最大奇异值（特征值）与运行状态的物理联系,并验证了所提方法比以往方法提取出的特征参数敏感度更高;然后改进思维进化算法（MEA）用于优化BP神经网络,实现对运行状态的智能识别,将提取的特征参数构成神经网络的输入向量,结果表明识别正确率提高了17.93%,从而验证了改进算法的优越性;最后提出了一种快速分类方法,该方法可以较好地区分故障与正常状态,解决了对实时性要求较高的在线诊断问题。     

三维模型特征识别中的分割与编码算法

三维模型特征识别是CIMS中的关键技术之一，用神经网络法解决三维模型的特征识别问题，具有鲁棒性，多重解释，根据例子学习、识别速度较快等许多优势势，基于凹凸变化产生特征的思想，根据底面、凹点、凹边等线索，对三维模型模型进行了合理的分割，找出三维模型特征可能存在的区域，并对该特征区域进行编码，将三维模型的拓扑信息，几休信息转化为神经网络能够处理的矢量数据，最后，再利用人工神经网络的学习与识别能力识别出模型的特征。     

基于神经网络的线图数据处理模型

提出了一种能够一次处理一组线图数据的新方法，基于神经网络的基本原理，建立了能够处理线图数据的神经网络模型，并且详细的讨论了径向基函数神经网络的具体应用。成为处理线图数据尤其是多线图数据的有利工具。处理过程主要分成三步：(1)采集数据，建立输入、输出矩阵，(2)训练网络模型，(3)检验误差。文中给出了应用实例及误差分析。     

同步建模技术在零件特征识别中的应用

特征识别一直是CAPP系统开发的难点,尤其是在相交特征和复杂特征识别方面.本文提出一种基于NX同步建模技术来实现零件特征识别与提取的方法.利用基于同步建模技术的无历史、基于特征的建模系统,合并尺寸驱动和约束驱动技术,结合基于去除切削体分解法可有效解决相交特征的特点,实现零件从毛坯到成品每一步骤改变量的识别.从而达到解决...     

神经网络在语义特征造型中的应用

相交特征识别是特征造型领域的一个难于解决的问题,成为CAD/CAM系统的一个瓶颈。神经网络的智能性和并行性使它成为相交特征识别的最新方法。在利用语义特征的扩展型面邻接图表达方法基础上,运用神经网络识别技术,提出并实现了相交特征的自识别技术,从而为相交特征识别提出了一种新的有效方法。     

基于特征实体模型上的截面轮廓自动特征识别方法

复杂零件特征实体上的相交特征自动识别问题，仍是CAD／CAPP领域未解决的难点。本文提出了基于特征实体模型上的截面轮廓造型自动特征识别方法，并制定了一系列各类特征的合理识别规则和识别算法。这种方法探索了一条实现自动特征识别的新途径，实现了对复杂箱体类零件的加工加工特征自动识别与信息自动提取，从而实现了CAD／CAPP系统的信息自动传递。     

基于视觉的铁路货车滚动轴承表面缺陷分类研究

用CCD代替人眼对轴承表面缺陷进行图像采集,采用卷积滤波与开、闭运算相结合的图像处理方法,有效去除了缺陷周围边缘点的干扰。在提取传统特征基础上增加了压缩度、线度、距离极值比、NMI特征和不变矩等特征量,增强了缺陷分类的依据;对BP神经网络的输入矩阵和归一化方法的改进,提高了神经网络的记忆能力及识别速度;通过试验对缺陷分类系统识别结果进行检测,确定了该系统的可靠性。     

柴油机振动信号快速稀疏分解与二维特征编码

针对柴油机故障诊断方法中的信号时频表征及特征提取问题,提出一种基于振动信号快速稀疏分解与二维时频特征编码识别的柴油机智能故障诊断方法。首先,为了获得时、频聚集性优良的时频图像,提出一种随分解残差信号自适应更新Gabor字典的改进匹配追踪(adaptive matching pursuit,简称AMP)算法,利用AMP算法将柴油机振动信号分解后叠加各原子分量的Wigner-Ville分布,获取原信号的稀疏分解时频图像;然后,为提取时频图像的特征参量,提出了双向二维非负矩阵分解(two-directional,2-dimensional non-negative matrix factorization,简称TD2DNMF)算法,用于对时频图像的幅值矩阵进行特征编码,获取蕴含在时频图像内部的低维特征,并利用最近邻分类器实现了时频图像的自动分类识别。将提出的方法应用于4种不同状态柴油机气门故障的诊断试验中,结果表明,该方法能够获得无交叉项干扰、聚集性好的时频图像,使各时频分量的物理意义更加明确,并改进了传统图像模式识别中的特征参数提取方法,是一种有效的柴油机故障诊断方法。     

一类滚动轴承振动信号特征提取与模式识别

复杂工况下滚动轴承振动信号通常表现出强烈的非平稳性,而一些典型的故障特征往往容易被其他成分所掩盖,这为故障特征提取带来了很大的困难。针对这一问题,首先,提出一种基于同步压缩小波变换的滚动轴承信号特征提取方法,对多种工况下的滚动轴承振动信号进行分析,提取出能够有效反映滚动轴承工况的信号特征空间;其次,采用非负矩阵分解对信号特征空间进行精简和优化,提炼出用于滚动轴承故障诊断和模式识别的特征参数;最后,采用支持向量机对多种工况的滚动轴承振动信号进行分类。研究结果表明,与传统的时域特征参数提取方法相比,所提出的方法具有更高的分类准确率。     

Feature Extraction and Recognition for Rolling Element Bearing Fault Utilizing Short-Time Fourier Transform and Non-negative Matrix Factorization

Due to the non-stationary characteristics of vibration signals acquired from rolling element bearing fault, the time-frequency analysis is often applied to describe the local information of these unstable signals smartly. However, it is difficult to classify the high dimensional feature matrix directly because of too large dimensions for many classifiers. This paper combines the concepts of time-frequency distribution(TFD) with non-negative matrix factorization(NMF), and proposes a novel TFD matrix factorization method to enhance representation and identification of bearing fault. Throughout this method, the TFD of a vibration signal is firstly accomplished to describe the localized faults with short-time Fourier transform(STFT). Then, the supervised NMF mapping is adopted to extract the fault features from TFD. Meanwhile, the fault samples can be clustered and recognized automatically by using the clustering property of NMF. The proposed method takes advantages of the NMF in the parts-based representation and the adaptive clustering. The localized fault features of interest can be extracted as well. To evaluate the performance of the proposed method, the 9 kinds of the bearing fault on a test bench is performed. The proposed method can effectively identify the fault severity and different fault types. Moreover, in comparison with the artificial neural network(ANN), NMF yields 99.3% mean accuracy which is much superior to ANN. This research presents a simple and practical resolution for the fault diagnosis problem of rolling element bearing in high dimensional feature space.