基于峭度与IMF能量融合特征和LS-SVM的齿轮故障诊断研究

针对齿轮振动信号非线性非平稳特性,为避免传统时频方法在表征设备状态时的不足,提出一种基于融合峭度与IMF能量特征和LS-SVM的齿轮故障诊断方法。首先,对齿轮振动信号在EMD分解;然后,提取包含主要故障信息的IMF分量的峭度特征和能量特征,组成融合特征向量;最后,将齿轮正常、齿根裂纹、断齿3种状态下的融合特征向量输入到LS-SVM,通过训练好的LS-SVM对齿轮状态进行分类识别。仿真实验结果表明:该方法能准确识别齿轮的工作状态,且与BP神经网络、SVM相比,有着更高的故障识别效率,可用于齿轮信号的故障诊断。     

基于ICA和SVM的滚动轴承声发射故障诊断技术

以滚动轴承为研究对象,提出了应用独立分量分析(ICA)和支持向量机(SVM)相结合进行滚动轴承故障诊断的方法.首先,对声发射信号(AE)进行自相关预处理,突出声发射信号的非高斯成分,使AE信号较好地满足独立分量分析的前提条件.然后,应用独立分量快速算法分离故障轴承的声发射信号,提取其状态特征向量,利用支持向量机的模式识别和非线性回归功能来完成滚动轴承故障的识别.试验结果表明,利用独立分量分析方法提取的故障状态特征向量与支持向量机相结合可以有效、准确地识别滚动轴承的故障模式,为滚动轴承故障诊断提供了一种新型的方法.     

基于非负矩阵分解与主元分析的时频图像识别方法研究

本文应用非负矩阵分解与主元分析对时频图像处理,在此基础上进行设备状态识别。论述了对振动信号应用Hilbert谱构建二维时频图像,并用非负矩阵分解对时频图像构造特征向量,应用主元分析对提取的特征向量进行了降维处理,并在三维坐标系中进行表示和状态识别。以滚动轴承不同状态的识别为例,验证方法的有效性。研究表明此方法能够提高设备状态识别的准确性,有利于设备故障诊断的发展。     

基于WMRMR的滚动轴承混合域特征选择方法

为充分利用时域、频域以及时频域中的有效特征,提高滚动轴承故障诊断准确率,提出一种混合域特征集构建方法,利用原始信号分别生成时域和频域特征集,通过经验模式分解提取固有模态函数的排列熵和Hilbert谱的奇异值作为时频域特征集,使得混合域特征集比单域特征更能全面准确反映轴承运行状态。针对混合域特征集存在维数过高、特征之间冗余性严重的问题,采用加权最大相关最小冗余的特征选择方法,以支持向量机分类正确率为依据,选取7个有效特征向量。实验结果表明:基于WMRMR的混合域特征选择方法的分类准确率可达98%,能够有效的识别轴承故障信息。     

基于LMD样本熵与SVM的往复压缩机故障诊断方法

针对往复压缩机振动信号的非平稳和非线性特性,提出了基于LMD样本熵与SVM的往复压缩机轴承间隙故障诊断方法。利用具有保形特性的Hermite插值法替代传统LMD中滑动平均法构造均值与包络函数,提高LMD对非平稳信号的分解精度。以改进LMD方法将各状态振动信号分解为一系列PF分量,依据相关性系数选择其中代表故障状态主要信息的PF分量,计算其样本熵形成有效的特征向量。使用SVM作为模式分类器,诊断得出轴承间隙故障类型。同LMD与近似熵方法所提取特征向量进行对比,结果表明本文方法具有更高的识别准确率。     

基于改进的Hilbert-Huang变换的滚动轴承故障诊断

由于Hilbert-Huang变换中的EMD（empirical mode decomposition EMD）在低频段产生多余的IMF（intrinsic mode functions IMF）这一缺陷，故在滚动轴承故障诊断应用中也遇到相应的麻烦。文中提出用每个IMF的能量与原始信号的能量比作为判断标准来剔出分解中产生的多余IMF，并且选择能量比最大的IMF进行边际谱的计算，再选取幅值最大处的频率与轴的旋转频率之比作为表征滚动轴承状态的特征向量，然后采用线性神经网络进行状态识别。实验结果表明，该方法是一种非常有效的滚动轴承故障诊断方法。     

基于EMD与GA-PLS的特征选择算法及应用

针对振动信号非平稳性和特征优化选择的问题,提出一种基于EMD和GA-PLS的特征选择算法。在该算法中,首先,采用EMD方法将振动信号分解成多个固有模态函数(Intrinsic Mode Function, IMF),对IMF分量建立自回归（AR）模型,以AR模型系数和残差作为初始特征向量,然后,遗传算法与偏最小二乘法相结合(GA-PLS)的算法对初始特征向量进行筛选得到新的特征向量,最后,以新的特征向量为输入,建立分类器,用来识别手动换向阀的工作状态和判断故障类型。实验结果表明,采用该特征选择算法能准确地选择出特征,并能应用于手动换向阀的故障诊断     

基于振动信号的齿轮泵故障诊断

进行齿轮泵故障诊断时,首先采用基于马氏距离的传感器通道选择方法选择最佳振动信号,然后采用多项式最小二乘法去除信号趋势项,再基于五点三次平滑法对信号进行平滑预处理,最后分别提取基于峭度的时域特征、小波包能量特征和经验模态分解特征,运用最小二乘支持向量分类机进行状态识别。应用实例表明在运用经验模态分解提取各频带能量作为特征参数时状态识别方法具有更高的识别率,能更有效识别齿轮泵的状态。     

基于谱质心直方图-SVM的滚动轴承故障诊断

轴承早期故障信号的信噪比较低,较难识别。为提高轴承早期故障诊断的准确率,分析了现有方法和视觉信息处理方式的相似点,从视觉信息处理的角度进行研究,提出一种基于谱质心直方图的滚动轴承故障特征提取方法,将所提出方法用于滚动轴承不同运行状态下的故障特征提取,将所提取特征作为支持向量机的输入特征向量从而实现对滚动轴承不同运行状态的智能分类。实验证明,谱质心直方图提高了轴承早期故障诊断准确率,准确率平均提高了2 %,优于Mel频率倒谱系数特征。     

基于小波包特征提取和模糊熵特征选择的柴油机故障分析

船舶动力设备因故障监测信号样本少、变化缓慢、数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。尤其是柴油机振动信号的故障诊断,由于柴油机振动信号噪声多,诊断信号难以进行特征选择的问题,提出了基于小波包能量谱特征提取和模糊熵特征择的柴油机故障诊断方法。利用模糊熵对小波包能量谱提取出的特征集进行特征选择,将选择后的特征参数输入LS-SVM进行故障模式识别。试验结果表明,该方法可以提高故障识别准确率。在该试验中,故障识别准确率达到了99.36%,相比于未进行特征选择的特征集,识别准确率提高了0.72%。     

Improved Matched Filter Based on Radial Eigenfunctions

Abstract

A new rotation invariant filter is proposed. The Karhunen-Loeve (KL) expansion is used to find a set of radial eigenfunctions corresponding to a target. A pseudo-object is reconstructed by the inverse KL transform using a reduced number of those functions. The rotation-invariant filter using radial eigenfunctions is obtained with the use of the circular harmonic decomposition of the pseudo-object. A computer simulation shows that this filter gives good results for discrimination and pattern recognition in the presence of a cluttered background.     

Real object recognition using moment invariants

Moments and functions of moments have been extensively employed as invariant global features of images in pattern recognition. In this study, a flexible recognition system that can compute the good features for high classification of 3-D real objects is investigated. For object recognition, regardless of orientation, size and position, feature vectors are computed with the help of nonlinear moment invariant functions. Representations of objects using two-dimensional images that are taken from different angles of view are the main features leading us to our objective. After efficient feature extraction, the main focus of this study, the recognition performance of classifiers in conjunction with moment-based feature sets, is introduced     

基于EMD的胶合板损伤声发射信号特征提取及神经网络模式识别

摘要：针对胶合板损伤声发射信号的非平稳性和损伤类别特征相互重叠的实际情况,提出了基于经验模态分解(Empirical Mode Decomposition, EMD)和BP神经网络相结合的信号特征提取和识别方法。首先对损伤声发射信号进行EMD分解,筛选出包含主要信息的本征模态函数（Intrinsic Mode Function, IMF）分量;其次构建以各IMF分量的能量占比作为表征各损伤信号的特征向量;最后以提取的特征向量为输入样本,建立BP神经网络模式分类器对四类胶合板损伤信号进行识别。五层胶合板损伤的实测数据表明,该方法能够准确地提取出声发射信号特征并对其损伤类型进行有效地识别。     

基于多源数据融合的掘进机截割岩壁硬度识别方法

针对煤矿井下掘进机截割岩壁硬度识别难度大的问题,利用其悬臂振动信号、升降油缸和回转油缸压力信号、截割电机电流信号,提出了一种基于多源数据融合的截割岩壁硬度识别方法。该方法首先对各类信号进行小波包分解,单支重构各频带信号并组建时频矩阵,通过奇异值分解得到包含时频信息的若干特征奇异值,以构造特征向量;再利用LDA算法实现数据特征级融合,得到类可分性更好的低维特征。为解决概率神经网络(PNN)平滑参数无法确定和网络结构复杂的问题,提出了基于差分进化算法(DE)和QR分解的PNN优化方法,并通过优化PNN对低维特征进行硬度识别。实验结果表明:所提出的特征量提取和模式识别方法是有效的,与目前常用的其它模式识别算法相比,优化PNN在掘进机三种工况下均有更高的硬度识别准确率。     

分布式光纤入侵信号检测与识别

分布式光纤声波传感(DAS)技术通过接收相干瑞利散射光的相位信息来探测声波或振动信号,具有灵敏度高、动态范围广等特性,可利用线性定量测量实现对信号的高保真还原.随着实际应用的需求不断提高,光纤入侵检测领域对事件的定位和识别提出了更高的要求,表现为对入侵事件的准确分类,因此将分布式光纤声波传感技术与模式识别(PR)技术相...     

小波分析在图像处理中的应用

本文介绍小波分析在图像处理中的应用,有多尺度边缘检测、图像识别、图像分割.边缘检测包括可去除多余边缘的一般灰度图像实例,彩色肿瘤图像的边缘提取,汉字放大.图像识别中,对于汉字或字母的识别,是将二维图像信号降维后再进行小波分解,通过计算各层次的分形维数形成特征向量从而可以进行识别;仿射变换后的汉字或其它图像可用多尺度小波的仿射不变函数进行对比识别.最后介绍了两种图像分割算法,首先利用基于能量分析的方法将纹理部分和平滑部分先分开,然后再利用基于奇异性分进行细分,得到最终分割的结果.     

无限制手写数字自动识别系统的研究

给出了一个高性能的自由手写数字识别系统，提出了在不同尺度下抽取结构上的粗特征和细特征并分层实现的方法。在粗分类阶段，基于结构粗特征用分类树进行稳定的粗分类，并进行属性确认，还用小波分解技术进行细分类识别；又提出并实现以微小线段及其邻域作为比较匹配的相关匹配方法来减少候选类别数（限制性分类），最后，提出并实现用二分类ＢＰ网对非相似二类别字进行非限制性分类，另外，在识别的前端，还对书写工整的文字进行Ｆ     

基于本征时间尺度分解和变量预测模型模式识别的机械故障诊断

基于变量预测模型的模式识别(variable predictive model based class discriminate,VPMCD)方法是一种充分利用特征值之间相互内在关系进行多分类模式识别的新方法。对VPMCD算法进行了研究,并采用交叉验证法来选择VPMCD模型。针对机械故障振动信号的特征值之间的相互内在关系,结合本征时间尺度分解(intrinsic time-scale decom-position,ITD),提出了一种基于本征时间尺度分解和VPMCD的机械故障诊断方法。该方法首先利用ITD方法将原始信号分解若干个PR(proper rotation,PR)分量,然后提取第一个PR分量的无量纲时域统计参数组成特征向量,最后采用VPMCD方法进行机械故障诊断。通过滚动轴承故障诊断实验验证了该方法能有效地应用于小样本多分类机械故障诊断。     

水下航行器声隐身性能快速评估研究

针对传统水下航行器声隐身性能评估方法计算时间长、实时性不强的缺点,将评估由数值计算问题变为基于多传感器信息融合的模式识别问题来解决。通过将RBF神经网络模型和LVQ神经网络模型相结合,提出了基于组合神经网络的水下航行器声隐身性能快速评估模型。利用加速度传感器测得壳体表面振动信息,抽取分析频段内每个频带的功率作为特征向量,通过组合神经网络模型进行识别分类,快速评估出航行器当前的声隐身状态。并利用水下双层加肋圆柱壳体模拟航行器舱段缩比模型,进行了水下声学试验,验证了方法的实时性和有效性。该评估方法计算速度快、评估正确率较高、通用性较强,可很好地应用于各类水下结构的声学状态评估。