基于HMM和仿射不变矩三维模型归类与检索算法

针对Hu不变矩对仿射形变图像描述的不足,为提高三维模型的检索精度,提出一种基于Hu不变矩和仿射不变矩特征性融合的隐马尔科夫模型相似性归类与检索算法。首先使用Sobol算子对机械零件三维模型进行轮廓边缘的提取,得到二维的正等测轴测图,然后对该图进行组合不变矩的特征提取,并进行特征值的编码,最后构造五类机械零件三维模型的样本集,通过添加比例因子的多观测值b-W(baum-Welch)算法进行机械零件三维模型的训练与识别,仿真实验表明本文所提算法具有较高的识别率。     

基于图像处理方法的轴心轨迹识别方法

提出一种根据轴心轨迹几何特征和不变矩特征的轴心轨迹识别方法.由于利用了直观的图像特征,使得识别的结果更加明晰.     

基于深度融合策略的转子轴心轨迹识别研究

针对以人工特征为输入的旋转机械故障的传统智能识别方法的精度较低及深度学习方法对数据量依赖性强的问题,鉴于Hu不变矩具有伸缩、平移及旋转不变性的特点及无监督深度学习模型在小样本数据特征提取方面的优势,提出了一种融合Hu不变矩及深度卷积自动编码特征的故障诊断模型（deep convolutional auto?encoder fault diagnosis model,简称DCAE?FDM）。首先,采用有效奇异值法对原始振动信号进行提纯,得到提纯的轴心轨迹集,并按一定比例划分为训练集和测试集,分别计算出它们的Hu不变矩特征;其次,利用所构造的DCAE?FDM模型对轴心轨迹进行自适应特征提取,得到深度自动编码特征;然后,将Hu不变矩与深度自动编码特征进行融合,并将训练集的融合特征作为输入对BP神经网络进行训练;最后,采用测试集的融合特征对训练好的模型进行测试。试验结果表明,所提方法的识别效果明显优于深度学习方法及传统识别方法,所提方法的平均准确率达98.5%,比次优模型高出约6个百分点。     

轴心轨迹自动识别及其在旋机诊断中的应用

提出了一种基于Zernike不变矩特征和神经网络分类器的轴心轨迹自动识别方法.通过对原始Zernike矩特征进行二次提取和处理,获得了对轴心轨迹识别更为敏感的矩特征量,降低了后续神经网络分类器设计的难度.仿真研究表明,基于Zernike矩的轴心轨迹识别方法,其识别精度优于常用的几何矩方法.将所提方法应用于汽轮发电机组和高速离心压缩机组轴心轨迹的自动识别,并结合频谱能量分布特征进行故障诊断,结果表明,引入轴心轨迹特征可以有效地提高旋转机械故障诊断的精度.     

基于支持向量机决策树的航空发动机轴心轨迹识别方法

针对航空发动机转子轴心轨迹难以准确自动识别的问题,提出了基于二维形状不变矩和支持向量机（SVM）决策树的识别方法。对信号滤波降噪和倍频提纯,形成比较清晰的轴心轨迹;利用二维形状不变矩提取轴心轨迹的图形特征,得到不变矩特征向量,进而构造特征故障的训练和测试样本;采用SVM进行训练和学习,构造SVM决策树,识别故障类别,分类正确率达93.3%以上。应用实测弹支振动应力信号对该方法的准确性进行了验证,结果表明,该方法有效地解决了航空发动机转子轴心轨迹自动识别准确率低和小样本问题。     

工件装配基准端的形状识别研究

为了有效识别工件的装配基准端,根据工件两端不同的形状特征,提出了一种基于改进的Hu不变矩和LM-BP神经网络的工件装配基准端识别方法。该方法针对Hu不变矩在离散图像缩放运算上存在较大误差的问题,采用改进的Hu不变矩提取工件两端的形状特征值;用提取的特征值训练LM(Levenberg-Marquardt)算法优化的BP神经网络(即LM-BP神经网络),实现工件两端的形状识别,判断装配基准端。实验结果表明,改进的Hu不变矩能保证特征值在图像缩放情况下的不变性,改进的Hu不变矩与LM-BP神经网络结合的识别算法对工件两端形状具有很好的识别能力。     

基于膜计算的水电机组故障识别

本文对水电机组振动故障进行识别研究,提出了一种基于膜计算的粒子群模糊聚类方法;该方法利用粒子群算法对模糊均值聚类算法的聚类中心进行优化,并利用膜计算增加粒子群的种群多样性;最后将所给方法成功应用于水电机组振动故障识别;并与粒子群优化的FCM算法、FCM算法、K-means算法进行比较,说明所给方法的优越性。     

电力线除冰机器人基于粒子群优化的小波神经网络障碍物识别方法

由于除冰机器人工作在覆冰的电力线上,障碍物的识别存在着各类障碍物区分较难,准确率较低等不足。为提高机器人自主识别能力,设计一种自适应阀值的小波变换边缘提取算法来提取出障碍物的图像边缘,并针对电力线障碍物结构特点,在障碍物边缘提取过程中设计一种基于电力线位置约束的有效剔除部分干扰背景的方法;引入小波矩,通过提取边缘图像的小波矩作为障碍物的特征匹配数据;根据神经网络和粒子群算法的原理,设计一种粒子群优化的小波神经网络进行障碍物的识别分类,该方法用粒子群算法取代传统的梯度下降法,并改进惯性权重因子,优化小波网络的各个参数。试验结果表明所提出的方法对电力线上防震锤、悬垂线夹和耐张线夹等障碍物能够有效地识别,并具有比普通识别方法更高的识别精度。     

高压输电线路除冰机器人障碍物识别方法研究

障碍物检测识别是高压输电线路自主除冰机器人的关键技术之一.针对220 kV输电线路特殊的机器人工作环境,提出一种基于视觉的障碍物识别方法.首先对拍摄的障碍物图像进行中值滤波、膨胀腐蚀等预处理,经OTSU阈值优化计算后,用小波模极大值算法提取图像边缘.然后计算障碍物边缘图像的联合不变矩特征,再把矩特征输入小波神经网络进行障碍物图像的分类识别.并选取防震锤、悬垂线夹、耐张线夹三类障碍物做识别试验,还把小波神经网络与普通BP神经网络识别性能进行了比较,实验表明:以联合不变矩作为障碍物识别特征具有良好的可靠性和稳定性;小波神经网络识别分类的性能良好,比普通BP神经网络具有更快的收敛速度和更高的识别精度.     

基于曲线不变矩和2d-HMM的轴心轨迹自动识别系统

分析旋转机械轴心轨迹的特点,构建出以曲线不变矩为特征,用二维隐马尔夫模型(2d-HMM)进行分类的轴心轨迹自动识别系统。该系统综合应用小波滤波、曲线不变矩、2d-HMM理论,实现识别过程的自动化,并通过实验验证了它的有效性。     

基于粒子群算法的神经网络优化及其在镗孔加工中的应用

采用粒子群算法对镗孔加工尺寸误差人工神经网络预测模型进行优化。实验表明，与误差反传算法(BP)相比较，粒子群算法优化神经网络收敛速度更快，预测精度更高。     

基于改进灰狼优化算法的金刚石刀具磨损状态识别方法

传统金刚石刀具磨损状态识别方法容易受到外界干扰,导致金刚石刀具磨损状态识别效率低、误检率高,为此提出了基于改进灰狼优化算法的金刚石刀具磨损状态识别方法.利用属性权重去除金刚石刀具磨损状态数据中的冗余数据,对金刚石刀具磨损状态进行初步异常识别,将粒子群算法引入金刚石刀具磨损状态特征选择中.通过计算金刚石刀具磨损状态特征的适应度,更新了粒子速度.在引入惯性因子的基础上更新粒子位置,实现金刚石刀具磨损状态特征的选择.通过计算收敛因子找到最优位置,实现金刚石刀具磨损状态的识别.分析结果表明,基于改进灰狼优化算法的金刚石刀具磨损状态识别方法不仅在识别准确率方面具有一定优势,还可在应用过程中有效提高识别效率.     

集成GA-PSO方法的转子系统多点不平衡量识别

针对传统转子动平衡方法需多次启车确定平衡配重、平衡效率低、平衡成本高的问题,提出了集成遗传算法(genetic algorithm,简称GA)及粒子群算法(particle swarm optimization,简称PSO)的转子多点不平衡量在线识别方法。该方法的核心是将转子不平衡量分解为数目、位置、质量和相位信息,分别获取转子系统理论不平衡响应与实际振动特征,正反问题角度相结合实现转子多点不平衡量的准确识别。首先,采用集成化的GA-PSO优化算法进行不平衡量识别;其次,通过引入正则化思想构造新的目标函数,利用遗传算法获取不平衡数目的稀疏表示,实现不平衡量数目识别;最后,采用粒子群算法进行不平衡量位置、质量和相位识别,通过缩小粒子群算法初值范围,提高不平衡位置、质量和相位识别精度。仿真和转子实验台实验数据的识别结果表明,该方法可以有效对转子不平衡量进行在线预估,并可有效指导现场无试重动平衡,从而降低后续转子系统现场动平衡的成本,提高其平衡效率。     

改进粒子群优化BP神经网络短期负荷预测研究

为了提高短期电力负荷预测的准确性,提出了一种改进型粒子群优化BP神经网络预测模型。在改进的粒子群每次迭代过程中求出种群平均适应度值,并将每一粒子适应度值与种群平均适应度值比较,当粒子适应度值劣于种群平均适应度值时,对其空间位置初始化处理,随机生成新的位置,当粒子适应度值优于或等于种群平均适应度时,保持位置不变,通过此种方式,保留了种群中优良粒子,在搜索空间不断缩小的后期拓展了搜索空间,保持了种群多样性,利用改进的粒子群算法优化BP神经网络的初始参数,再将训练样本训练BP神经网络求得最优参数。将此模型应用到河南省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。     

引入单纯形算子的粒子群优化算法在板形模式识别中的应用

将粒子群理论引入板形模糊模式识别系统，对识别后的板形进行优化，提高了板形识别的精度。粒子群算法作为一种全局优化算法，对于复杂优化问题，存在容易陷入局部极值的不足，因此，提出了粒子群和单纯形混合优化算法，将具有良好局部搜索能力的单纯形法与粒子群算法的全局搜索能力结合起来，有效地提高了板形模式识别优化的收敛速度，同时也提高了识别精度。     

小波矩和HMM的三维CAD模型归类与检索算法

为了在工程应用中检索已有的三维CAD模型,以便重用相应零件的设计信息,节省设计和加工成本,提出一种基于小波矩和仿射不变矩特征融合的隐马尔科夫模型(HMM)三维CAD模型归类与检索算法。对三维模型图进行归一化处理,并分别提取归一化图像的小波矩特征值和仿射不变矩特征值;通过K-W检验算法选择出鲁棒性好、稳定性高的组合不变矩特征并进行编码;构造五类三维模型的样本集,将上述特征值作为HMM的输入观测值,通过修正的添加比例因子的多观测序列Baum-Welch(B-W)算法进行模型的训练与识别。将本文算法与其他三种算法进行实验对比,结果表明,本文所提出的算法具有较好的识别率和检索效率,具有一定的实用价值。     

应用粒子群算法的3-RPS并联机器人机构位置正解

根据杆长约束条件,给出求解3-RPS并联机器人机构位置正解的无约束优化模型,并应用粒子群算法求解此优化问题。该算法具有控制参数少,全局优化能力较强等优点。数字实例表明,对于并联机构位置正解问题,粒子群算法收敛速度较快,精度较高。     

一种模仿人眼的汽轮机轴心轨迹识别方法

针对轴心轨迹图像的特征不易提取,传统基于图像处理的轴心轨迹识别方法普遍存在信息提取不全面、形状表征不准确、特征向量与形状映射关系不明确等问题,提出了一种模仿人眼的轴心轨迹识别方法。该方法首先模仿人的眼睛来提取轴心轨迹结构、区域和边界3方面最直观有效的信息;然后,通过有效信息的全面集成完成形状的综合准确表征,使特征向量与形状之间的对应关系足够明晰;最后,通过反向传播(back propagation,简称BP)神经网络、径向基函数(radical basis function,简称RBF)神经网络和概率神经网络(probabilistic neural network,简称PNN)实现汽轮机轴心轨迹的自动识别。实验表明,提出的轴心轨迹识别方法简单、高效、准确。     

基于GA PSO混合算法的钢杆磁特性参数识别方法

测量轴类零件的磁滞回线,利用其特征参数的变化表征零件表面硬度及硬化层深度,是具有工程应用前景的电磁无损检测新技术之一,其关键是轴类零件磁特性曲线测量装置的研制和磁特性参数高精度识别方法的研究。设计出一种基于闭环磁路的钢杆磁滞回线测量实验装置,并基于J-A磁滞模型,提出了一种遗传粒子群(GA-PSO)混合算法,实现了钢杆磁滞回线全局与局部特征参数的快速、高精度识别。实验测得的3种不同材质钢杆磁滞回线,对比分析了混合优化算法与单一算法(遗传、粒子群、模拟退火)的参数识别速度与精度,结果表明,混合算法全局识别结果的最小均方根误差仅为0.004 7,低于单一算法的相应结果;混合算法对局部特征参数(矫顽力、剩余磁感应强度)识别的相对误差均小于0.35%,优于单一算法识别精度。上述实验测试和磁特性参数识别方法,有望应用于销钉、螺栓等轴类构件表面硬化层的无损检测。     

机械臂关节空间轨迹的时间最优智能规划研究

针对机械臂关节空间轨迹的时间最优规划问题,提出了基于膜计算-粒子群算法的轨迹规划方法。建立了机械臂关节空间轨迹规划模型,使用3次样条曲线构造了轨迹基元函数。提出了膜计算-粒子群算法,通过设计处理器处理膜传递的信息,通过算法淘汰机制、吞并机制和信息交流机制实现膜间合作,膜内根据不同算法原理各自进行速度和位置更新,最终通过膜计算将多种粒子群算法优势进行融合。经测试函数测试,相比于其他粒子群算法,膜计算-粒子群算法具有最高的搜索精度和最快的收敛速度;同时使用多作用力粒子群算法和膜计算-粒子群算法进行轨迹规划,膜计算-粒子群算法规划的机械臂耗时比另一算法减少了23.99%,充分证明了膜计算-粒子群算法在轨迹规划中的优越性。