基于时延自相关降噪与局部特征尺度分解的齿轮故障诊断

In order to detect the gear fault accurately, a mode based on autocorrelation denoising and local characteristic-scale decomposition（LCD） was proposed. The autocorrelation function of the vibration signal of gear box was calculated,and the low delay time of [-20,20] and high delay time of last 20 points of the autocorrelation function were set to zeros. The delayed autocorrelation denoising signal was decomposed into some intrinsic mode components（ISC） by LCD, and the ISC included the mesh frequency were selected as the effective component. The fault was detected by the envelope aptitude spectrum. The analysis of broken tooth of gear fault data shows that the increase of the signal to noise ratio（SNR）can be 8.0963dB,the method can realize the occurrence of the fault effectively, can also detect the type of the gear fault, the method can effectively support fault diagnosis.     

基于经验模态分解与差分包络谱的齿轮故障诊断

为了准确地进行齿轮故障诊断,结合经验模态分解与纯调频信号差分包络谱,对齿轮故障诊断提出了一种新方法;首先,对齿轮振动信号进行经验模态分解得到多个不同分量;其次,根据峭度最大分量及其相邻分量的峭度值情况,合成有效分量;然后,运用经验调幅-调频分解得到纯调频信号;接着,将纯调频信号应用经验调幅-调频分解及傅里叶变换得到纯调频信号差分包络谱;最后,观察分析纯调频信号的差分包络谱进行故障诊断;利用该方法对断齿齿轮的振动信号进行分析,验证了方法的有效性。     

局部特征尺度方法(LCD)及其在齿轮故障诊断中的应用研究

局部特征尺度分解(Local characteristic scale decomposition,LCD)是一种新的自适应时频分析方法,该算法可以自适应地将一个复杂信号分解为若干个ISC(Intrinsic scale component,ISC)分量之和;将LCD算法同EMD(Empirical mode decomposition),LMD(Local mean decomposition,LMD)算法进行对比分析,仿真信号的分解结果表明:三种方法都可以有效地对信号进行分解,但LCD算法在计算效率和抑制端点效应等方面要优于EMD,LMD算法;将LCD算法和zoom-FFT分析应用于齿轮故障诊断中,分析结果表明了这种相结合的方法,可以较好地提取故障特征,显示了该方法的有效性。     

基于多尺度模糊熵的齿轮故障诊断方法

齿轮作为旋转机械的关键零部件之一,其健康状态会影响机械设备的正常运行,因此需要对齿轮进行故障诊断.为了克服模糊熵从单一尺度上考虑时间序列复杂度不够全面的问题,采用了多尺度模糊熵从多个尺度对信号进行处理从而提取故障特征,并借助对类域的交叉或重叠较多的待分样本集识别效果显著的K最近邻分类器对提取的多尺度模糊熵特征进行分类,...     

基于滑动峭度相关性准则的局部特征尺度分解分量筛选方法

轴承故障振动信号具有非平稳、非线性特征,且可视为多个调幅-调频分量的叠加,单分量的包络蕴含了轴承的故障特征。局部特征尺度分解可将振动信号准确分解为多个内禀尺度分量之和,某些分量能清晰反映轴承的运行状态,根据包络谱可进行故障诊断。为了准确筛选有用分量,提出了基于滑动峭度相关性准则的分量筛选方法。首先,对信号进行局部特征尺度分解,得到若干个内禀尺度分量;然后,对分量和原始信号分别计算滑动峭度,生成时间序列;最后,依据分量滑动峭度序列与原始信号滑动峭度序列的互相关系数筛选有用分量。通过轴承内圈故障数据分析发现：有用分量与非有用分量之间的滑动峭度互相关系数比互相关系数差异明显,区分度更大,有益于分量的分类、筛选。     

基于信号经验模态分解与分集合并的齿轮故障诊断

为了准确地进行齿轮故障诊断,结合信号经验模态分解与分集合并,提出了一种新的故障诊断方法;首先,运用经验模态分解对齿轮振动信号进行分解得到若干个分量;其次,根据分量的峭度大小以及相邻分量的峭度是否接近,筛选、合成有效分量;然后,运用等增益分集合并技术对有效分量进行合并,即将其包络进行叠加;接着,使用快速傅立叶变换得到信号包络和的频率谱;最后,根据该频率谱进行故障诊断;通过对仿真信号和齿轮断齿故障振动信号的分析,验证了方法的有效性.     

基于条件局部均值分解与变量预测模型的轴承故障诊断方法

针对局部均值分解(LMD)方法在分解非线性、非平稳振动信号过程中存在的模态混淆现象,从而影响故障识别准确性的问题,提出了基于条件局部均值分解方法(CLMD)与模式识别变量预测模型(VPMCD)的故障诊断方法。该方法将数字图像处理的频率分辨率方法与LMD相结合,首先确定振动信号中所有局部极值点的频率分辨率,将振动信号分为低频率分辨率区域和高频率分辨率区域;然后对高频率分辨率区域进行LMD分解,可得若干乘积函数(PF)分量;最后用折线将所有PF分量连接起来,经滑动平均处理可得PF分量,提取PF分量的偏度系数和能量系数构成故障特征向量,用于VPMCD故障识别。将该方法应用于轴承故障诊断,实验结果表明,与LMD方法相比,识别效率提高了8.33%,表明了该方法的有效性和可行性。     

基于特征尺度及多尺度分解的纹理分割

在计算机视觉领域，纹理识别及分割是图像低层次处理中一个重要的问题。文章依据视觉信息处理的生理学理论，提出了一种新的纹理分析算法。该算法通过搜寻纹理图像的特征尺度并配合连续整数尺度滤波上的特征尺度统计对纹理进行分层分析。并基于特征尺度上的分层分析提出一种纹理分割算法。实验结果证明了该算法的有效性。     

基于多尺度特征点识别与局部谱特征的离散数据匹配

为了实现部分重叠且不同视角的测量数据配准,提出多尺度特征点检测算法,可以从大量的原始数据中提取少量特征点。该算法包括离散曲率计算、双边滤波和特征点计算等步骤,特征点个数可以由尺度参数粗略控制。提出局部形状谱描述器来描述每个特征点的局部形状特性,首先利用局域点的距离和曲率信息构造关系矩阵,然后通过计算关系矩阵的特征值来构造谱描述器,利用该描述器可以方便地计算不同点集中各个特征点的对应关系,进而实现两个数据点集的配准。通过实例验证了该算法有较好的抗噪性和运行速度。     

基于多尺度图像局部结构分解的人脸特征提取方法

为了有效提取人脸图像的全局和局部特征以提高人脸识别的性能,提出一种基于多尺度图像局部结构分解的人脸特征提取方法。该方法首先通过多尺度分析构建人脸图像金字塔,然后对于金字塔中每一层的图像应用脊回归度量图像局部窗口内中心宏像素与其近邻宏像素之间的结构关系从而刻画出图像的局部结构信息,再根据得到的局部结构信息将图像分解为若干个子图像,最后将这些子图像均匀下采样和归一化后连接在一起形成一个特征向量。实验结果表明,与Gabor、LBP和IDLS等方法相比,该方法具有更好的识别性能。     

基于局部窄带分解和分形的自动机故障诊断

自动机作为自动武器最核心最复杂的部分,其可靠性和故障检测与诊断成为故障诊断领域关注的热点。因此有必要发展一种快速、高效的高速自动机故障诊断方法,实现在线健康状态预测和视情维修,提高军事装备的使用和维修效率。以W85高射机枪自动机为实验对象,针对自动武器在射击时会产生一定方向和频率的冲击振动,采集其短时振动冲击信号,利用基于瞬时频率和局部窄带信号的自适应分解方法对信号进行分解并重构,计算重构后振动信号的网格维数,利用维数距离进行故障类别分析,实现了故障诊断,为高速自动机的健康状态预测奠定了基础。     

齿轮故障信号的线性插值局域均值分解方法

针对局域均值分解（LMD）方法中滑动平滑获取局部平均函数和包络函数误差较大、跨度选取不合适导致信号无法收敛等缺点,提出采用线性插值LMD的方法。在齿面磨损故障信号诊断过程中对比分析了LMD方法、三次样条LMD方法和线性插值LMD方法的优缺点。实例分析表明,线性插值的LMD方法可以有效应用于齿轮故障诊断。     

基于L-M神经网络的齿轮故障诊断

齿轮传动工况的复杂性使得其特征参量与故障形式呈非线性映射关系.提出基于Levenberg-Marquardt算法的前向多层神经网络的齿轮故障诊断方法,该方法通过利用二阶导数信息,可以提高收敛速度和增强网络的泛化性能.并以一种齿轮箱故障信号采集实验系统为例,通过MATLAB软件及其神经网络工具建模和仿真研究.结果表明,Levenberg-Marquardt神经网络对齿轮常见故障有良好的识别能力,能稳定、准确地识别各类故障,与标准BP网络相比,收敛速度快且诊断更为准确.     

基于SVM的齿轮箱的故障诊断

随着信息科学的发展,信息科学在工程故障诊断得到很好的应用.通过提出应用支撑向量机理论对舰炮齿轮箱内的齿轮啮合的故障诊断的方法,验证其结果.表明SVM在齿轮箱故障诊断的可行性.     

基于LabVIEW的齿轮故障诊断研究

基于虚拟仪器的设备故障监测诊断技术是一门将设备监测诊断技术与虚拟仪器相结合的新技术.本文在LabVIEW开发平台上进行齿轮的故障监测诊断模块的开发,通过在被监测设备上建立状态监测点,采集设备的振动信号并获得运行状态数据,从而实现齿轮故障监测诊断的功能.     

基于小波变换的频谱特性及人工免疫的人脸识别

该文提出了用小波分解的频谱性和人工免疫系统进行人脸识别的方法。人脸图象经过小波分解后,其能量集中在分解的低频带上,因此对低频带图象进行频谱性分析后提取的特征向量具有对人脸图象表情不敏感且大大降低存储空间和计算复杂性的优点。人工免疫系统是对自然免疫系统的模拟,通过进化学习后,可以在外部病原体和身体自己的细胞之间进行辨别,并且人工免疫系统的克隆算法能够较好地保持群体的多样性,具有良好的泛化能力。因此对每一个人脸模板特征都可以用人工免疫系统中的模式识别方法生成一个特征评判集合,然后待识别的图象就可以用模版特征的评判集合来进行评判。     

基于间隔分布集成优化的齿轮箱故障诊断

齿轮裂纹等级的识别对于齿轮箱故障诊断具有重要意义。通过随机化邻域约简,生成一系列邻域可分子空间,从而形成不同的子分类器。通过最小化间隔损失或者求解L1正则最小平方损失问题来改变间隔分布,从而得到子分类器权值,对分类器按权值排序后,选择使得训练集分类精度最高的子分类器集合。实验结果表明,对于齿轮裂纹等级的识别,该方法的性能大大优于现有的其它方法。     

基于PNN的煤炭输送机减速器齿轮故障诊断

针对煤炭输送机减速器出现的故障,提出在多信息融合模型的特征层使用概率神经网络(PNN)对其进行故障诊断的研究。使用PNN、BP对减速器齿轮故障进行仿真实验并比较,结果表明PNN在时间、准确度方面优于BP网络。     

改进的局域均值分解在机械故障诊断中的应用

为了准确地提取出故障特征,把局域均值分解算法应用于机械故障振动信号的特征提取中.然而在对信号进行局域均值分解时,由于端点的趋势无法预知,在分解时会污染到整个信号序列,而且滑动平均造成了信号的过平滑处理,导致故障特征不能准确地提取.采用波形匹配解决端点处信号的走势,之后再利用线性插值求得信号的局域均值函数与包络函数,通过在Matlab环境下仿真调幅信号验证了该算法在端点处能很好的保持原有信号的特征;并采用实际的机械振动信号进行实验验证,引入端点效应评价指标,根据分解后的生产函数与原信号的相关系数验证了改进的局域均值分解更能准确地提取故障特征.