列车车轮踏面缺陷的图像区域提取

建立了基于机器视觉的踏面缺陷检测系统,研究了该系统的踏面缺陷图像区域提取技术.采用基于平稳小波自适应阈值算法提取踏面区域;然后,根据踏面剥离缺陷图像特征,利用基于分块思想的粗定位和精定位组合的方法提取剥离图像区域;最后,根据踏面擦伤缺陷图像特征,利用基于踏面边缘线扫描搜索擦伤区域的方法提取擦伤图像区域.用两个实例验证了提出方法的有效性,实验结果表明:系统对剥离和擦伤两种缺陷的漏识率分别为8.3%和5.3%,误识率为5.1%,从而为后续特征提取和缺陷识别奠定了基础.     

应用SIFT_BoW和HIK_SVM的行星轮齿面磨损故障诊断

行星轮齿面磨损故障信号具有特征薄弱、特征量少等缺点,对其进行故障特征识别较为困难。本文中提出一种新的方法:首先,将原始振动加速度信号幅值作为像素点构造灰度图像,检测灰度图像的特征点并对检测出的特征点向量描述;然后将灰度图像的特征描述向量聚类,构建词袋模型;最后用直方图相交核支持向量机算法对其进行分类。该方法不但不需要对原始信号模态分解和降噪处理,还可以提取出大量的信号特征,提高了故障特征识别的效率和准确率。对正常轮齿、2个齿面磨损和3个齿面磨损故障进行了诊断实验,准确率高达98.55%,实验结果验证了所提方法的有效性。     

基于机器视觉的收藏币类型识别及币面缺陷检测

以开发收藏币币面品相检测系统为目标,研究了图像滤波、变换、类型识别及配准等技术。通过预处理初步分割出币面区域,采用多目标相关性模板匹配法,识别出收藏币类型及币面特征在图像中所处的位置,然后根据匹配结果将目标图像与参考图像进行配准,在配准的基础上进行差分,实现对收藏币币面缺陷区域的提取。再根据不同类型缺陷的灰度、几何、形状特征的不同对缺陷区域进行分类识别,然后统计缺陷区域的面积、坐标等参数。实验数据表明,收藏币币面图像识别配准高效准确,能够有效提取出缺陷区域并准确统计缺陷参数。     

基于双目视觉的电梯导轨自动测量系统研究

为了解决电梯导轨人工测量劳动强度大、效率和精度低的问题,设计了一套基于双目视觉的电梯导轨自动测量系统,该系统由硬件系统和软件系统组成。针对电梯导轨表面对比度低、特征点少等问题,使用激光网格投影到待测量的工件表面,使工件表面具备确定的可识别特征,并使用改进的RANSAC算法提取特征网格;然后使用SURF算法进行图像特征点的提取和匹配,并根据相机标定结果计算特征点的空间坐标;最后根据特征点的空间坐标,计算电梯导轨的平面度、平行度和垂直度。实验结果表明,该系统选型合理,软件稳定性好、效率高,提高了电梯导轨的测量效率和精度,具有很好的实用价值。     

基于振动和声发射信号的截齿磨损程度识别研究

为实现采煤机截齿截割过程中磨损程度的在线监测和识别,提出一种基于RBF(Radical Basis Function)神经网络的截齿磨损程度多特征信号监测方法。提取截割过程中不同磨损程度截齿的振动和声发射特征信号,分别分析振动和声发射信号的峰值、时域图方差和频域图均方根值这6个特征参数,获取振动信号、声发射信号与不同磨损程度截齿的变化规律。建立5种不同磨损程度截齿的多特征信号样本数据库,采用多特征信号样本对RBF神经网络进行学习和训练,建立截齿磨损程度的识别模型,实现截齿磨损程度在线监测与精确识别。实验结果表明:随着截齿磨损程度的加剧,截齿振动和声发射时域信号中信号峰值和方差均呈增大的趋势;振动和声发射的频域信号中频谱图均方根也呈现逐渐增大的趋势;基于RBF神经网络的截齿磨损程度监测系统的网络判别结果和测试样本的实际磨损程度类别相符,该RBF神经网络系统能够对截齿磨损程度类型进行准确的监测和识别。     

基于X射线图像和卷积神经网络的石油钢管焊缝缺陷检测与识别

研究了基于X射线图像和卷积神经网络(CNN)的石油钢管焊缝缺陷检测与识别问题。首先采用数字图像处理技术拟合提取出焊缝区域,验证了咬边缺陷的存在不影响焊缝边缘的提取;针对常用阈值分割方法不适于小面积区域缺陷分割的局限,采用基于排序点的聚类算法(OPTICS)对区域内任意形状大小的缺陷和噪声干扰点进行分割,然后对缺陷、噪声和无缺陷的正常图像进行提取并进行数据增强及尺寸归一化操作,从而完成焊缝图像的预处理以构建出样本图库。最后采用CNN与Softmax分类器相结合的算法,以缺陷和噪声为输入样本训练CNN并进行了实际应用实验,实验结果验证了方法的有效性。     

基于主动式全景视觉的管道内部缺陷检测方法

针对管道内表面检测空间受限的约束以及同时需要检测管道内壁功能性缺陷和结构性缺陷等需求,基于主动式全景视觉检测原理提出了一种既能视觉检测管道横截面几何尺寸又能获取和分析管道内壁表面缺陷的管道内部全方位视觉检测方法。利用携带有主动式全景视觉传感器的爬行机器人进入管道内部,分别实时获取内壁全景图像及激光横断面扫描全景图像。本文重点介绍基于管道内壁全景图像的缺陷检测方法,对管道内壁全景图像进行展开、预处理并提取管道病害区域的几何特征,最后判定缺陷类别及危害程度。经本文方法获取的缺陷几何特征实验数据验证,管道内表面存在的较为普遍的裂缝、腐蚀缺陷几何特征差异明显：腐蚀缺陷的圆形度较大,而裂缝缺陷的圆形度趋于0;腐蚀缺陷的凸度普遍大于裂缝缺陷;裂缝缺陷由于弯曲程度不同其边界离心率变化率大,而腐蚀缺陷的边界离心率趋于1。实验结果表明：该系统能够有效提取疑似缺陷区域并计算各几何特征,可通过合适的阈值判定其所属类别,为管道内表面缺陷检测提供了一种新的手段。     

基于主动式全景视觉传感器的管道内部缺陷检测方法

针对管道内表面检测空间受限的约束以及同时需要检测管道内壁功能性缺陷和结构性缺陷等需求,基于主动式全景视觉检测原理提出了一种既能视觉检测管道横截面几何尺寸又能获取和分析管道内壁表面缺陷的管道内部全方位视觉检测方法。利用携带有主动式全景视觉传感器的爬行机器人进入管道内部,分别实时获取内壁全景图像及激光横断面扫描全景图像。本文重点介绍基于管道内壁全景图像的缺陷检测方法,对管道内壁全景图像进行展开、预处理并提取管道病害区域的几何特征,最后判定缺陷类别及危害程度。经本文方法获取的缺陷几何特征实验数据验证,管道内表面存在的较为普遍的裂缝、腐蚀缺陷几何特征差异明显:腐蚀缺陷的圆形度较大,而裂缝缺陷的圆形度趋于0;腐蚀缺陷的凸度普遍大于裂缝缺陷;裂缝缺陷由于弯曲程度不同其边界离心率变化率大,而腐蚀缺陷的边界离心率趋于1。实验结果表明:该系统能够有效提取疑似缺陷区域并计算各几何特征,可通过合适的阈值判定其所属类别,为管道内表面缺陷检测提供了一种新的手段。     

基于深度SSDAE网络的刀具磨损状态识别

针对刀具磨损状态识别过程中采集数据量大、干扰信号复杂且需人为选择特征参数的问题,为提高刀具磨损状态识别模型的鲁棒性与泛化性,提出了一种数据驱动下深度堆叠稀疏降噪自编码（stacking sparse denoising auto-encoder,简称SSDAE）网络的刀具磨损状态识别方法,实现隐藏在数据中深层次的数据特征自动挖掘。首先,将原始振动信号分解为一系列固有模态分量（intrinsic mode function,简称IMF）,并采用皮尔逊相关系数法选取了最优固有模态来组合一个新的信号;其次,采用SSDAE网络自适应提取特征后对刀具磨损阶段进行了状态识别,识别精度达到98%;最后,对网络模型进行实验验证,并与最常用的刀具磨损状态识别方法进行了对比。实验结果表明,所提出的方法能够很好地处理非平稳振动信号,对不同刀具磨损阶段状态的识别效果良好,并具有较好的泛化性能和可靠性。     

基于机器视觉的笔芯球珠表面缺陷检测系统研究

针对笔芯球珠表面缺陷检测识别问题,设计并实现了基于机器视觉的笔芯球珠表面缺陷检测系统。笔芯球珠在球面展开机构作用下,通过图像采集模块获取5张可以完全覆盖整个球面的图像。通过对每幅图像进行缺陷图像提取后,采用基于轮廓角点匹配的方法实现对每幅图像中缺陷图像的拼接;基于提取的有效特征组合通过KNN分类算法对完整的缺陷图像进行缺陷识别。试验结果表明,该方法能够对笔芯球珠表面缺陷进行精确有效的检测与识别。     

基于主轴电流信号多特征融合的刀具磨损状态监测

为实现在正常生产条件下进行刀具磨损的长期在线监测,提出了基于主轴电流信号和粒子群优化支持向量机模型(PSO-SVM)的刀具磨损状态间接监测方法。首先对数控机床主轴电机电流信号进行分析,将与刀具磨损相关的主轴电流信号多个特征参数和EMD能量熵进行特征融合作为输入特征向量;其次,通过粒子群寻优算法(PSO)对支持向量机模型(SVM)参数进行优化,建立基于主轴电流信号融合特征和PSO-SVM理论的刀具磨损状态识别模型;最后,通过实验采集某立式加工中心主轴在刀具不同磨损状态下电流信号进行验证,并与传统SVM模型、BP神经网络模型进行了对比分析。结果表明,所提出的方法具有较高的准确率和较好的泛化能力。能够实现正常生产条件下对刀具磨损的长期在线监测。     

基于支持向量机的铁谱磨粒模式识别

将支持向量机方法用于铁谱磨粒模式识别，以磨粒样本的圆形度、细长度、散射度和凹度4个形态特征量作为支持向量机分类器的输入，以滑动磨损、切削磨损、正常磨损和疲劳点蚀4种磨损形式作为分类器的输出，建立基于支持向量机的磨粒分类器；研究支持向量机中误差惩罚系数和核参数对磨粒分类器的性能影响；通过实验比较了基于支持向量机与基于BP神经网络的磨粒分类器的性能，结果表明，基于支持向量机的磨粒分类器分类准确率为96％，基于BP神经网络的磨粒分类器分类准确率为90％。     

基于云理论与LS-SVM的刀具磨损识别方法

针对刀具磨损过程中产生声发射信号的不确定性以及神经网络学习算法收敛速度慢、易陷入局部极小值、对特征要求较高等问题,提出了基于云理论和最小二乘支持向量机的刀具磨损状态识别方法。首先,对声发射信号进行小波包分解与重构,滤除干扰频段对求取特征参数的影响;其次,对重构后的信号利用逆向云算法提取云特征参数:期望、熵、超熵,分析刀具磨损声发射信号的云特性及磨损状态与云特征参数之间的关系;最后,将云特征参数组成特征向量送入最小二乘支持向量机进行识别。研究结果表明:所提取的特征可以很好地反映刀具的磨损状态,云-支持向量机方法可以有效地实现刀具磨损状态的识别,与传统神经网络识别方法相比具有更高的识别率,识别率达到96.67%。     

[设备健康管理]基于机床信息的加工过程刀具磨损状态在线监测

为实现刀具磨损状态的在线监测,提高监测系统的实用性,提出一种基于机床信息的加工过程刀具磨损状态在线监测方法。采用OPC UA通信技术在线采集与存储数控机床信息,得到与磨损相关的机床内部过程信息,并基于这类信息与相应的刀具磨损信息,利用卷积神经网络建立了刀具磨损状态识别模型。应用案例证明了该方法的监测性能,与其他传统监测方法相比,该方法更适用于实际的生产加工。     

基于连续小波和多类球支持向量机的颤振预报

研究了一种应用连续小波特征和多类球支持向量机进行铣削系统颤振预报的方法,该方法基于连续小波变换提取铣削振动信号的特征,利用多类球支持向量机对正常铣削状态、颤振孕育状态和颤振爆发状态的振动信号进行三分类识别,通过识别颤振孕育状态预测颤振爆发。试验结果表明,在铣削颤振识别与预测中,铣削振动信号的连续小波特征与多类球支持向量机相结合具有良好的识别颤振孕育状态和颤振爆发状态的能力,颤振孕育状态的识别正确率达95.0%,颤振爆发状态的识别正确率达97.5%。     

基于堆叠降噪自编码的刀具磨损状态识别

提出了一种基于堆叠降噪自编码（SDAE）的刀具磨损状态识别方法。构建了SDAE神经网络来学习声发射（AE）信号的特征,并对自编码网络进行有监督的微调,从而对刀具磨损状态进行精确识别。实验结果表明,SDAE方法能够自适应地学习,得到有效的特征表达,且刀具磨损状态识别结果精确度高,该方法能够有效地进行刀具磨损状态识别。     

Cutting tool wear detection using multiclass logical analysis of data

This article presents a new tool wear multiclass detection method. Based on the experimental data, tool wear classes are defined using the Douglas–Peucker algorithm. Logical analysis of data (LAD) is then used as machine learning, pattern recognition technique for double objectives of detecting the present tool wear class based on the recent sensors' readings of the time-dependent machining variables, and deriving new information about the intercorrelation between the tool wear and the machining variables, by doing pattern analysis. LAD is a data-driven technique which relies on combinatorial optimization and pattern recognition. The accuracy of LAD is compared to that of an artificial neural network (ANN) technique, since ANN is the most familiar machine learning technique. The proposed method is applied to experimental data those are gathered under various machining conditions. The results show that the proposed method detects the tool wear class correctly and with high accuracy.     

采用深度学习的铣刀磨损状态预测模型

为提高刀具磨损监测的预测精度与泛化性能,研究了基于深度学习的铣刀磨损状态预测,提出了基于堆叠稀疏自动编码网络与卷积神经网络的两种预测模型。堆叠稀疏自动编码网络对特征向量进行降维并将其纳入分类器来实现预测,可避免特征选择对先验知识的依赖;卷积神经网络将铣削振动数据转化为小波尺度图并输入模型完成分类,精简了传统建模流程。最后将提出的两种模型与传统神经网络模型进行比较,验证了所提模型的效率与精度。     

基于LSTM-RNN的滚动轴承故障多标签分类方法

为实时监测砂带磨损状态,采用基于磨削声信号与电流信号的监测方案。首先,利用时域分析方法与小波包分析方法提取砂带磨损信号特征,通过朴素贝叶斯方法融合两种信号,从而识别砂带磨损状态;其次,为提高砂带磨损状态识别准确率,针对朴素贝叶斯方法的分类特性,改进了一种基于Fisher判别率与互信息的信号特征选择方法。实验结果表明,利用基于Fisher判别率与互信息方法能够挑选出可分性好同时特征间相关性弱的信号特征,基于朴素贝叶斯的砂带磨损状态识别方法能够准确地识别砂带磨损状态。     

基于谐波小波包和BSA优化LS-SVM的铣刀磨损状态识别研究

针对铣削刀具磨损状态识别问题,提出谐波小波包和最小二乘支持向量机（LS-SVM）的状态识别方法。为克服传统小波包分解的频带交叠问题,采用谐波小波包提取不同磨损状态下铣削力信号的各频段信号能量,归一化处理后,输入LS-SVM多类分类器,实现铣削刀具磨损状态的识别。针对LS-SVM的惩罚因子和核参数对模型识别精度影响较大的问题,提出回溯搜索算法（BSA）进行自动参数寻优。实验结果表明,谐波小波包比小波包在刀具磨损状态特征提取时具有更好的识别效果。与粒子群算法进行比较,证明BSA优化LS-SVM具有更高的识别精度。