基于信息融合与FastICA的轴承故障提取方法

针对振动传感器监测信号易受噪声干扰的问题,提出一种基于FastICA算法与信息融合的轴承故障诊断方法。算法对各通道测得的信号采用FastICA算法进行降噪处理,采用自适应线性加权算法对降噪后信号进行数据层信息融合,最后基于谱峭度指标设计自适应带通滤波器,进行特征提取。此方法解决了低信噪比条件下的轴承故障特征提取问题。使用了仿真和实验轴承故障信号验证了算法的有效性。     

改进EWT_MPE模型在矿山微震信号特征提取中的应用

针对矿山微震与爆破振动信号难以自动辨识的问题,提出了一种基于改进EWT_MPE(经验小波变换_多尺度排列熵)的信号特征提取方法,并应用于矿山微震信号特征提取中。针对EWT在以往处理复杂信号频谱出现的过切分问题提出了新的改进方法,并采用仿真信号验证了改进算法的可行性和准确性。将实际采集到的微震与爆破信号进行改进EWT分解,借助相关性分析从分解得到的本征模态函数(intrinsic mode function, IMF)分量中筛选出最优分量IMF_1～IMF_5。进而将筛选到的IMF分量进行重构,并计算重构信号的MPE值。应用GK模糊聚类算法对微震与爆破振动信号进行分类识别。结果表明,微震信号的MPE值要小于爆破信号的MPE值,且当嵌入维数m=5,尺度因子s=12,延迟时间τ=1时,两种信号的MPE值差异最大。基于改进EWT_MPE_GK模糊聚类算法的分类识别准确率达到93.5%,平均模糊熵(E)更接近0、分类系数(C)更接近1,与传统EWT_MPE_GK模糊聚类和EMD_MPE_GK模糊聚类相比,其聚类效果更优、识别准确率分别提高了3%和5.5%。     

改进的波形复杂度算法在核爆炸监测中的应用

验证了传统的波形复杂度对于核爆地震信号分类的有效性。提出了两种时域改进算法,使识别率有了小幅度的提高。将传统的时域波形复杂度推广到时频联合域,提出了一种基于短时傅立叶变换的波形复杂度计算框架。在对所提算法框架进行简化处理后,借助于Fisher线性判别分析方法实现了地震波信号的特征提取。分类实验结果表明所提方法的分类性能优于现有的波形复杂度的分类性能。     

免疫支持向量机复合故障诊断方法及试验研究

研究了传统分类算法在故障诊断中的不足,融合人工免疫系统中的实值否定选择(RNS)算法和支持向量机(SVM)算法提出了一种复合的故障诊断方法。在新方法中使用RNS算法产生检测器(非己集合)当作故障样本,这些样本再作为SVM算法的输入进行训练,这样就能解决分类算法所面临的训练样本不足的难题。轴向柱塞泵发生故障时,由于滑靴对斜盘冲击产生的振动信号被高频谐振信号调制,通过小波簇包络解调方法将调制信号解调出来,然后对包络信号用小波包分解子带特征能量法进行特征提取。最后用轴向柱塞泵多松靴和配流盘磨损多故障模式样本进行诊断测试,正确率可达90%以上,验证了复合诊断方法的有效性。     

基于主分量分析的声信号特征提取及识别研究

主分量分析(PCA)是统计学中分析数据的一种有效方法。研究了基于这种算法对四种战场目标的声信号进行特征提取,获得了低维的特征类器对声目标进行分类,分类结果准确率较高,均获得满意的实验效果     

基于最小熵解卷积和Teager能量算子直升机滚动轴承复合故障诊断研究

为了解决强背景噪声环境下直升机滚动轴承故障信号微弱,故障特征难以提取的问题,提出一种基于最小熵解卷积(Minimum Entropy Deconvolution,MED)与Teager能量算子(Teager Energy Operator,TEO)的滚动轴承故障特征提取的新方法。根据滚动轴承故障信号表现为冲击波形的特点和MED降噪对冲击特征敏感的特性,采用MED对故障信号进行降噪处理,同时增强信号中的冲击成分;再结合TEO适合检测信号的瞬时变化,能有效提取故障信号冲击特征的特点,计算降噪信号的Teager能量信号,进行频谱分析提取滚动轴承的故障特征。通过对仿真信号和直升机滚动轴承混合故障信号进行分析,实验结果表明,该方法能有效提取强背景噪声环境中的微弱复合故障特征,具有一定的工程应用价值。     

基于自相关降噪的混叠转子振动信号分离

航空发动机在运行过程中,传感器测得的振动信号是各振源的混叠信号,且含有很强的噪声。常规的信号处理方法难以分离混叠信号,对机器的健康监测和故障诊断造成了很大的困难。介绍了盲源分离基本原理和方法,指出盲源分离算法在强噪声环境下失效。针对强噪声环境下的混叠振动信号,提出首先通过时延自相关降噪方法对振动信号进行降噪,然后通过盲源分离算法对降噪后的信号分离。仿真结果验证了提出方法的有效性。最后,利用该方法对实测混叠转子振动信号成功实现了降噪和盲分离,为噪声环境下的混叠信号分离提供了一种新的方法。     

声矢量信号双谱与互双谱估计算法

提出了声矢量信号双谱与互双谱估计算法,给出了算法的具体步骤。将算法应用于两类水中目标的特征提取,并用所提取特征构造了LMBP神经网络的输入向量集,对矢量水听器实测的水中目标进行了分类识别。识别结果验证了所提出算法的有效性。实验表明,B类目标识别率优于A类目标,原因是由于B类目标特征频率较集中,而A类目标特征频率较分散所致。互双谱特征分类结果优于双谱特征分类结果这个事实是与声压振速联合信号处理优于声压或振速单一信号处理相吻合的。     

基于重分配配算法和奇异值分解的多小波脊线提取

小波脊线能较好地揭示信号瞬时频率变化情况。针对目前多小波脊线提取方法存在的问题,提出了一种多小波脊线提取的新方法。该法通过连续小波变换得到小波尺度谱后,利用重分配算法对其进行处理,再通过奇异值分解降噪,然后通过求小波系数的模极大值点来提取各分量的小波脊线。与其它方法相比,该法更加适合于某些分量具有较大载波频率的低信噪比多分量AM-FM信号的小波脊线提取。在齿轮故障特征提取中的应用结果也验证了所提方法的有效性和实用性。     

基于LMD-MFE-SVD的松动爆破降噪分析

为提高松动爆破振动信号分析精度，在局部均值分解(LMD)的基础上，建立一种基于局部均值分解(LMD)-多尺度模糊熵(MFE)-奇异值滤波(SVD)的混合去噪方法。使用LMD方法对松动爆破振动信号进行分解，获得一系列乘积分量(PF);通过计算MFE和相关系数，对爆破振动信号进行初步降噪；针对主要PF分量的残留噪声，使用SVD滤波进行降噪处理，提取真实信号成分。通过上述处理，最终实现松动爆破信号降噪。结果表明：提出的LMD-MFE-SVD降噪方法具有可行性和应用价值，能够对含噪的PF分量进行有效处理；对于含多信号成分、多噪声的仿真信号，LMD类算法相较EMD类改进算法降噪效率更高，信噪比(SNR)、均根方误差(RMSE)和失真百分比(PRD)指标表现显著提升，而相较LMD算法，提出的LMD-MFE-SVD算法降噪效率进一步提高，依次提升11.73%、22.07%和9.25%,降噪效率显著；根据实测松动爆破振动信号去噪后的波形和频谱对比，提出的LMD-MFE-SVD降噪后的信号波形更为集中，能保留多数信号信息，信号频谱图更为清晰，有效显示信号频率波峰，更利于松动爆破振动信号的特征分析。     

面向传统服饰的细粒度跨模态检索算法

目的 由于跨模态数据集有限和模态异构表征问题,利用跨模态检索算法解决实际应用问题一直是当前多模态研究中的一大研究方向.方法 提出了一种面向传统服饰的细粒度跨模态检索算法,解决传统服饰跨模态检索的单模态表征和跨模态表征一致的问题.在单模态特征表征方面,沿用DCMH使用深度学习的方法对初始数据进行特征提取;在跨模态表征一致方面,新增自监督语义网络,以自监督的方式对应标签信息提取细粒度信息,并将其用于图文哈希学习的监督,从而得到更好的图文哈希表征.通过在传统服饰数据集上与其他方法进行对比实验,验证算法的有效性.结论 有关此方面的应用探索,有利于解决互联网时代中国传统服饰文本、图像处理等的保护性难题,为未来纹样检索中的工作做铺垫,实现中国传统服饰的创新性传承和发展.     

基于DEMON谱信息提取算法的目标识别方法研究

宽带噪声解调(Detection of Envelope Modulation on Noise,DEMON)谱中的轴频叶频,对应螺旋桨转速和叶片数等舰船自身相对特征,这些特征可以作为目标识别的依据。综合运用改进的最大公约数算法和余数门限算法提取DEMON谱中的轴频和叶频,解决了传统最大公约数算法提取轴频叶频误差较大的问题。仿真数据与实测数据的实验结果均验证了DEMON谱信息提取算法的有效性。     

基于改进形态-小波阈值降噪的轴承复合故障声学诊断

现场采集的滚动轴承复合故障声学信号存在噪声来源复杂、背景噪声强、非线性等特点,导致已知的自适应多尺度形态滤波不能很好的适用于轴承复合故障的盲分离。针对上述问题,提出一种基于改进的自适应多尺度多结构形态滤波(IAMSCMF)、改进的小波阈值降噪方法(IWTDM)和稀疏量分析(SCA)相结合的滚动轴承复合故障特征盲提取方法。首先利用IAMSCMF和IWTDM构造滤波器进行滤波及提高信噪比(SNR);其次利用SCA分离信号;最后用FFT进行频谱分析。仿真分析和滚动轴承现场采集声学信号分析结果均清晰的提取出了轴承故障特征,验证了算法的有效性。     

基于瞬时故障特征频率趋势线和故障特征阶比模板的变转速滚动轴承故障诊断

针对难以从滚动轴承的时频分布中提取瞬时转频分量的问题,本文利用由轴承包络时频谱中提取的瞬时故障特征频率替代传统瞬时转频实现重采样,进而基于故障特征因子与转频阶比边带构造故障特征阶比模板以实现变转速运行模式下滚动轴承故障诊断。其具体算法由以下四个部分组成：首先,联合应用谱峭度滤波算法与短时傅里叶变换得到能够突出瞬时故障特征频率的包络时频谱;其次,提出基于幅值重调的峰值搜索算法对瞬时故障特征趋势线进行提取;再次,以瞬时故障特征频率趋势线为基础对原信号进行故障相角域重采样并得到故障特征阶比谱;最后,根据被监测轴承的故障特征因子构造故障特征阶比模板对滚动轴承的运行状态与故障类别进行判断。仿真算例和应用实例将对该算法的有效性予以证明。     

利用傅里叶变换提取图像纹理特征新方法

研究发现,由图像傅里叶周向谱传统算法得到的频谱分布不能够真正反映其频率特性。因此,根据傅里叶变换的共轭对称性,提出了更具有一般性的长方环傅里叶周向谱能量百分比新算法。该算法均匀地把图像功率谱分成20个等间距同心长方环,计算每一个长方环内功率谱能量占总能量的比值作为图像频率分布特征。实验证明,新算法能更好地反映具有一般性的不同频率图像的纹理特征。在对作物缺乏营养元素诊断识别研究中,新算法提取的特征有效性远远高于传统算法,使识别的准确率达到82%以上。     

Assessment of a three-dimensional measurement technique for the porosity evaluation of PMMA bone cement

In vitro testing of bone cement has historically resulted in the belief that porosity should be minimised to help reduce the risk of prosthesis failure through aseptic loosening. Traditional porosity measurement techniques rely on the analysis of a two dimensional representation of a three dimensional structure. However, with an increasing interest in the number, size and distribution of pores in bone cement, the reliability of a two dimensional approach is questionable. The purpose of this study was to investigate the use of micro computed tomography (micro-CT) for the three dimensional measurement of bone cement porosity by comparison with two traditional techniques. Eighteen bone cement specimens were analysed for porosity using each technique. Levels of agreement between techniques were evaluated, and technique precision was assessed in terms of repeatability and sensitivity to changes in threshold. Micro-CT data was used to illustrate the effectiveness of predicting the porosity of a whole structure from a sample region; an approach often used with traditional techniques. In summary, poor agreement was found between all techniques. However, micro-CT was found to be significantly more repeatable and less sensitive to changes in threshold. The results demonstrated that porosity cannot be reliably determined using traditional techniques and that a large proportion of a specimen is required to provide an accurate porosity measurement.     

基于Laplacian特征映射的被动毫米波目标识别

针对传统被动毫米波金属目标识别方法中特征提取、选择的缺点,采用Laplacian特征映射流形学习算法发现了金属目标回波信号短时傅立叶谱中低维流形的存在,并研究了其特性。通过比较测试样本与正类样本低流形的匹配程度进行分类识别,与其他性降维及基于核的非线性降维算法相比,识别率更高,且对数据混叠分布鲁棒性好。     

基于特征处理的MVU算法在齿轮故障诊断中的应用

针对不同故障类别齿轮的故障信息难以有效获取、齿面多类故障难以准确聚类的问题,提出一种基于特征处理的最大方差展开(Maximum Variance Unfolding,MVU)维数简约的齿轮故障诊断模型。首先对获取的振动信号进行最小熵反卷积(Minimum Entropy Deconvolution,MED)预处理,将高低频段进行分离并筛除不确定信号,并在多域上提取信息熵作为特征指标;而后,利用样本点分布矩阵筛选高效表征特征指标并构建高维特征空间,并利用改进的MVU算法对其进行维数简约,获取低维的真实子空间;最后,将其输入到超球多类支持向量机中进行超球构造与分类识别。通过实验数据的分析对比验证模型的有效性。     

等距映射和局部线性嵌入算法集成的转子故障数据集降维方法

经数据分析途径实现机器智能的故障决策引发出了关于故障数据集的降维问题。通过将等距映射算法(Isometric Mapping,ISOMAP)、局部线性嵌入(Locally Linear Embedding,LLE)算法的优缺点进行互补,提出一种适用于非线性数据集降维的核框架下等距映射与局部线性嵌入相结合的KISOMAPLLE算法。该算法能够同时满足全局距离保持性和局部结构保持能力的数据降维基本要求。用典型的人工数据集和转子故障数据集进行的降维验证结果表明,该算法能够继承ISOMAP、LLE两种算法的各自优良性能,具有能够显著提高典型非线性数据集分类精度的性能。     

基于栈式自编码神经网络的脑电信号情绪识别

针对维度情感模型生理信号情绪识别准确率较低的问题,本文基于DEAP维度情绪生理数据集,利用AR模型功率谱估计方法,提取脑电θ,α,β,γ节律的功率谱密度;采用小波包分解提取脑电小波包系数和能量占比时频特征;通过非线性分析提取脑电样本熵和小波包熵特征.然后,设计栈式自编码神经网络算法对脑电组合特征在效价和唤醒度两个情感维...