基于ALIF和ISOMAP的机械设备故障识别方法研究

滚动轴承作为机械设备的重要部件,对机械设备的稳定运行起着重要的作用。滚动轴承的故障信号往往是多种信号的叠加,有必要对采集到的振动信号进行模式分解,进而基于模式识别方法实现对滚动轴承不同故障模式的分类识别。提出一种基于自适应局部迭代滤波(ALIF)和等距特征映射(ISOMAP)的机械设备故障分类识别方法。利用ALIF对滚动轴承的故障信号进行模式分解;对选定的模式分量提取多个统计学特征;最后利用ISOMAP对高维特征信号进行降维处理,实现对滚动轴承不同故障模式的分类识别。研究结果表明：所提方法在滚动轴承故障识别上具有良好的效果。     

基于小波变换的信号奇异点检测

小波技术是有效的信号处理手段.简要介绍了小波变换及小波变换在奇异点检测中的具体应用.     

基于特征分割识别的点云配准

针对大型工业零件难以一次扫描点云模型的问题,基于工业零件包含大量规则面(平面、柱面、锥面)的特点设计了一种点云的自动配准方法.首先,提出一种基于生长区域算法的点云配准预处理算法并实现,将点云基于曲率变化和连续性分割成多个子点云,再基于特征面提取出子点云的特征属性(法线、轴线);其次,设计出一种点云粗配准方法并完成粗配准...     

伺服阀故障模糊诊断及学习方法研究

本文提出一种电液伺服阀故障模糊综合评判方法 ,其基本依据是 :当故障 yi 出现时常出现症状 xj,且当症状 xj出现时常出现故障 yi,则故障 yi 发生的可能性大。本文提出一种基于故障 -症状实际关系的学习方法。将对象实际的故障 -症状因果关系 r的数据加入到 R中去 ,对 R进行修正 ,使 R逐步符合实际情况。本文列举轧机 D761型电液伺服阀模糊诊断、学习及程序的实例验证了有关理论的正确性和实用性     

一种基于免疫识别的滚动轴承故障检测模型

提出了一种基于免疫识别的滚动轴承故障检测模型.该模型根据免疫识别原理来构造神经网络检测器,通过训练将滚动轴承的故障模式信息存储于分布的检测器中,检测器用于捕获被检测轴承的异常模式特征,当检测器与特征样本匹配时则激活该检测器,根据检测器的激活情况来发现轴承的故障,并给出了相应的训练算法.通过滚动轴承损伤检测的仿真实验,表明该方法对由轴承损伤冲击造成的信号突变保持了较高的灵敏度和分辨率,对于滚动轴承的监测具有一定的应用价值.     

二维钣金零件特征识别展开的研究与实现

二维图在投影过程中遗失了大量的空间拓扑信息,图素之间缺乏关联,因此某些基于二维图的设计工作会耗费大量的时间.本文对二维图钣金零件图进行识别,提取其中的特征信息,以辅助完成零件毛坯展开,提高设计效率和自动化程度.首先以二维钣金零件图为基础,研究组成零件的各种钣金特征的形状及其在各个视图中的表示特点.然后在一个视图中进行特征识别,并根据二维图中各个视图的位置关系,将各个视图进行分解,自动提取零件钣金特征在不同视图中的形状.特征提取后,对弯曲特征进行展开,利用特征在不同视图中的形状,获得弯曲特征的展开形状,最后对各个特征的展开形状进行拼合,获得零件的最终展开形状.     

基于KECA和BO-SVDD的滚动轴承早期故障检测

为了实现更早地检测出滚动轴承发生故障,提出一种基于核熵成分分析（KECA）和贝叶斯优化（BO）算法优化支持向量数据描述（SVDD）的滚动轴承早期故障检测方法。提取轴承振动信号的时域、频域特征以及小波包分解节点能量特征,组成多维特征矩阵;利用KECA对多维特征矩阵进行降维处理,进而提取有效特征;最后,选取轴承正常状态的特征指标训练模型,利用BO算法确定SVDD的惩罚因子和核宽度,进而得到早期故障检测模型。利用该模型对XJTU-SY数据集中不同工况下的轴承进行早期故障检测,结果表明：KECA能够有效地提取特征信息,减少冗余信息的干扰;该模型整体上能够较早检测出故障的发生,并且有较好的鲁棒性和泛化能力。     

基于模糊认知图的轴承故障诊断方法研究

为有效、快速地处理含噪声数据,提出将轴承故障诊断建模为时间序列分类任务。利用奇异谱分析将一维时间序列扩展为多维时间序列,并实现降噪;利用凸优化算法快速、有效地从噪声数据中学习到FCMs模型,将时间序列转换成C×C的特征矩阵;采用神经网络对特征矩阵进行分类。利用CWRU轴承数据集对所提出的方法进行验证,结果表明:与传统方法相比,所提方法在轴承故障诊断方面的性能较优。     

基于改进图像结构算法的钣金件特征点识别

针对平面钣金件轮廓特征点识别中,特征点受边缘噪声影响,易出现伪特征点、切点难识别及特征点识别定位精度低等问题,提出了一种基于改进图像结构算法的平面钣金件轮廓特征点识别方法。首先,对特征点进行粗提取,通过判断轮廓点两相邻轮廓段的类型,并计算轮廓点间斜率差的绝对值,将斜率差的绝对值和阈值比较,分别获取切点和角点的候选特征点集;其次,进行特征点精确识别,将候选特征点进行分组融合,并引入直线度指标对线段轮廓上的伪特征点进行滤除,最终完成特征点的准确识别。实验结果表明改进的识别算法可以准确地识别平面钣金件轮廓特征点,能够滤除掉所有伪特征点,识别精度更高。     

基于奇异值分解及包络分析的齿轮局部故障特征提取

提出了将信号进行相空间重构后再采用奇异值分解,对分解后的主成分进行包络分析,从而提取信号的隐含特征的方法,并将该方法应用于齿轮的局部故障振动特征信号的提取中.数值仿真实验结果表明,该方法能有效提取强背景信号及噪声中的弱冲击特征信号,是一种有效的弱信号特征提取方法.采用该方法对齿轮振动信号进行故障特征提取与识别,结果与实际情况相符.     

基于模糊集合论的故障树分析

运用模糊集合理论,从模糊可靠性和模糊可靠度是基于某一模糊功能子集的基本定义出发,导出了各种模糊逻辑模型的可靠度计算公式;利用最小割集的概念及其逻辑关系,探讨了模糊故障树分析的方法和步骤,最后给出了算例。     

基于改进邻域粗糙集与S_Kohonen神经网络的滚动轴承故障诊断研究

针对现有滚动轴承故障诊断技术中,存在输入属性冗余过多、故障识别率不高等缺点,提出了基于改进邻域粗糙集与S_Kohonen神经网络的故障诊断方法。由于传感器采集的故障信息大多为数值型数据且数据维数较大,文中引入邻域粗糙集理论并对基于邻域粗糙集的经典前向贪心算法进行改进,利用改进算法约简故障数据,大大减小了算法复杂度;对Kohonen神经网络进行改进,在其原有结构基础上添加输出层构成S_Kohonen神经网络,使其输出类别满足给定分类要求;分别采用前向贪心算法、改进算法约简故障数据,将约简前、后的故障数据分别输入S_Kohonen神经网络、BP神经网络识别滚动轴承故障状态,试验结果证明邻域粗糙集可有效消除属性之间的重复信息,改进算法提取故障属性信息更能反映故障状态的本质,S_Kohonen神经网络具有良好的故障识别能力,两者配合使用,改进邻域粗糙集——S_Kohonen神经网络模型具有很好的故障诊断能力。     

模糊集合运算在冲压件工艺特征判断中的运用

针对目前的冲压工艺智能设计和特征识别的需要,提出了一种采用模糊集合运算的方法来进行冲压件工艺特征的判断。该方法适用于判断由多个因素的布尔关系决定的特征。运用本方法,首先将各个因素模糊化;然后选择合适的布尔运算和算子来进行模糊集合布尔运算;最后选择合适的λ进行λ截集,来实现工艺特征的判断。以悬臂和窄槽的判断为例,介绍了具体的计算过程。和以往的方法相比,该方法更加贴合工程实际,计算方便,灵活。     

模糊推理在特征识别中的应用研究

首先分析了虚拟企业环境下特征识别特点,并对STEP文件中的类型面之间的组合进行总结归类。在此基础上运用模糊推理对任意零件的STEP文件中的两两类型面进行组合推理,通过选用不同的模糊蕴涵规则可以快速地初步确定推理结果,为进一步确定组成零件的基本特征奠定了基础。最后列举实例进行验证。     

Extendible Classification of Design and Manufacturing Features

This paper discusses three different issues in feature classification. It proposes a complete taxonomy to cater for prismatic and rotational features which can be positive or negative. It also suggests a feature definition that makes it feasible for the feature library to be extendible without additional programming effort. A unique code is given to each feature so as to avoid redundancy and ensure consistency of labelling the feature faces. This labelling is achieved by a novel formalisation method based on a newly found graph-theoretical property of a B-rep model. Results for one of the several components investigated are included.     

基于粗集的焊接质量级别智能决策

提出了一种焊接质量级别的粗集决策新算法.分析了焊接缺陷智能识别算法的粗糙特征;将分级依据作为条件属性,质量级别作为决策属性,建立了焊接质量智能分级的粗集模型;从焊接缺陷库中选取了多组有代表性的复合焊接缺陷样本,构建知识库,形成决策表;对决策表中的信息进行了计算和约简,得到了最小决策规则.结果表明,相比普通分级算法74％的分级正确率,提出的新算法正确率高达94％,并对智能识别过程中的迁移错误具有很强的鲁棒性,应用前景广阔.     

一种工业无损检测超声图像降噪方法

针对传统的工业无损检测超声图像散斑噪声降噪方法,不能很好的保持图像边缘和细节,提出了一种新的基于粗集与小波的工业超声图像降噪方法.该方法通过考察散斑噪声的统计特征,利用粗集中的等价关系将工业超声图像划分为若干子图,对子图进行对数变换后完成小波变换,采用自适应阈值函数处理小波系数,应用小波逆变换和指数变换得到降噪后的子图,将降噪后的子图进行叠加得到最终的降噪图像.通过新算法在实际工业超声图像中的应用,实现了在保证降噪效果的同时能够较好地保持图像边缘及细节特征,验证了算法的有效性.     

粗糙集理论在注射成型中的应用

粗糙集理论是一种处理模糊和不确定知识的新型数学工具。运用粗糙集理论对塑件在注射成型过程中常见的成型不足问题进行分析,通过属性约简,找出影响塑件成型质量的关键因素,提炼出对判断成型塑件结果有重要意义的决策规则。研究结果表明,粗糙集理论用于塑件注射质量分析可简化复杂的影响因素,找出更为清晰简明的判断规则。     

Rough集在智能维修决策支持系统中的研究与应用

介绍了基于Rough集理论的知识表达及知识获取方法.通过深入研究Rough集的相关理论,发现了分辨矩阵的若干有用性质,利用这些性质使Rough集理论中的求核与约简问题得以解决.并且将所得结果应用于智能维修决策支持系统中,建立了基于Rough集理论的维修资源配置知识的表达、获取和应用体系,提高了智能维修决策支持系统的智能决策水平.进而重点讨论了有决策信息系统的约简与规则获取的问题.最后以维修资源配置决策过程为例证明了所得结果的有效性.