基于轮廓波变换和局部二元模式的齿轮箱故障分类方法研究

针对实际工况中难于提取齿轮箱故障特征的问题,根据轮廓波变换的全局纹理和局部二元模式的局部纹理特性,提出了一种基于振动信号时频图像的故障特征提取方法。首先,利用小波变换将振动信号变换到时频域并得到其时频灰度图像;然后,对该灰度图像进行轮廓波变换,得到低频和高频子带部分,提取低频子带的均值和标准差以及高频子带各层的能量均值作为一部分特征向量;同时,对该时频灰度图像进行局部二元模式的特征值提取并得到另一部分特征向量,将两部分特征向量进行组合连接得到最终的特征向量;最后,利用支持向量机对齿轮箱不同程度故障进行分类测试,实验结果表明了该方法的有效性,为机械设备的模式识别提供了一种方法。     

非下采样Contourlet变换在织物疵点检测中的应用

介绍了非下采样Contourlet变换并将其应用于织物疵点检测。首先对织物疵点图像进行两级非下采样Contourlet变换,得到1个低频子带和12个高频子带;然后对低频子带采用非线性增益函数进行增强及二值化处理;通过计算对比度在高频子带中挑选出4个最优子带进行去噪和二值化处理;最后将经上述处理后的低频子带与最优高频子带进行融合,以二值图像的方式将疵点与织物背景相分离。实验结果表明该方法具有较强的适应性、实时性和较高的疵点检测率。     

基于非下采样双树复轮廓波变换和稀疏表示的红外和可见光图像融合

提出了一种基于非下采样双树复轮廓波变换(NSDTCT)和稀疏表示的红外和可见光图像融合方法,以改善传统的基于小波变换的图像融合方法的不足。该方法首先利用形态学变换处理源图像,利用NSDTCT变换进行图像分解得到低频子带系数和高频子带系数。根据高低频系数的不同特点,提出改进的稀疏表示(ISR)的融合规则用于低频子带;然后将改进的空间频率作为脉冲耦合神经网络的外部输入,提出基于自适应双通道脉冲耦合神经网络(2APCNN)的融合策略用于高频子带。最后通过NSDTCT逆变换获得融合后的图像。实验结果表明:本文方法在客观指标和视觉效果方面均优于传统图像融合的方法。与传统的NSCT-SR方法相比,实验的两组图像中4个客观指标:互信息(MI)、边缘信息保留量QAB/F,平均梯度(AG)和标准差(SD)分别提高了9.89%、6.39%、104.64%、55.09%和9.53%、17.77%、95.66%、52.89%。     

基于补偿机制的NSCT域红外与可见光图像融合

针对传统基于非下采样Contourlet变换和脉冲耦合神经网络的图像融合方法易出现图像失真的缺点,本文提出一种基于小波变换与PCNN补偿的NSCT域内红外与可见光图像融合方法。首先将红外和可见光图像分别进行NSCT分解,得到低频分量和高频分量;然后对低频分量进行二维小波分解,得到1个低频子带和3个方向子带,对其低频子带采用局部能量加权的方法进行融合,其余3个子带采用绝对值取大的方法进行融合;NSCT分解的高频子带融合规则分为对最高层的融合和其他层的融合,最高层采用绝对值取大的方法进行融合,而其余层采用的是基于改进型的PCNN的方法进行融合;最后将得到的低频子带和高频子带进行NSCT重构获得融合图像。合成及真实图像集实验结果表明,本文算法相对于传统的融合方法增加了图像的纹理和细节信息,有效地抑制了图像失真问题,具有较高的融合精度与较快的融合效率。     

基于非下采样Contourlet网络的声呐图像重建

针对声呐图像分辨率低、边缘模糊的问题,提出一种基于非下采样Contourlet网络的声呐图像超分辨率重建方法.对高分辨率声呐图像进行降质样本构建,通过非下采样轮廓波网络来学习降质样本图像的带通方向子带及相应高分辨率声呐图像的带通方向子带间的非线性映射关系,再利用映射系数重建降质声呐图像的带通方向子带,并对降质声呐图像的低通子带进行立方插值,得到高分辨率的低通子带,最后进行非下采样轮廓波逆变换.实验结果表明,该方法重建的声呐图像具有更好的边缘、细节保持效果.     

小波分析在模拟电路故障特征提取中的应用

针对模拟电路故障特征提取,提出了在小波变换Mallat算法的基础上,结合快速傅里叶变换的方法.该方法选用dbN小波,利用Mallat算法将信号分解,得到一系列高频和低频子带,分别对各子带进行快速傅里叶变换,从而得到各子带上信号的频谱.文章给出了采用该方法的基本步骤和应用实例,应用表明该方法可以有效辨别模拟电路参数型故障,准确得到故障特征.     

基于压缩感知的NSCT图像融合

现有的非下采样轮廓波变换图像融合方法随着分解级数的增加,其所包含的高频信息数据量会急剧增加,带来较大的运算量.针对这一问题,提出一种基于压缩感知的NSCT图像融合算法.利用压缩感知的测量矩阵对待融合图像经NSCT分解后得到的高频信息进行测量,以减少高频信息的数据量,并在压缩域融合后重构,最后与融合后的低频信息进行NSCT逆变换.实验结果表明:该算法可以提高鲁棒性,保留源图像的重要信息,有效降低图像匹配精度的影响.     

基于改进CV模型和PCNN的NSST域焊接缺陷提取

为了精确地提取焊接缺陷,进一步提高缺陷检测的准确性,提出了一种基于改进ChanVese(CV)模型和脉冲耦合神经网络(pulse coupled neural network,PCNN)的非下采样Shearlet变换(non-subsampled Shearlet transform,NSST)域焊接缺陷提取方法。首先,对焊接缺陷图像进行NSST分解,对得到的低频分量采用PCNN提取出缺陷的主要区域;然后,利用背景抑制后的低频分量和高频分量构造出高频特征图像,并对其进行粗分割,再利用改进的CV模型寻找最优轮廓,提取出缺陷精细轮廓;最后,融合缺陷的主要区域和精细轮廓信息得到最终的结果。实验结果表明,与其他缺陷提取法相比,所用方法提取的缺陷结构更为完整,缺陷轮廓更为精细。     

基于NSST的镀锡基板表面形貌多尺度分析

提出了基于非下采样剪切波变换的镀锡基板表面形貌分析方法。将非下采样剪切波变换与高斯滤波、二维离散小波和二维双树复小波进行对比,验证了其优异的幅频特性和平移不变性;基于低频子带能量、低频重构表面峭度以及重构表面与原始表面的均方根误差,确定非下采样剪切波变换的分解层数,并将其与二维离散小波、二维双树复小波用于基板形貌特征的重构,结果表明：非下采样剪切波变换拥有最好的重构效果。采用分水岭算法和Wolf剪枝对不同形貌特征的基板进行特征参数计算,得到表征镀锡基板表面质量的显著参数：平均峰体积S_hv和平均谷体积S_dv。     

基于非下采样Contourlet变换系数直方图匹配的自适应图像增强

由于非下采样Contourlet变换(NSCT)域图像增强方法需要手动调节参数,无法实现自适应增强,本文将直方图均衡化和NSCT域增强相结合,提出了一种基于NSCT系数直方图匹配的自适应图像增强算法。该算法首先对低对比度含噪原图像进行直方图均衡化,然后对原图和直方图均衡化后的图像分别进行NSCT分解,得到低频子带系数和各高频方向子带系数。对低频子带,将原图的低频子带系数直方图匹配到直方图均衡化后图像的对应系数直方图上。对各个高频子带,则先进行阈值去噪,再将原图的各个高频子带系数直方图匹配到直方图均衡化后图像的对应系数直方图上。最后,经NSCT重构得到增强后的最终图像。实验结果表明,本文方法增强效果明显优于直方图均衡化,与Contourlet变换增强法相比,实验所采用的两组图像的图像评价函数(EMEE)值分别提高了24.05%、16.97%、13.29%和20.63%,且与NSCT域非自适应增强法(人工选取参数)的处理效果相当。该方法无需手工调节参数,具有自适应性和实用性强的优点。     

柴油机振动信号快速稀疏分解与二维特征编码

针对柴油机故障诊断方法中的信号时频表征及特征提取问题,提出一种基于振动信号快速稀疏分解与二维时频特征编码识别的柴油机智能故障诊断方法。首先,为了获得时、频聚集性优良的时频图像,提出一种随分解残差信号自适应更新Gabor字典的改进匹配追踪(adaptive matching pursuit,简称AMP)算法,利用AMP算法将柴油机振动信号分解后叠加各原子分量的Wigner-Ville分布,获取原信号的稀疏分解时频图像;然后,为提取时频图像的特征参量,提出了双向二维非负矩阵分解(two-directional,2-dimensional non-negative matrix factorization,简称TD2DNMF)算法,用于对时频图像的幅值矩阵进行特征编码,获取蕴含在时频图像内部的低维特征,并利用最近邻分类器实现了时频图像的自动分类识别。将提出的方法应用于4种不同状态柴油机气门故障的诊断试验中,结果表明,该方法能够获得无交叉项干扰、聚集性好的时频图像,使各时频分量的物理意义更加明确,并改进了传统图像模式识别中的特征参数提取方法,是一种有效的柴油机故障诊断方法。     

基于时频图像融合的轴承性能退化特征提取

基于数据驱动的轴承寿命预测方法主要采用轴承信号的滤波系数、时域和频域的统计量等作为反映轴承性能退化的特征量。进一步研究发现,这些指标要么对轴承早期缺陷敏感度不够,要么缺乏寿命预测所需要的上升或下降的性能退化特征。由于轴承在制造和工作过程中存在较多随机因素,即使同一种轴承在同一种工况下的工作寿命也会存在差异。因此,寻找一种稳定有效的特征值来刻画轴承的退化状态是十分重要的。提出基于时频图像融合的轴承性能退化特征提取方法。采用平滑伪威格纳-维尔分布(Smoothed pseudo Wigner-Ville distribution,SPWVD)表征轴承振动信号的时频能量分布特征,并利用灰度共生矩阵的统计特征作为轴承的性能退化特征;同时利用图像融合方法将同一轴不同方向的振动信号加以综合利用,消除一些随机因素对性能退化特征的影响。采用2012 PHM Competition的轴承数据集,验证了该方法在轴承的性能退化特征提取中的有效性。     

多小波系数特征提取方法在故障诊断中的应用

针对机械故障的特征提取问题,提出一种基于多小波系数的机械故障特征提取方法。首先,对不同工况的机械振动信号进行多小波分解;其次,利用分解后各层多小波系数的统计特征包括最大值、最小值、均值和标准差作为该工况振动信号的特征向量;最后,利用支持向量机的方法对机械故障进行识别。对滚动轴承正常状况与内圈故障、滚动体故障、外圈故障3种故障及多种损伤程度的实测振动信号进行故障识别试验,试验结果表明,该方法用于机械故障诊断可以获得较高的识别率,识别效果要优于基于单小波系数统计特征的识别方法,具有一定的工程应用价值。     

基于抗混叠轮廓波变换系数分布模型的去噪算法研究

针对轮廓波变换存在频谱混叠致使其难以获得理想的去噪效果这一问题,本文提出一种基于抗混叠轮廓波变换系数分类的混合模型图像降噪算法.该算法通过计算变换系数的尺度间相关性,将系数分为重要系数和非重要系数两类,并对二者分别采用广义非高斯二元变量分布与零均值高斯分布建模,在Bayes框架下对原始图像进行估计.实验研究结果表明,以Barbara图像为例,当噪声方差σ=30时,本文算法不仅峰值信噪比(PSNR)超过Contourlet-HMT模型去噪2.72 dB,且主观视觉效果上亦均优后者,同时还具有较高的计算效率.     

基于Hilbert谱的心率变异信号时频分析方法

心率变异性(heart rate variability,HRV)信号的频域分析方法是用来表征自主神经调控信息的基本方法。为了评估自主神经系统功能及对心血管活动的影响,提出一种基于Hilbert时频谱的HRV信号的时频特征提取和分析的新方法。对HRV信号进行希尔伯特-黄变换(Hilbert-Huang transform,HHT)以获得HRV信号Hilbert时频谱,依据短时程HRV信号的线性频域分析指标,得到不同生理频带的Hilbert能量棒形图,提取总能量、各生理频带的能量和其归一化能量以及生理频段的能量比值作为评价心率变异性的时频特征。对MIT-BIH数据库的年轻人、老年人样本和健康人、心衰病人样本的HRV信号分析表明,基于Hilbert谱的时频特征的区分性能好,有较清晰的生理意义,能反映人的生理病理变化,为短时程HRV信号分析提供了一种有效方法。     

基于非下采样Contourlet变换和谱图理论的扩散去噪

提出了一种基于谱图理论的热扩散方程图像去噪方法.该方法用非下采样的Contourlet变换提取图像的边缘和轮廓等几何特征,并将提取的特征用来构造图的权重函数,将扩散方程建立在图上,用热核和拉普拉斯矩阵实现图像的去噪.仿真实验结果表明,该方法能够有效去除高斯噪声,较完整地保持图像中的边缘等细节信息,在去噪性能上优于其他的偏微分方程去噪方法.     

基于同步挤压提取变换的滚动轴承故障诊断研究

滚动轴承是大型机械设备的重要部件,起着非常重要的作用.当轴承发生故障时,如不及时修复或更换,将严重影响设备的寿命.时频分析方法是一种非常有效的故障特征提取工具,已得到广泛的应用;同时,时频分布的能量聚集性影响故障特征提取效果,因此,一种能量更加集中的时频分析方法对机械信号处理与故障诊断起着至关重要的作用.提出了一种全新...     

基于CSLBP的轴承信号时频特征提取方法

针对滚动球轴承振动加速度信号特征提取问题,提出一种基于中心对称局部二值模式(center-symmetric local binary pattern,简称CSLBP)的时频特征提取方法。首先,利用广义S变换对滚动球轴承振动加速度信号进行处理,通过采用时频聚集性度量准则自适应地确定广义S变换的调整参数,从而获取时频分辨性较好的二维时频图;然后,计算二维时频图的CSLBP,提取CSLBP纹理谱描述滚动球轴承振动加速度信号的时频特征。对滚动球轴承正常、外圈故障、内圈故障和滚动体故障4种不同状态的振动加速度信号进行了研究。结果表明,CSLBP纹理谱能有效地表达滚动球轴承振动加速度信号的时频特征,与局部二值模式(local binary pattern,简称LBP)和统一模式LBP纹理谱相比,CSLBP纹理谱具有特征维数低和区分性能好的优点。     

基于小波包变换和奇异值分解的机加工表面纹理特征提取

为提取机加工表面的纹理特征,提出利用小波包变换和奇异值分解提取灰度图像特征的新方法,给出了小波包变换算法及奇异值分解算法,依据矩阵奇异值特征向量的均值和方差分别定义了灰度图像的特征参数k1和k2,并探讨了特征参数与表面纹理之间的关系。结果表明:特征参数能够敏感地反映机加工表面的纹理特征。k1表征了机加工表面的支撑面积,其值越大,支撑面积越大;k2表征了机加工表面纹理的粗糙度,其值越大,纹理越粗糙。因此,机加工表面的纹理特征可通过灰度图像特征参数k1和k2评定。     

基于同步压缩小波变换的滚动轴承故障诊断

针对滚动轴承故障诊断中存在的非平稳故障信号的特征提取困难这一难题,提出利用同步压缩小波变换(SWT)对故障信号的监测数据进行处理的方法。首先对信号进行连续小波变换(CWT),其次对小波变换系数进行同步压缩变换(SST),然后对SST系数进行自适应阈值去噪,之后在有效信号数据的频率中心附近进行积分提取,最后用提取到的有效信号进行重构。对实测的滚动轴承故障信号进行处理验证,结果表明,SWT具有较高的信号提取精度以及降噪能力,同时具有较高的时频分辨率,能够将故障信号转换为高分辨率的时频谱,弥补了CWT在这方面的不足。