基于特征选择和RRVPMCD的滚动轴承故障诊断方法*

针对滚动轴承故障诊断时所提取的特征值中可能含有较小相关性和冗余性特征,采用基于Wrapper模式的距离评价技术(distance evaluation technique,简称DET)进行特征选择。在分类器的设计中,提出了基于稳健回归的多变量预测模型(Robust regression-Variable predictive model based class discriminate,简称RRVPMCD)分类方法,以减小"异常值"对参数估计的影响,从而有望建立更加准确的预测模型。即根据Wrapper模式的特点,首先通过DET方法计算出各特征值对类的敏感度,并结合RRVPMCD分类器,选择敏感度最大的若干特征值组成特征向量矩阵;然后用RRVPMCD方法进行训练,建立预测模型;最后用所建立的预测模型进行模式识别。实验分析结果表明,基于Wrapper模式的特征选择方法和RRVPMCD分类方法相结合可以有效地对滚动轴承的工作状态和故障类型进行识别。     

基于多源生物信号的下肢步态相识别

为提高人体下肢步态相识别的准确性,研究了融合表面肌电信号(sEMG)、膝关节角度和足底压力信号的人体下肢步态相识别方法。首先, 将sEMG信号进行小波包分解提取多尺度能量和多尺度模糊熵特征;然后,对提取的sEMG信号特征值采用主成分分析（PCA）方法进行降维处理,并与足底压力特征值和膝关节能量特征值构成一组特征向量;最后,将特征向量输入粒子群优化最小二乘支持向量机（PSO-LSSVM）对人体下肢运动信息进行步态相识别。实验结果表明,所提方法相较于其他方法有较高的识别准确率和有效性。     

基于周期3临近特征的外显子预测方法

为提高基因编码序列(外显子)的预测精度,提出了一种周期3临近特征外显子预测方法。分别提取外显子和内含子的周期3临近功率谱聚类特征值作为模板特征,将未知外显子和内含子区间的DNA序列分帧移动,依此提取每帧特征并与模板特征实现不同权重的欧氏距离的识别预测。通过改变基因序列不同特征值、特征值数、帧长、权重,将该算法与周期3功率谱特征预测法比较,实验结果表明,特定参数条件下该算法的预测精度优于周期3预测法。     

基于耦合信号包络分析的引线键合点剪切强度识别方法研究

键合点剪切强度是衡量键合质量的重要指标之一,以引线键合系统超声波发生器电信号作为信息载体,研究了超声电信号的特征提取方法以及在键合强度识别方面的应用。针对超声电信号的瞬态特性,提出一种基于信号子频带包络分段的特征提取方法。该方法将超声电信号滤波后的子频带包络分成信号上升、稳定和衰减三个阶段,提取每个阶段的敏感波形特征来表征键合过程。为了消除特征中的冗余信息并实现特征降维,采用了主分量分析(PCA)技术进行特征选择。建立了人工神经网络系统(ANN)对提取的特征进行识别,通过实验数据分析,验证了本文方法的有效性。     

变分模态分解在自动机故障诊断中的应用

由于自动机工作环境复杂、各种响应信号相互叠加,为准确、高效地提取自动机信号的故障特征,提出一种应用变分模态分解(VMD)和极限学习机(ELM)的自动机故障诊断方法。首先对自动机信号进行变分模态分解,并与经验模态分解(EMD)结果进行对比;同时提取各模态分量的能量百分比和各工况下不同样本的样本熵作为特征值;将提取到的特征值输入到极限学习机中进行故障诊断,再与传统的双谱分析诊断结果进行比较。最终VMD方法实现信号频域内各分量的自适应剖分,并得出ELM的故障诊断准确率为87.5%。实验结果表明:变分模态分解能够有效避免模态混叠现象,同时验证所提方法的可行性与有效性。     

基于S变换的心音信号特征提取

为了准确获得心音信号生理、病理信息,在对比研究各种时频分析方法的基础上,采用具有良好时频分辨率的S变换提取心音信号特征,实现心脏病辅助诊断。首先对心音信号进行包络提取、第一心音定位及心音分段,然后对一个周期信号进行S变换,最后提取变换后矩阵的统计学特征,并将该特征作为区别不同心音信号的特征向量。通过相关评价可知该方法可以有效识别不同心音信号。     

特征提取在激光散射扫描层析技术检测硅内部微体缺陷中的应用

提出了一种利用特征提取来对硅中微／纳米级体缺陷的激光散射图样进行分析，以获得缺陷大小信息的分析方法。给出了该方法中第一特征值和第二特征值的定义，指出通过所提出的第一特征值及第二特征值即可迅速地判断出缺陷的大小量级所在。这种分析方法具有分析速度快，在体缺陷小于１μｍ时分辨率高，且可使系统实现自动化等优点。     

基于数据特征提取的暖通系统传感器偏置故障标准化检测方法

针对暖通设备中空气处理机组传感器数据故障检测效率较低的问题，提出了一种基于KPCA结合SVM的故障检测方法。首先，建立核主元模型，然后通过核主元分析对被监测的传感器数据进行特征值提取。其次，将特征值提取后的数据对支持向量机(Support Vector Machine,SVM)进行训练，构造SVM故障检测模型。最后，基于KPCA-SVM故障检测模型对被监测的传感器进行故障检测。本研究以河北师范大学职技楼制冷与空调实验设备为例进行空气处理机组传感器故障实验验证。结果表明，与SVM方法相比，KPCA-SVM能够更好地提取故障信号的非线性特征。     

基于优化最小算法的齿轮箱复合故障特征稀疏表示

复合故障信号中多种特征成分的有效分离是实现齿轮箱复合故障诊断的核心,也是难点。针对此,提出一种基于优化最小算法(Majorization-Minimization,MM)的稀疏表示方法,并将其应用于齿轮箱齿轮轴承复合故障特征成分的提取与分离。首先,根据齿轮箱中轴承和齿轮在局部故障激励下的瞬态成分存在差异性,利用相关滤波优选来分别构造与轴承和齿轮故障瞬态特征相匹配的过完备字典,建立目标函数;然后,采用所提优化最小算法对稀疏表示目标函数进行优化求解;在此基础上,根据复合故障信号中轴承和齿轮瞬态成分能量的强弱,依次进行稀疏表示及瞬态成分重构,最终实现齿轮箱复合故障特征的提取与分离。通过对仿真和实验信号的分析表明:所提方法能够分别提取复合故障信号中轴承和齿轮的瞬态特征,实现齿轮箱复合故障诊断,验证了所提方法的有效性。     

深度学习在机械设备诊断中的应用

传统的机械设备状态监测是根据经验通过提取现场采集的振动信号特征值构建特征空间,采用多种方法对特征值进行聚类、分类,从而实现对设备状态的分类。但这种方法严重依赖于专家经验,并且效果受到信号噪声等众多因素的影响。分别在经典一维和二维卷积神经网络的的基础上,提出两种机械设备智能故障诊断方法,并通过凯斯西储大学轴承数据中心发布的数据集比较两种模型的性能,实验结果表明,基于一维卷积神经网络的智能诊断方法更适用于一维振动信号。将基于一维卷积神经网络的智能诊断方法应用于石化厂的机泵设备,证明其能实现特征自适应提取,可取得较好诊断效果。     

基于多尺度熵和距离评估的滚动轴承故障诊断

为了解决滚动轴承非线性故障特征难以提取的问题,将多尺度熵和距离评估方法有机结合,提出一种新的滚动轴承非线性特征提取方法。首先利用多尺度熵来刻画滚动轴承振动信号在不同尺度上的细节特征;然后引入距离评估选择算法,对多尺度特征进行特征评估,优化选取敏感尺度特征,并送入支持向量机实现轴承不同状态的分类。通过滚动轴承故障诊断实验对该方法进行验证,结果表明,选取敏感多尺度熵特征集对故障特征进行刻画,较单尺度特征、原始特征集和随机特征集等诊断效果更佳,提高了诊断精度。     

不均衡训练集特征选择的印刷套准状态识别

目的 针对不均训练集导致印刷套准识别模型无法较好识别印刷套不准图像的问题,提出基于最大相关、最小冗余的印刷标志图像数据特征选择方法.方法 提取印刷标志图像的多维特征数据,计算特征与印刷套准和印刷套不准2类之间的相关性和特征之间的冗余度.确定特征选择的目标函数,通过增量搜索方法寻找最优特征,加入特征子集,实现不均衡印刷标志图像的特征选择.结果 文中的特征选择方法获得了3项不均衡数据分类性能评价指标,A为0.9900,R为0.9400,Gmean为0.9466.结论 在不均衡印刷标志图像套准识别中,文中提出的方法性能优于实验中的未处理方法、PCA方法、Relief方法和NCA方法.     

基于支持向量特征筛选方法的想象动作识别

引入了支持向量特征筛选方法,以克服基于想象动作诱发脑电特征的脑-机接口识别中,由于特征维度较高而训练数据有限、不易获得理想识别效果的问题.支持向量特征筛选方法采用扰动支持向量机代价函数的方法测量特征的分类贡献度,进而建立特征序贯指数,以递归方法进行特征排序和优化筛选.对14例受试者的左右上肢想象动作诱发脑电信号进行分析,提取6类246维特征,采用支持向量递归筛选方法进行特征优选,利用支持向量机对优选特征进行识别,结果显示,支持向量递归筛选得到的优选特征可显著提高识别正确率.研究表明,支持向量特征筛选可以降低无效特征干扰,提高分类器效率,适用于特征维度较高的脑-机接口任务识别.     

一种用于风机故障诊断的免疫克隆特征选择算法

提出一种新的用于风机故障诊断的免疫克隆特征选择算法.提取了生产线上实测风机噪声的时域波形结构特征、小波分析特征及听觉谱特征,进行特征选择和故障诊断仿真实验.实验结果表明：在特征选择后的特征数目比原特征数目减少61% 的情况下,支持向量机分类器的分类正确率下降很小,分类时间显著减少.实验结果证明了该算法的有效性和鲁棒性,且能有效地应用于风机故障诊断.     

基于卷积神经网络和Transformer网络的鸟声识别

针对传统鸟声识别算法中特征提取方式单一、分类识别准确率低等问题,提出一种结合卷积神经网络和Transformer网络的鸟声识别方法。该方法综合考虑网络局部特征学习和全局上下文依赖性构造,从原始鸟声音频信号中提取短时傅里叶变换(Short Time Fourier Transform,STFT)语谱图特征,将其输入到卷积神经网络(ConvolutionalNeural Network,CNN)中提取局部频谱特征信息,同时提取鸟声信号的对数梅尔特征及一阶差分、二阶差分特征用于合成梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)混合特征向量,将其输入到Transformer网络中获取全局序列特征信息,最后融合所提取的特征可得到更丰富的鸟声特征参数,通过Softmax分类器得到鸟声识别结果。在Birdsdata和xeno-canto鸟声数据集上进行实验,平均识别准确率分别达到了97.81%和89.47%。实验结果表明该方法相较于其他现有的鸟声识别模型具有更高的识别准确率。     

SAR图像目标的方向梯度能量分形特征研究

本文提出一种方向梯度能量分形特征提取方法用于目标的特征描述.该方法中,提出了方向梯度能量、方向梯度总能量、总方向梯度能量、方向梯度能量分形特征、复数分形特征等的概念和算法,分析并得出了方向梯度能量分形特征的性质,提取了二维目标的分形特征用于SAR图像目标检测.理论分析和实验结果表明,采用这种方法能够有效地检测不同形状和不同尺寸的目标.同时,这种方法还具有编程简单、运算速度快等优点.     

Compound feature recognition by web grammar parsing

A method is presented to automatically recognize compound features using web grammar parsing on a solid model graph. A compound feature is a class of regional shapes with a variable topology. Examples of compound features are connected features, which contain a variable number of simple features connected together, and intersecting features, which intersect one another creating different shapes from the original simple features conceived. The simple features are regional shapes related to preestablished application processes. A solid object, stored as a boundary representation, is transformed to a web representation (a node-labeled graph) which is the input of a web parsing system for feature recognition. And a compound feature is described as a web grammar. From the web representation of an object shape, the compound feature recognition can be accomplished by parsing the web with the web grammar. The application of a web grammar enables a user to define a compound feature and makes feature recognition a formalized process for subsequent recognition.     

流场特征识别的无量纲时程深度学习方法

流场的特征直接影响结构的流致振动状态,对结构绕流流场的特征分析具有重要的研究意义。在中高雷诺数与不同流速的情况下,尾流中隐含的流场特征不同,传统数学物理方法很难对其特征进行提取与识别。该文提出了采用无量纲的物理量时程进行流场特征识别的深度学习方法,消除了不同来流速度的影响,仅通过时程的时变特征进行特征识别,扩大了特征识别方法的应用范围。采用两种不同深度学习模型对三种棱柱的尾流进行了特征提取与识别,通过比较可以发现：归一化的时程中仍包含不同形状物体所引起流场的关键特征,可用于流场的特征提取;使用归一化时程进行流场特征识别可降低模型训练难度,又提高了特征提取的精度,是一种流场特征提取的新方法。     

基于EMD-DCS的滚动轴承伪故障特征识别方法

伪故障特征是健康零部件振动信号中具有的故障特征,伪故障特征是由系统内故障零部件引起的。由于滚动轴承伪故障特征与故障特征具有相似性,针对转子-轴承系统中滚动轴承伪故障特征识别问题,提出一种基于经验模式分解(Empirical Mode Decomposition,EMD)和循环平稳度(Degree of Cyclostationarity,DCS)的伪故障特征识别方法。利用滚动轴承健康信号和伪故障信号对比分析基于单通道伪故障信号进行滚动轴承故障诊断的技术难点;建立了考虑滚动轴承打滑率的转子-轴承系统动力学模型;利用时频分析方法和循环平稳分析方法对滚动轴承伪故障特征进行分析;给出了基于EMD-DCS的滚动轴承伪故障特征识别流程;在滚动轴承故障模拟实验台上开展了滚动轴承伪故障特征识别实验。实验结果表明:基于EMD-DCS的滚动轴承伪故障信号识别方法可以有效区分滚动轴承故障特征与伪故障特征。该研究工作对于提高滚动轴承故障诊断准确率、保障设备安全运行具有理论意义和实际应用价值。     

基于子空间约束的面部特征点跟踪算法

为克服纹理不丰富和非刚性形变等因素引起的面部特征点跟踪困难,提出了一种基于子空间约束的面部特征点跟踪算法。针对人脸运动特点,将面部特征点分为具有复杂运动模式和简单运动模式的特征点集。用通过样例学习得到的特定描述模型准确刻画了具有复杂运动模式的特征点集的变化,保证了子空间约束的有效性。对运动模式简单的特征点集的跟踪则采用基于光流的算法,以提高算法的效率,也为基于特定描述模型的跟踪算法提供了更准确的起始搜索位置。对跟踪结果进一步应用子空间约束解决跟踪中的开孔问题和消除跟踪误差。实验结果表明,在存在较大验部变形和部分特征点纹理不丰富的情况下,该方法可以有效地跟踪较密集的面部特征点。