油液在线监测系统中的磨粒识别

针对机械设备磨损状态监测要求,构建了基于显微图像分析的油液在线监测系统.根据系统的光路特点,对磨粒图像进行了基于彩色特征的转换,并通过与背景图像的差值处理来快速提取磨粒目标.基于最小二乘支持向量机设计了两类磨粒分类器,并利用粒子群优化算法对最小二乘支持向量机模型中的参数进行了优化选取.在此基础上,根据磨粒识别体系,设计了磨粒综合分类器.最后,利用铁谱分析技术对系统性能和识别效果进行了检验,结果表明,系统的识别精度达到95%以上,满足磨粒在线监测要求.     

油液在线监测系统中磨粒识别技术研究

针对磨损状态监测要求,构建了基于显微图像分析的油液在线监测系统。根据系统光路特点,对磨粒图像进行了基于彩色特征的转换,并通过与背景图像的差值处理来快速提取磨粒目标。基于最小二乘支持向量机设计了磨粒两类分类器,并利用粒子群优化算法对最小二乘支持向量机模型中的参数进行了优化选取;根据磨粒识别体系,设计了基于最小二乘支持向量机的磨粒综合分类器。最后,利用铁谱分析技术对系统性能和识别效果进行了检验,结果表明本系统具有较高的检测精度和识别效果。     

基于分层模糊支持向量机的油液磨粒自动识别

提出基于模糊支持向量机的机械设备在用油液磨粒自动识别方法。首先利用K-均值聚类算法对磨粒图像进行分割,提取磨粒的形状尺寸特征参数、边缘细节特征参数、表面纹理特征参数作为其量化表征,分别选择最能反映待识别磨粒特征的参数作为各个二分类器的输入向量;然后结合二叉树法和一对多法间接构造磨粒的分层多类别分类器模型,在训练过程中同时利用粒子群算法优化分类器的参数,建立一种参数自适应的模糊支持向量机分层多类别分类模型。将该模型应用到旋挖钻机在用油液的磨损颗粒识别中,识别率最高达90%。该模型结构简单、分类精度好,在磨粒识别领域较大的工程应用价值。     

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％。     

采用SVM的磨粒分类识别方法研究

为克服传统磨粒识别分类器训练时需要大量特征样本的缺点,设计一种基于多元支持向量机(Multi-Support Vector Machine,Multi-SVM)的磨粒识别分类器.支持向量机(SVM)是一种新的机器学习方法,在小样本和高维二元分类方面有非常突出的优点.实验证明,依据此优点设计的多元支持向量机磨粒分类器模型,不仅可以在小样本情形下对模型进行快速训练,而且可以快速识别多种磨粒类型,同时识别率也比传统的神经网络方法有较大提高,从而达到了提高设备监测和故障诊断效率的目的.     

一种用于磨粒识别的基于改进PSO 算法的支持向量机模型

为提高磨粒智能识别的准确率,以传统支持向量机和粒子群优化(PSO)算法为基础,提出一种基于改进PSO算法的支持向量机(SVM)识别模型。该识别模型的惩罚参数和核函数参数可同时得到最佳优化,从而可建立模型参数最优的自适应SVM识别模型。采用该识别模型对油液中的磨粒进行智能识别,结果表明该模型识别准确率高达98%,明显优于BP神经网络模型。     

基于模糊K近邻决策的柔性SVM分类算法

当海量样本之间相互混迭时,支持向量数目急剧增加,导致训练难度增大的同时SVM分类器性能明显下降.针对该问题,在此构造模糊KNN决策与支持向量机相结合的新的柔性SVM分类器.它先建立所有训练样本的类间最近邻距离,根据各个训练数据的类间最近邻距离进行升序排列;然后根据模糊k近邻分析结果对训练样本集进行修剪,在剩余空间中选择合适规模的样本子空间进行SVM训练.在分类阶段,首先计算待识别样本和SVM超平面的距离,如果距离大于某一设定门限,直接利用SVM进行分类,否则带入到所有支持向量与修剪样本合成的模糊KNN分类器中进行分类判决.对比实验结果表明,提出的算法无论是训练速度还是分类精度都远远好于单独的SVM分类器.     

用于滚动轴承故障检测与分类的支持向量机方法

介绍了支持向量机原理与算法，给出了基于支持向量机多类故障层次分类检测模型以及多类故障分类器构建方法及步骤。用滚动轴承实验数据对分类器的性能进行检验，并与神经网络分类器性能进行初步对比，结果证明了支持向量机方法用于轴承故障检测与识别的可行性和有效性。     

基于差商的油液监测铁谱图像自适应分割

针对油液监测中铁谱磨粒图像分割阈值难以选取的问题,本文提出一种基于差商的自适应铁谱图像分割算法。首先,将铁谱磨粒灰度图像转换成三维灰度直方图,并对其进行切片分析;然后,引入Newton插值多项式,将不同切片所得的频数作为切片灰度-频数曲线的插值点,基于差商构造第一类可接受函数和第二类可接受函数,结合实验数据确定两类误差,选取同时满足两类误差的最小灰度值作为分割阈值;最后,用本文方法对不同类型的磨粒图像以及添加高斯噪声和椒盐噪声后图像分别进行分割实验,并与经典的迭代阈值法、Otsu算法、最大熵法进行了比较。实验结果表明,本文方法受噪声干扰较小,误检率和漏检率整体优于其他3种算法。对分割所得的磨粒图像进行特征提取,并利用支持向量机进行识别,本文方法对3种故障磨粒识别准确率最高,达到82.86%,虽在运行时间上无明显优势,但综合性能最优,能满足油液监测过程中铁谱图像自适应分割的需求。     

基于声信号人耳听觉谱特征的风机故障诊断

提出了风机噪声信号的人耳听觉谱特征提取方法,利用人耳听觉谱特征模拟人耳听觉系统的特性,采用支持向量机分类器进行风机故障的分类识别;设计了基于听觉原理和支持向量机分类器的风机故障诊断系统,并应用于风机故障诊断.文中所用实验数据是在工厂现场采集获得,对现场实测数据的识别实验证明,人耳听觉谱特征可有效用于风机故障诊断,可正确识别99.18%的正常机器,故障类型诊断的正确识别率在91%以上.