基于分块分形的工业CT图像缺陷自动定位算法

针对传统的缺陷定位必须经过图像分割和缺陷提取等步骤,识别过程比较麻烦而且费时,提出了一种基于分块分形的工业CT图像缺陷自动定位算法.该方法首先对图像进行分块处理,对每个分块区域进行分形维数计算.通过分形维数频域分布直方图进行阈值处理,标记边缘块,最后通过连通区域处理标记块,进而对缺陷进行标记定位.通过对含有不同缺陷数目的固体火箭发动机模型工业CT图像处理,均可以准确地定位缺陷.实验结果表明,该方法能有效、准确地自动定位工业CT图像缺陷,且具有较强的鲁棒性.     

微震定位系统中拾震器布阵研究

对微震监测中拾震器阵列进行科学有效的布置是保证微震定位系统能有效运行的一个关键条件,设计了4种拾震器阵列布设方案,使煤矿中微震定位监测系统运行得更加科学有效.首先建立复杂地质模型,利用微变网格射线追踪正演模拟出微震源起震到拾震器阵列接收信号的过程,然后在施加随机扰动的情况下,利用粒子群-神经网络算法(PSO-BP)反演推算出震源位置,最后通过震源位置的误差来分析各个布阵方案的特点,同时分析了阵列中拾震器数量的合理值.研究结果表明,在微震监测系统中拾震器利用率最高的情况下,可以给出准确、合理、有效的拾震器布阵方案.     

一种改进的实时嵌入式系统容错优化方法

容错技术中硬件冗余会产生较高的设计和生产成本.针对该问题,提出一种改进的实时嵌入式系统容错优化方法,基于检查点容错技术综合分析系统故障性能、硬实时任务时间约束和软实时任务的效用函数值.以设计的容错模型为基础,计算系统故障概率保证其在故障最大概率值内,给出硬任务截止时间确定可调度性,并应用改进的禁忌搜索算法获得软任务效用函数最佳值,算法有2种简单的邻节点结构,其禁忌准则遵循邻节点方法禁忌,优化效率明显改善.实验结果表明,该方法可进行故障分析等综合分析,并能迅速获得最大效用函数值.     

基于PSO-SVM的小电流接地故障选线方法

针对小电流接地系统,现有故障选线方法的精度不高,为此提出基于粒子群优化向量机（PSO‐SVM ）的选线方案。在搭建小电流接地系统仿真模型的基础上,采用M atlab进行PSO优化算法仿真实验,根据不同的接地情况获得故障时各线路零序电流,利用小波包变换（WPT ）与傅里叶变换（FFT ）从零序电流中提取暂态分量、谐波分量、五次谐波分量作为PSO‐SVM输入特征进行训练,用训练好的SVM 对测试样本行检测,得到选线结果。仿真结果表明,该方法使学习训练速度加快、自适应能力增强、选线精度提高进,且其不受接地电阻、故障距离等因素影响。     

基于有向图的静止气象卫星故障检测模型

为解决基于卫星单个遥测值超限进行报警的方法会引起故障的误报和漏报这一问题,提出一种基于有向图的静止气象卫星故障检测模型。定义组合条件报警故障知识规则的描述方法和故障知识库,能够同时对卫星多个通道的遥测值进行综合分析与诊断,提高故障的诊断效率;基于有向图实施卫星故障的自动检测,省去关联故障的判别工作,减少冗余告警,提高故障检测的正确性。实际业务运行结果验证了该模型的可行性与有效性。     

深度信念网络在故障指示器检测中的应用

电子产品在生产过程中需进行产品检测,以故障指示器的检测为例,结合深度信念网络(DBN)技术实现了自动检测.深度信念网络由于其具有无监督预训练的优势,将其应用于实际系统,对现场的故障指示器视频图像的动作状态进行了分类实验.实验结果表明:深度信念网络分类算法相比于支持向量机(SVM)分类算法和BP分类算法有明显的优势,正确识别率达到了100％.该算法在产品检验的应用中满足生产测试的要求,且降低了人工测试的劳动强度,缓解了视觉疲劳问题.     

基于MultiBoost 的集成支持向量机分类方法及其应用

针对网络故障诊断中的模式识别问题, 提出一种基于多重提升(MultiBoost) 的优化支持向量机集成学习方法. 首先, 利用自适应的荷尔蒙调节遗传算法(HMGA), 对支持向量机基分类器进行建模参数优化; 然后, 通过构建MultiBoost 集成学习方法将多个基分类器集成, 建立以多分类器优化集成为核心的故障诊断系统. 实验结果表明, 所提出的方法在网络故障诊断中, 迭代次数少、建模时间短, 并且能够明显提高故障分类的准确率.     

模糊神经网络抓斗纠偏系统故障诊断

针对抓斗纠偏系统复杂性、不确定性、模糊性的特点,提出基于故障树的模糊神经网络作为抓斗纠偏系统故障诊断的方法。该方法利用故障树知识提取抓斗纠偏系统故障诊断的输入变量和输出变量,引入模糊逻辑的概念,采用模糊隶属函数来描述故障的程度,利用Levenberg-Marquardt优化算法对神经网络进行训练,系统推理速度快、容错能力强,并通过实例分析验证了抓斗纠偏系统模糊神经网络故障诊断的有效性。     

基于EEMD和自相关函数特性的自适应降噪方法

在机械设备早期故障中,反映故障特征的冲击信号非常微弱,容易被噪声淹没,使得故障诊断有一定难度。集合经验模式分解方法将含噪信号分解为多个固有模式分量,其中包括噪声分量和有用信号分量。根据两者自相关函数特性的不同,提出了利用能量集中比找到噪声分量分界点的自适应降噪方法,并利用改进的软阈值方法拾取噪声分量中的高频有用信号。对不同频率的含噪信号进行降噪处理,结果表明,该方法对中低频信号的降噪具有很好的效果。故障轴承振动信号的降噪效果表明该方法的实用性。