基于传感器信号融合和PSO-LSSVR的刀具磨损预测研究

最小二乘支持向量回归模型能有效地构建特征与刀具实时磨损间映射关系,但受限于自身参数的复杂性,无法获得最优模型性能,同时由于单个传感器的局限性,难以全面反映刀具磨损的多维信息。为进一步提升刀具磨损预测精度,提出一种基于多传感器信号融合并利用粒子群算法优化参数的最小二乘支持向量回归模型的刀具预测方法。通过对采集的传感器信号进行小波降噪,提取可用于反映刀具磨损的多域特征,并通过核主成分分析法对多域特征进行降维融合,采用经过粒子群算法优化参数的最小二乘支持向量回归模型构建融合后特征与刀具磨损的映射关系。通过公开数据集进行的实验,表明该模型具有较高的预测精度,验证了所提出预测方法的有效性。     

基于小波神经网络的切削刀具磨损识别

提出了一种基于小波神经网络的切削刀具状态监测方法,在采集切削加工功率信号的基础上,利用小波分解方法提取反映刀具磨损状态的信号特征量,利用小波神经网络的非线性模型和学习机制,实现刀具磨损状态的在线监测;针对多输入输出问题带来的网络规模大、收敛速度慢等问题,提出应用粒子群算法优化小波神经网络的方法,从而简化小波神经网络结构并加快收敛速度.仿真和应用实例证明,该方法比传统的基于BP的小波神经网络、GA优化的小波神经网络估计准确率高,消耗时间短.     

棉秆粉碎刀具磨损状态监测系统设计与试验

针对棉秆粉碎还田过程中刀具磨损严重且缺少故障监测装置导致工作失效的问题,设计了一种搭载在棉秆粉碎还田机上的智能监测系统。系统以STM32单片机为主控制器,应用多种传感器融合技术,基于机器学习算法实现刀具磨损状态监测。为了解决棉秆粉碎刀具磨损非线性特征信号难以提取的问题,提出了一种融合改进蝴蝶优化算法(IBOA)和支持向量机(SVM)的刀具磨损状态监测方法(IBOA-SVM)。该监测方法以粉碎刀辊转速、左侧振动频率、右侧振动频率作为模型输入特征向量,将刀具磨损状态(正常状态、磨损状态、丢刀状态)作为输出。相较于未优化的SVM算法,通过IBOA算法优化SVM算法的参数,刀具磨损状态的识别准确率由95.61%提高至98.83%。为验证IBOA-SVM模型的有效性,在相同参数设置环境下进行多种模型的重复对比试验,试验结果表明：相较于SVM、PSO-SVM、WOA-SVM、BOA-SVM和CWBOA-SVM 5种模型,IBOA-SVM模型识别准确率平均值有所提升,单次试验的准确率均维持在较高的水平。将IBOA-SVM模型嵌入到监测系统,并进行田间验证试验,试验结果表明设计的刀具磨损状态监测系统在...     

基于压缩感知理论的苹果病害识别方法

为实现自然场景下低分辨率苹果果实病害的智能识别,提出了一种基于压缩感知理论的苹果病害识别方法。以轮纹病、炭疽病和新轮纹病3种常见的苹果果实病害为研究对象,提取病斑的8个纹理特征参数组成训练特征矩阵。利用压缩感知理论,求解待测样本特征向量在特征矩阵上的稀疏表示系数向量,通过对系数向量的分析实现待测样本的分类。设计灰度关联分析和支持向量机识别模型与本文方法进行识别效果对比,平均正确识别率分别为86.67%、90%和90%。实验结果表明,基于压缩感知理论的识别方法能够对苹果病害进行有效识别。     

采摘机器人基于支持向量机苹果识别方法

针对目前苹果采摘机器人果实识别过程误差大、处理时间长等问题,应用支持向量机(SVM)方法对苹果果实进行识别.首先采用矢量中值滤波法对苹果彩色图像进行预处理,然后运用区域生长算法和颜色特征相结合的方法进行图像分割,最后分别对苹果彩色图像的颜色特征、几何形状特征进行提取,并用支持向量机的模式识别方法识别苹果果实.实验结果表明:支持向量机识别方法的识别性能优于神经网络方法;综合颜色特征和形状特征的支持向量机识别方法对苹果果实识别的正确率高于只用颜色特征或形状特征的正确率.     

基于BP神经网络刀具磨损状态监测的研究

为了实现刀具磨损在铣削过程中的工业应用,提出了一种基于BP神经网络的预测刀具磨损状态的方法。采用易于采集的振动信号作为监测信号,用小波分析对振动信号进行数据处理,将不同波段的能量作为输入特征值,用工业显微镜测量刀具磨损值。建立BP神经网络,实现刀具磨损状态的监测。实验表明,检测结果能够对刀具磨损状态正确识别。     

基于支持向量机的水电机组故障诊断

针对水电机组故障样本少的问题,将支持向量机引入水电机组故障诊断研究,提出一种结合小波频带分解与最小二乘支持向量机的水电机组故障诊断模型。基于机械设备“能量-故障”映射关系,运用小波分解提取机组振动信号各频带能量特征值,然后将能量特征值输入到多分类的支持向量机,实现对机组不同故障类型的识别。通过实验信号分析,表明将小波能量提取与支持向量机结合进行水电机组故障诊断是可行有效的,并具有较高的故障分辨能力,为水电机组故障诊断提供了新的方法和思路。     

基于加权支持向量数据描述的遥感图像病害松树识别

利用安装在无人机平台上的双光谱相机所获取的可见光和近红外遥感图像,采用改进的加权支持向量数据描述多分类算法,实现病害松树识别.首先根据不同内容信息图像的特点,提取双光谱相机所获取的可见光图像和近红外图像各颜色分量作为相应像素点的颜色特征,再通过提取加窗图像块的灰度共生矩阵得到中心像素点的纹理特征,然后利用权重系数为每类样本分别作加权支持向量数据描述,实现松树状态的多输出分类识别,其中权重系数是通过建立关于训练样本中心距离的权重函数所确定.与传统的人工、航空和卫星遥感识别方法不同,利用无人机平台和双光谱相机获取遥感图像,具有可操作性强、费用低廉等优势.试验结果表明,相比传统的支持向量机和支持向量数据描述算法,改进的加权支持向量数据描述多分类算法更能准确地进行病害松树识别.     

基于多物候特征指数的冬小麦分布信息提取

以往的冬小麦分布信息提取研究大多基于单个物候期或单个植被指数,未考虑不同物候期特征及不同物候期之间的联系导致分类精度较低。为提高提取精度,本文基于冬小麦播种期、越冬期、生长期及成熟期选取相应特征指数,提出一种多物候特征指数的冬小麦识别方法,并对2020年焦作市的冬小麦面积进行提取。通过对不同物候期、不同分类方法下的结果进行对比,结果表明：在物候期的选择上,加入越冬期后,随机森林与支持向量机分类的总体精度与Kappa系数呈现不同程度的提升,均方根误差(RMSE)分别减小19.3%和9.8%,提取冬小麦面积的误差百分比分别降低8.64、4.42个百分点。在不同分类方法上,随机森林相较于支持向量机、最小距离,分类的总体精度与Kappa系数更高。相较于支持向量机,随机森林分类的RMSE减小19.6%。相较于单一特征指数,基于随机森林的多物候特征指数分类的总体精度,Kappa系数更高,RMSE为1.84×10³ hm²,比单一特征指数减小33.6%,提取冬小麦面积的误差百分比减小7.14个百分点。     

基于小波变换和SVR模型的陀螺仪故障预测

为了准确可靠地预测陀螺仪的故障,提出一种基于小波变换和支持向量回归机的陀螺仪故障诊断和预测方法。首先,利用小波分析和支持向量机对陀螺仪故障特征进行提取,然后建立SVR的故障预测模型,最后基于实验测得的陀螺仪振动数据对该预测模型进行了仿真验证,结果显示该算法预测效果良好,是一种有效的陀螺仪故障预测算法。     

基于线性组合核函数支持向量机的病害图像识别研究

合理的选择、设计核函数是支持向量机方法的重要部分,不同的核函数代表了利用支持向量机解决非线性分类问题时,进行的不同的非线性映射.核函数使支持向量机可以很容易地实现非线性算法.为此,提出了一种新的核函数-线性组合核函数,将该核函数应用于支持向量机方法中,并使用该方法对北京地区甜瓜病害图像进行了识别分类;同时也与人工神经网络和其它经典支持向量机核函数的分类结果进行了对比,实验结果也验证了该核函数的有效性.     

收割机刀具磨损状态监测系统的设计——基于图像处理技术

首先介绍了图像处理技术的特点和优势,然后从图像预处理、特征值提取和磨损面积计算等方面分析了收割机刀具磨损检测原理,并从软硬件体系结构入手,实现了一套基于图像处理的收割机刀具磨损状态监测系统。试验结果表明:在336次实际监测中,系统成功识别诊断刀具状态312次,成功率高达92.86%,平均监测一次的时间为6.67s,准确性高,识别速度快。     

基于公共天气预报的参考作物腾发量预报

针对Penman Monteith公式的应用局限性,以公共天气预报可测因子及历史气象数据计算ET₀为基准,对广州站2017-01-01-2019-03-31预报气象信息风力状况进行量化后,以2017,2018年气象预报信息为输入因子、ET₀为输出因子,分别建立基于回归型支持向量机(SVR)预报模型与BP神经网络预报模型,选择性能较优预报模型对2019年ET₀进行预报,并与计算值进行对比分析.结果表明:回归型支持向量机参考作物腾发量预报模型测试集确定性系数为0.896、均方误差为0.206,BP神经网络参考作物腾发量预报模型测试集确定性系数为0.851、均方误差为0.305,SVR参考作物腾发量预报模型均方误差及决定系数要明显优于BP神经网络;基于SVR模型的预报值与PM公式计算值相关系数为0.761,没有明显差异,表现出显著的相关性以及整体吻合度,可为灌溉预报及决策提供较为准确的ET₀预报数据.     

基于CT图像的苹果苦痘病与磕碰伤识别

对苦痘病进行持续、准确、量化的无损检测,以及育种专家对新品种苹果的抗苦痘病表型研究,都需要苦痘病准确识别技术的支持。针对磕碰伤对苦痘病识别产生干扰,降低了识别准确率问题,基于苹果CT图像,提出了一种苹果苦痘病和磕碰伤识别方法。首先,采用最大类间方差法、区域标记、中值滤波等方法,对337帧苹果CT图像进行图像分割和伤病区域定位;其次,对伤病区域进行特征提取,提取其形状特征、纹理特征和位置特征共18种特征信息;然后,利用多元逐步回归和类距离可分离性判据2种方法分别选取特征信息,将2种方法选出的相同特征作为本文的选用特征信息;最后,分别使用遗传算法优化的支持向量机和默认参数的支持向量机,对苹果苦痘病和磕碰伤进行识别。识别结果表明,经过遗传算法优化的支持向量机的总体识别准确率高于93%,默认参数的支持向量机算法的总体识别准确率高于84%。遗传算法优化后的支持向量机的识别准确率明显优于默认参数的支持向量机的识别准确率。     

多类分类SVM在工程车辆自动变速挡位决策中的应用

经典的支持向量机(SVM)是针对二类分类的,在解决工程车辆自动变速挡位决策这种典型的多类分类问题时存在困难。本文提出了基于二叉数支持向量机的挡位决策算法,将分类器分布在各个节点上,从而构成了多类分类支持向量机,减少了分类器数量和重复训练样本的数量。该方法能够根据车辆的运行状态确定最佳挡位,从而及时、准确地满足工程车辆自动换挡的要求。试验结果表明基于二叉树的支持向量机性能要比遗传RBF神经网络略好。     

支持向量机多分类模型的洪水分类

尝试使用支持向量机多分类模型在洪水分类中的应用,以长江流域宜昌站为研究对象,采用历史文献中的相关数据,验证了支持向量机的多分类法应用于洪水分类的可行性。由于受数据资料的限制,样本数据选取对测试数据分类结果的影响作了探索性分析,如何优化样本数据的选择有待做进一步的深入研究。     

基于纹理和梯度特征的苹果伤痕与果梗/花萼在线识别

为了解决苹果果梗/花萼与伤痕在线识别的问题,利用自行设计的机器视觉检测系统在线采集苹果图像,通过自动分割合成算法将3个不同运动状态下的图像进行合成,使得合成后图像可以包含苹果的整个表面。再利用感兴趣区域提取算法提取出苹果合成图像中的果梗/花萼和伤痕部分。通过分析早期伤痕、中期伤痕和后期伤痕的纹理特征和边缘梯度特征,得出纹理特征适用于早中期伤痕与果梗/花萼的检测,而由于后期伤痕的褐变严重且多已出现凹陷,其纹理特征与果梗/花萼相似,故通过提取后期伤痕和果梗/花萼的边缘梯度特征值用于两者的区分。从SVM的建模结果来看,对于早中期伤痕,模型的总体判别正确率为97%,而后期伤痕的总体判别正确率为96%,并利用所得到的模型设计了用于果梗/花萼与伤痕区分的总体算法。最终通过80个带有不同种类伤痕的样本验证总体算法的正确率为95%,验证试验结果表明该算法可实现对果梗/花萼与伤痕的在线识别。     

铣削刀具不同磨损期振动信号的分维特征

提出了应用铣削刀具磨损工作状态下的振动加速度信号的关联维数来描述刀具不同磨损状态下的特征,进而实现对状态的监测、识别。试验证明,刀具磨损在相同状态下,振动信号具有相近的关联维数,在不同状态下则有明显的关联维数。因此,关联维数不仅可以作为状态监测与识别的重要依据,而且可以作为其他特征提取方法的补充。     

高速车削铁基高温合金硬质合金刀具磨损机理

使用4种硬质合金涂层和非涂层刀具材料进行铁基高温合金GH2132的高速干车削试验,采用电子扫描显微镜(SEM)观察刀具的磨损形貌,通过能谱分析(EDS)分析磨损表面的元素分布,并对刀具的主要磨损机理进行分析.研究结果表明,使用硬质合金刀具材料高速干车削铁基高温合金GH2132时,刀具的磨损机理主要为粘结磨损、扩散磨损、氧化磨损并伴有少量的微崩刃.高速切削时刀具的前刀面磨损形态不同于常速切削时的磨损形态,即磨损不表现为月牙洼的形式,而是表现为切削刃处磨损最大的斜面磨损形式,前刀面磨损区域随切削速度提高而减小,但磨损深度增大.     

基于DPLS和LS—SVM的梨品种近红外光谱识别

为了实现不同品种梨的快速光谱鉴别,采用主成分分析法(PCA)对光谱数据进行聚类分析,得到3种不同品种梨的特征差异,主成分分析表明,以所有建模样本主成分PC1和PC2做出的得分图,对不同种类梨具有很好的聚类作用。利用主成分分析得到的载荷图可以得到对于梨品种敏感的特征波段,用特征波段图谱作为输入建立偏最小二乘判别(DPLS)模型和最小二乘支持向量机(LS-SVM)模型。3个品种梨各70个共210个分别建立偏最小二乘判别(DPLS)模型和最小二乘支持向量机(LS-SVM)模型。对未知的24个样本进行预测,LS-SVM模型品种识别准确率达到100%,DPLS模型的校正及验证结果与实际分类变量的相关系数均大于0.980,交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)都小于0.100,品种识别率为100%。表明提出的方法具有很好的分类和鉴别作用,提供了梨的品种快速鉴别分析方法。