基于小波包分析的滚动轴承的故障诊断方法研究

用基于非平稳信号的分析方法,研究滚动轴承的故障诊断模型与算法。在充分分析故障机理及特点的前提下,重点开展对滚动轴承故障振动信号的小波包分析的研究工作,提取出反映故障模式的有效故障特征。并基于所获取的故障特征向量,建立BP神经网络分类器,实现对滚动轴承典型故障的识别与诊断。     

分块子空间追踪算法

压缩传感理论是一种充分利用信号稀疏性或者可压缩性的全新信号采样理论。该理论表明，通过采集少量的信号测量值就能够实现可稀疏信号的精确重构。本文在研究现有经典重构算法的基础上，提出结合图像分块思想和回溯思想的分块子空间追踪算法（Block Subspace Pursuit, B_SP）用于压缩传感信号的重构。该算法以块结构获取图像，利用回溯过程实现支撑集的自适应筛选，最终实现图像信号的精确重构。实验结果表明，在相同测试条件下，该算法的重构效果无论从主观视觉上还是客观数据上都有不同程度的提高。     

基于变量预测模型的模式识别方法在滚动轴承故障诊断中的应用

将基于变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的方法引入滚动轴承的故障诊断,提出了基于EMD(Empirical Mode Decomposition,EMD)和VPMCD的滚动轴承故障诊断方法.采用EMD方法提取滚动轴承振动信号特征向量后,以VPMCD作为模式识别方法对滚动轴承的工作状态和故障类型进行分类.对正常状态、外圈故障、内圈故障3种不同类别下的滚动轴承振动信号进行了分析,结果表明了该方法在滚动轴承故障诊断中的有效性.同时,与人工神经网络(Artificial neural network,ANN)算法的对比分析表明,VMPCD算法分类性能的稳定性以及计算效率均要高于ANN算法.     

基于改进小波神经网络的滚动轴承故障诊断

根据轴承故障产生的机理和常用故障特征参数的分析与提取方法,针对滚动轴承系统的非线性和表面振动信号的非平稳特性,采用小波分析法,并对小波分析中容易产生频率混淆而进行改进小波包快速算法。试验结果表明,改进的小波分析能减少频率混淆现象,克服传统小波包快速算法中高低频重迭难以分辨的问题,并利用小波频带分析技术对故障信号中含有的噪声信号进行分离。结合小波和神经网络的优势建立改进小波神经网络的结构模型,研究小波神经网络的学习算法,解决传统BP算法收敛速度慢和容易陷入局部极小值等问题,从学习率和连接权值两个方面对算法进行改进。以N205型滚动轴承在试验台上所测取的试验数据进行网络训练,用振动信号为网络输入向量给出训练结果。仿真实例分析结果表明,采用改进的小波神经网络能够对滚动轴承故障进行分类,且其收敛速度明显快于相同条件下的小波神经网络和改进的BP网络,可有效实现滚动轴承的故障诊断。     

基于S变换谱图纹理特征的输油泵轴承故障诊断

为了实现输油泵轴承故障的智能诊断与识别,针对输油泵轴承振动信号S变换时频图包含丰富故障信息的特点,提出了一种利用纹理分析对S变换等高线时频图进行特征提取的输油泵滚动轴承智能故障诊断方法。该方法对轴承振动信号进行S变换,将S变换获得的等高线时频图作为纹理图像进行分析,提取其Tamura纹理特征中的粗糙度、对比度、方向度作为纹理特征组成特征向量,采用支持向量机作为分类器实现轴承故障的智能诊断。通过实测轴承故障信号表明:该方法能够获得较高的故障模式分类精度,实现滚动轴承的自动故障识别,因而具有较高的工程应用价值。     

基于字典学习的马铃薯叶片病害图像识别算法

为实现马铃薯叶片病害识别,达到及时防治的目的,设计了一种基于压缩感知理论的马铃薯病害图像分类方法。采用K-奇异值分解算法(K-SVD)分别构造了马铃薯早疫病、晚疫病、灰霉病叶片图像病害字典,通过正交匹配追踪算法求解测试样本在不同病害字典下的稀疏系数矩阵,并进行图像重构,求解重构均方根误差。利用不同类别字典本身的差异性,测试样本重构时,误差最小的字典即为测试样本所属病害种类。与支持向量机识别算法相比,该方法能够自学习图像特征,大大降低了图像分割和特征提取复杂度。经对比测试,采用字典学习理论进行分类,马铃薯3种叶片病害单一病斑图片综合识别率达到95.33%,高于支持向量机分类识别算法(识别率92%)。     

基于ICEEMDAN和小波阈值的滚动轴承故障特征提取方法

[目的]针对滚动轴承故障信号非线性、非平稳特征导致的故障特征频率难以提取的问题,提出了一种基于改进的带有自适应白噪声的完全集合经验模态分解(ICEEMDAN)和小波阈值降噪的滚动轴承故障特征提取方法。[方法]首先用小波阈值降噪对故障信号进行预处理,然后利用ICEEMDAN对降噪后的信号进行模态分解,产生一系列的固有模态函数(IMF),并根据互相关系数法提取与原信号相关的模态分量,作各层模态分量的包络谱图,提取滚动轴承的故障特征频率。[结果]通过仿真试验与滚动轴承故障试验分析,并将其与集合经验模态分解(EEMD)处理的进行比较,基于ICEEMDAN方法分解后的包络谱幅值更加明显。[结论]本研究提出的方法能精确地提取滚动轴承的故障特征频率。     

经验模态分解(EMD)在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征，提出了基于经验模态分解(Empiri-cal Mode Decomposition，简称EMD)和神经网络的滚葡轴承故障诊断方法，首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode functioll，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量，并从中提取时城特征措标——峭度或裕度因子作为神经网络的输入参数来识别滚动轴承的故障模式，对滚动轴承的内圈、外圈故障信号的分析结果表明，以EMD为预处理器提取时域特征参数的神经网络诊断方法比直接从原信号中提取时域特征参数的诊断方法有更高的故障识剐率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

基于小波包的频带能量特征提取及智能诊断

提出一种基于小波包和BRF神经网络的智能故障诊断方法。对滚动轴承故障信号进行小波包分解，选择合适的小波基函数和尺度，将故障信号分解到八个不同的频段上，提取这八个频段上的能量信息，组成特征问量，作为RBF神经网络的输入；建立RBF神经网络模型并进行训练，对三种滚动轴承故障信号进行智能分类与识别。实验结果表明这种智能诊断方法有效可行。     

基于改进SAD算法的网格化作物冠层检测方法

为实现自动化精准喷雾,设计了一种基于双目视觉的喷雾定位系统,实现了单株目标作物点云化三维坐标的获取.针对目标作物冠层无规则几何外形的特殊性,提出了网格划分法和引入方差分量的改进SAD(sum of absolute differences)匹配算法.算法在抑制田间背景噪声和提高匹配算法计算效率上取得了较好的效果.     

一类光滑加权块l1 算法的收敛性分析与数值仿真实验

给出了求解块稀疏压缩感知的光滑加权块l1 算法的理论分析,并通过数值仿真实验与3类具有代表性的l1- magic算法、SL0算法和FPC-AS算法进行了对比.实验结果表明,基于块结构的光滑加权块l1 算法能更加有效地 处理块稀疏信号.     

基于压缩感知的农情监测节点稀疏采样决策方法

将压缩感知应用于农情监测节点的稀疏采样,能够有效减少数据冗余和能耗,而如何甄选测量矩阵、稀疏基和重构算法,是实现节点稀疏采样和数据收集质量控制的关键。系统分析了基于压缩感知的单节点稀疏采样与重构方法,设计了基于压缩感知的农情监测节点稀疏采样决策系统功能架构,阐述了Python语言环境下系统的实现技术与效果。系统初步应用表明,对于30d连续监测、采样间隔为15min的花卉植株茎流、土壤湿度数据的压缩感知,宜选择固定采样率,测量矩阵、稀疏基、重构算法分别选取周期测量矩阵、差分矩阵和SL0算法,每2～10d重构一次数据可实现数据恢复代价与精度的良好折衷。     

一种基于无回溯搜索方法的块匹配运动估计算法

针对视频图像的运动估计问题,提出了一种无回溯搜索的快速块匹配算法.算法基于快速模式匹配KMP算法思想,将图像中的块匹配转化为一个一维的串模式匹配.利用子块的自匹配特性,计算子块中每一个像素的next值.当模式中第j个像素与主块中的像素"失配"时,从子块的next数组中找到第r个像素继续比较,不需要回溯到开始匹配的位置.对具有不同复杂运动的视频图像进行实验,结果表明:在搜索窗口大小为(-12,-12)×(12,12)的区域内,与六边形搜索算法相比,在运算速度相同的条件下,本算法可大幅度提高运动估计的精度.     

基于数学形态滤波与LMD的农用电机齿轮故障诊断

由于农用电机中的齿轮运行环境恶劣,早期故障的不易发现,鉴于故障振动信号的非平稳性、非线性,并存在于大量的噪声信号中,很难提取故障特征。该研究采用数学形态滤波与局域均值分解相结合的方法。通过多结构多尺度数学形态滤波器对齿轮故障振动信号进行背景噪声滤除和振动信号提取,结合局域均值分解对信号进行处理,进而提取能量特征参数,并作归一化处理,最后采用BP神经网络对齿轮的各种运行状态进行分类识别。通过分析齿轮的正常状态,磨损和断齿与基于LMD分解的诊断结果作比较,该方法的故障识别率高于基于LMD和神经网络。     

农田残膜压缩成型的参数优化

针对机械回收后农田残膜集条(堆)质地松散、储运本成本高,为残膜二次回收利用带来巨大困难的问题,采用多因素正交试验方法,以残膜成型块松弛比和比能耗为试验指标,压缩力、保压时间、含土率和含水率为影响因子,对影响残膜压缩成型各因素及其影响规律进行研究,建立并分析了各影响因素与残膜成型块松弛比和比能耗的回归模型。试验结果表明:影响残膜成型块松弛比的主次参数依次为:压缩力含土率保压时间含水率;影响残膜压缩过程比能耗的主次参数依次为:压缩力保压时间,含土率和含水率对残膜压缩比能耗影响不显著。残膜压缩成型作业最优参数取值为:压缩力13.3 MPa、保压时间25 s、含土率53.9%、含水率16.7%,可得到残膜成型块松弛比为1.321,比能耗为26.92 J/g。研究结果可对后续农田残膜压包成型机具的设计及作业参数优化提供理论依据。     

基于稀疏表示和HOG特征的掌纹识别方法

针对掌纹识别过程中,采集图象易受到外界光照等物理因素的影响,传统重构方法中稀疏表示算法计算复杂度高等缺陷,提出基于稀疏表示(SR)和梯度方向直方图(HOG)特征的掌纹识别方法,将分类正交匹配追踪算法(COMP)稀疏表示方法与HOG特征相融合,以降低复杂度。该算法首先利用HOG算法提取掌纹训练与测试样本图像的特征矩阵,将训练样本图像的HOG特征矩阵作为稀疏表示的过完备字典;然后运用COMP算法求解掌纹图像在过完备字典上的稀疏表示,将所得的最佳稀疏表示系数对测试图像进行重构;最后通过计算测试样本图像HOG特征矩阵与得到的每类重构图像最小残差的数值确定图像的类别。实验结果表明,该方法有效地降低了计算的复杂度,具有良好的掌纹识别性能。     

基于LMS算法的自适应抗噪通话系统的研究

本文阐述了自适应滤波技术在抗噪通信中的应用及发展，给出了实现自适应信号分离信号提取和增强的LMS算法，并且基于LMS算法实现自适应信号分离器的Matlab仿真实验，对仿真结果相应分析，而后给出硬件实现框图。     

非高斯噪声背景下的管道泄漏微弱信号自适应检测

为了解决输气管道泄漏微弱信号难以检测的问题,基于天然气长输管道模拟泄漏试验数据,针对淹没在非高斯噪声中的微弱信号,提出一种非高斯噪声背景下管道泄漏微弱信号自适应检测技术。因传感器采集的信号包含丰富的低频成分,自适应滤波器跟踪输入信号的变化,消除低频分量,使输入噪声信号的功率谱变得平坦,通过白化后的匹配滤波器,检测出淹没在非高斯噪声中的微弱信号和负脉冲信号发生的时刻。两次管道模拟泄漏试验结果表明,该算法能够有效地检测非高斯噪声背景下管道泄漏中的微弱信号。     

单通道混合信号中周期信号的盲分离

在定义信号周期性的基础上,针对多个周期信号、多个周期信号和其他信号单通道混合的情况,提出了基于特征值分析的周期信号盲分离方法,并对算法的可行性、分离误差及分离效果进行了理论分析.仿真结果表明:该方法能适应较低的信噪比,且具有计算量小、易于实现等优点.     

基于非线性分析的复杂机电系统故障特征提取

针对复杂机电系统振动信号呈现复杂非平稳性的特点,采用Hilbert-Huang变换(HHT)和基于小波包分解的频带能量比例非线性分析方法,对机电转子系统碰摩和不对中故障试验信号进行分析.分析结果表明:基于非线性分析的HHT和小波包频带能量比例方法弥补了原有传统频谱分析的不足,可以清晰的表征故障的瞬时和局部特性,实现故障特征的有效提取.