利用磨削火花信号识别砂轮磨损状态

本文提出了利用磨削火花温度信号在线识别砂轮磨损状态的新方法。在大量试验的基础上,根据磨削火花信号的特性及砂轮磨损过程的特点进行了机理探讨,获得了磨削火花信号特征量与砂轮磨损状态之间的对应关系。研究结果表明,所提方法是可行的,磨削火花信号的统计特征量能够反映砂轮磨削的不同状态。本文研究为进一步利用磨削火花信号实现砂轮磨损状态在线辨识提供了基础。     

利磨削火花信号识别砂轮磨损状态

本文提出了利用磨削火花温度信号在线识别砂轮磨损状态的新方法。在大量试验的基础上，根据磨削火花信号的特征及砂轮磨损过程的特点进行了机理探讨，获得了磨削火花信号特征量与砂轮磨损状态之间的对应关系。研究结果表明，所提方法是可行的，磨削火花信号的统计特征量能够反映砂轮磨削的不同状态。本文研究为进一步利用磨削火花信号实现砂轮磨损状态在线辨识提供了基础。     

基于多传感器融合的磨削砂轮钝化的智能监测

利用多传感器信息融合技术 ,通过模糊分类的方法对不同的磨削条件进行模糊化处理 ,构建了砂轮钝化监测多传感器融合系统结构 ;应用BP神经网络将磨削过程中声发射、磨削力和功率传感器信号合理融合 ,提出了自适应变学习率策略 ,将其神经网络输出的信号特征值作为表征砂轮钝化状态识别的判据 ,进行了砂轮钝化监测实验·结果表明 ,使用多传感器信息融合方法比使用单一传感器方法识别率高 ,监测效果好 ,并可实现智能监控和及时修整砂轮     

磨削过程信号监测与砂轮磨损预测模型构建

针对磨削过程中砂轮磨损难以直接监测的问题,提出了基于多特征优化融合的随机森林(MFOF-RF)算法,以实现砂轮磨损的准确预测.对外圆纵向磨削中采集的功率、加速度和声发射信号进行预处理和特征提取,获得平均值、有效值以及峰值频率等多个时域和频域信号特征.以统计学指标为评价标准,对预测模型的参数进行调优,确定了最佳的砂轮磨损信号特征组合.结果表明,相比于使用单一特征预测砂轮磨损,MFOF-RF模型提高了信号特征与砂轮磨损的相关程度,预测误差降低了30%以上.     

金刚石砂轮表面二维形貌全场测量和分析

为了实现金刚石砂轮表面二维形貌的全场测量,有效评价砂轮形貌对磨削力、磨削深度、功率消耗、磨削温度、加工精度的影响,提出基于机器视觉的测量方法;结合CCD感光元件和自动砂轮驱动回转技术实现砂轮形貌的非接触全场测量.根据测量对象尺寸和测量特征量优化选取单次采样面积,通过不重叠拼接实现全场成像;对图像进行处理,提取特征磨粒,分析金刚石砂轮表面形貌的二维关键指标.采用搭建的系统对钎焊金刚石砂轮进行测量实验研究,提取磨粒总数为1 518颗,磨粒分布密度为0.5 颗·mm^-2,磨粒平均面积为0.404 mm²,磨粒平均粒径为0.359 mm.实验结果表明:文中方法可实现对钎焊金刚石砂轮表面形貌的非接触全场测量,并提供砂轮表面磨粒数、粒径及位置等关键参数.     

细粒度金刚石砂轮表面磨粒识别研究

准确地评价砂轮表面形貌对磨削机理研究、磨削过程优化、磨削过程的建模与仿真等具有重要意义,而准确的磨粒识别是砂轮形貌测量和评价的关键. 对超精密磨削所用细粒度金刚石砂轮磨粒粒径的分布特点和砂轮表面上磨粒的轮廓波长进行了分析. 从采样间隔和取样面积的角度对金刚石砂轮表面三维形貌测量仪器的选择进行了探讨. 应用数字滤波消除砂轮表面三维数字信息中的高频分量,然后提取金刚石磨粒的几何特征,提出了依据磨粒轮廓频率特征、磨粒间距和磨粒曲率半径识别金刚石磨粒的方法. 采用基于扫描白光干涉原理的三维表面轮廓仪?3000金刚石砂轮表面形貌进行了测量,对砂轮表面中包含的金刚石磨粒进行了识别,实验结果证明所提出的磨粒识别方法合理有效.     

基于AE信号的新型砂轮点磨削状态监测方法

提出了一种基于声发射(AE)信号对新型点磨削砂轮磨削状态进行实时监测方法.建立了表面粗糙度与AE信号的对应关系,为监测磨削加工表面粗糙度提供了条件.采用单因素实验研究了各参数对AE信号RMS值的影响规律,结果进一步证明了AE信号与表面粗糙度的对应关系.对比分析了砂轮不同磨损状况下的AE信号,依据此信号可对磨削状态进行实时监测.为了区分声发射源性质的异同,对磨削过程中的AE信号进行了频谱分析,砂轮发生磨损时,AE信号在45~65kHz,80~90kHz,100~110kHz频段的能量升高显著,并且在15kHz附近出现了很高的尖峰,为监测磨削状态提供了一种可行且有效的方法.     

工程陶瓷高效深切磨削加工中声发射的实验研究

通过对部分稳定氧化锆(PSZ)和Al2O3两种工程陶瓷材料进行高效深切磨削加工中声发射的实验研究,分析了这两种材料在高效深磨过程中,在不同的砂轮线速度、工作台速度和磨削深度的条件下声发射信号变化的规律;同时也分析了在同一磨削参数下这两种材料对声发射信号的影响. 还分析了砂轮修整前后声发射信号的变化. 进一步在时域分析的基础上,对声发射信号进行了频谱分析. 分析了高效深磨过程中声发射信号的频谱分布范围. 实验研究结果表明,声发射信号与磨削过程有着良好的对应关系,可以利用磨削过程中声发射信号的变化规律实现对工程陶瓷材料高效深磨削过程的监测和控制.     

用于磨削加工的声发射监测仪的研究

本文在研究切削声发射测量仪的基础上，研制了一种检测磨削加工砂轮与工件接触特性的声发射监测仪，它通过声发射信号的幅度变化准确地同磨削加工过程中砂轮与工件接触特性，实验表明，这种方法具有一定的对刀和测量精度，并上有较高的灵敏度。     

氧化铝陶瓷磨削金刚石砂轮磨损的声发射监测

阐述了声发射监测工程陶瓷磨削的研究进展,发现目前对金刚石砂轮磨损监测研究基本上是选取声发射信号均方根(即有效值)进行分析,且金刚石砂轮磨损状态的声发射监测准确率不高.为提高金刚石砂轮磨损状态的声发射监测准确率,设计了氧化铝陶瓷磨削声发射实验,并采用支持向量机建立金刚石砂轮磨损状态的分类模型.分析发现氧化铝陶瓷精密磨削中声发射信号最强频谱能量在30~40kHz频段.金刚石砂轮轻度磨损、严重磨损钝化和修锐之后的磨削声发射信号频谱有明显不同;而且磨削声发射信号小波分解系数的方差值能够很好地反映金刚石砂轮磨损状态.结果表明采用磨削声发射信号的小波分解系数方差作为支持向量机判别金刚石砂轮磨损状态的输入特征,金刚石砂轮磨损状态分类测试的准确率达100%.     

一种基于核最大间距准则改进的特征提取方法

针对非线性特征提取问题,基于核最大间距准则(KMMC),提出一种新的特征提取方法,即一组具有统计不相关性的最优核鉴别矢量集的简单计算方法.与原KMMC特征提取方法相比,新的特征提取方法消除了最优核鉴别矢量间的统计相关性,提高了特征提取的有效性.通过在ORL人脸库和YALE人脸库上进行试验,结果表明提出的特征提取方法在有效性方面整体上好于原KMMC特征提取方法和常用的核主成分分析(KPCA)法.     

基于局域判别基空间能量的特征提取

针对模式识别中如何提取信号有效特征的问题,对信号进行小波包分解,求取小波包局域判别基,提出求取局域判别基的各子空间的能量,形成特征矢量的特征提取方法。利用Fisher准则函数进行特征选择,得到识别特征矢量。在水声模式识别实例中应用此方法提取特征矢量进行分类实验,取得良好的分类效果,验证了该方法的有效性。     

基于多方法结合应用的齿轮箱故障特征提取研究

基于振动信号分析的齿轮箱故障诊断的关键是实现对信号中故障特征的提取.由于在工程实际中采集到的齿轮箱振动信号含有较强的噪声干扰,所以单一的信号分析方法难以实现对故障特征的提取.因此将两种或两种以上方法相结合应用于齿轮箱振动信号的处理成为当前的研究趋势.为研究将不同方法相结合应用于齿轮箱故障信号特征提取的优势,对大量文献的研究成果进行了归纳整理.综合分析发现:将多种方法结合应用于齿轮箱振动信号特征提取,可有效避免单一方法的局限性,充分发挥不同方法的优势.总结了在齿轮箱故障诊断领域中分别以频谱分析为基础和以非线性理论为基础的将不同信号处理方法结合应用于齿轮箱故障特征提取的现状,最后针对多种方法结合应用于齿轮箱故障诊断的发展趋势提出了建议.     

基于声发射信号的精密外圆切入磨削加工时间优化及仿真

针对精密外圆切入磨削智能监控的需求,设计了一种基于声发射信号的精密外圆切入磨削加工时间的在线优化算法。通过建立AE信号RMS曲线理论模型,获得了声发射信号与磨削系统时间常数的关系,建立了优化前各阶段AE信号RMS曲线;编写外圆切入磨削加工时间的在线优化算法,通过试验分析磨削系统加工时间对加工精度及表面粗糙度的影响,并对优化算法进行验证,建立优化后各阶段AE信号RMS曲线。试验结果表明:该优化方法能够在保证总去除量不变的情况下缩短加工时间,为精密外圆切入磨削提高加工效率、改善加工工艺提供了重要依据。     

基于相空间重构和PSO-K-means的球磨机负荷状态识别方法

针对球磨机振动信号具有强随机性、非平稳性和非线性等内在特性导致负荷状态难以识别的问题,提出一种基于相空间重构和PSO-K-means的球磨机负荷状态识别方法。首先,利用改进前后的自相关系数算法对Lorenz与Rossler两种混沌时间序列进行数值模拟,得出延迟时间和嵌入维数精准有效的计算方法;其次,验证出球磨机筒体振动信号具有混沌特性后对其时间序列进行相空间重构,恢复出等价的混沌吸引子;接着,针对3种不同负荷状态下的相空间吸引子进行特征提取,分析了关联维数特征量的变化规律;最后,将关联维数作为特征向量输入PSO-K-means聚类模型中对球磨机负荷状态进行分类与识别。结果表明,PSO-K-means聚类模型在负荷状态识别时有较高的精准性,欠负荷、正常负荷、过负荷下识别精度分别为94.2%、96.3%、94.8%。以上结果证实了该方法能够实现对球磨机负荷状态的有效识别。     

基于VMD与改进DAE人车地震动包络信号识别算法

摘　要解决对野外环境中低信噪比的人车地震动信号进行分类时传统模式识别方法应用不便，以及识别率较低的问题，通过基于包络检波、变分模态分解（VMD）和改进的深度自编码器（DAE）的特征提取算法研究了针对该类信号的处理方法和特征提取方法。首先对目标的地震动信号进行希尔伯特变换，获取信号的平滑包络线，然后对包络线进行变分模态分解，并用相关系数对分解得到的IMF信号进行筛选，并将相关度较高的分量加权合成为高信噪比的中间信号，再对其使用改进的深度自编码器中进行特征提取。最后使用泛化性能好的随机森林算法对信号进行分类，从而实现对人车目标的识别和分类。结果表明：该算法对两类目标综合识别正确率较其他传统算法有较大提高。可见该算法针对该类目标有应用价值。     

二维线性大间距判别分析及其在步态识别中的应用

提出一种二维线性大间距判别分析(Two dimensional linear maximum margin discriminant analysis,2DLMMDA)的投影算法。该算法一方面采用了有效且稳定的大间距优化准则,引入了Laplacian矩阵,保持了特征矩阵的流形结构,且优化域为Laplacian类间散度与Laplacian类内散度之差,能克服Fisher准则带来的小样本问题;另一方面,采用了具有监督信息的判别分析,大大地提高了识别率。为了验证所提出的算法对特征提取的有效性,选择最近邻分类器进行特征分类,最后通过在CASIA(B)步态库上实验。实验结果表明,文中提出的算法具有更高的识别率和识别速度。     

EEG Signal Denoising and Feature Extraction Using Wavelet Transform in Brain Computer Interface

Electroencephalogram (EEG) signal preprocessing is one of the most important techniques in brain computer interface (BCI). The target is to increase signal-to-noise ratio and make it more favorable for feature extraction and pattern recognition. Wavelet transform is a method of multi-resolution time-frequency analysis, it can decompose the mixed signals which consist of different frequencies into different frequency band. EEG signal is analyzed and denoised using wavelet transform. Moreover, wavelet transform can be used for EEG feature extraction. The energies of specific sub-bands and corresponding decomposition coefficients which have maximal separability according to the Fisher distance criterion are selected as features. The eigenvector for classification is obtained by combining the effective features from different channels. The performance is evaluated by separability and pattern recognition accuracy using the data set of BCI 2003 Competition, the final classification results have proved the effectiveness of this technology for EEG denoising and feature extraction.     

基于脑电信号在复杂场景下的联合算法

在基于快速傅里叶变换的联合算法和基于支持向量机的联合算法的基础之上，文中提出了一种复杂场景下针对5类以上脑电信号处理的新型联合算法. 目的在于提升脑电信号处理与分析的精度与综合效率. 新型联合算法首先采取归一化进行数据预处理，然后融合快速傅里叶变换和主成分分析进行特征提取，最终以加权k近邻分类算法进行特征分类，应用于被试观察0~9数字时产生的脑电信号分类. 结果证明:新型联合算法的精度和综合效率分别为84%和87%，可以运用于复杂场景下的脑电信号处理.     

非刚性人体运动动作图像姿态轮廓提取算法

针对人体运动动作图像提取传统方法仅能获取局部最佳解, 提取的特征序列不连续, 导致轮廓提取效果差的问题, 提出一种非刚性人体运动动作图像姿态轮廓提取算法. 首先, 对人体运动动作图像序列中的尺度不变特征变换(SIFT)进行提取预处理, 获取人体特征提取图, 设计一种人体运动序列顺序概率图模型, 以保证特征序列提取的连续性; 其次, 构建人体肢体外观模型, 基于该外观模型采用序列影像高精度轮廓提取算法提取当前人体运动动作帧的轮廓线. 实验结果表明, 该算法能提取连续的特征序列, 提取的人体姿态轮廓精确度较高, 且具有较高的效率和鲁棒性.