基于振动时频图像和D-S证据理论的内燃机故障诊断

为抑制循环波动性对内燃机故障诊断结果的影响,引入D-S证据理论,提出一种基于内燃机振动时频图像、局部非负矩阵分解、BP神经网络和D-S证据理论的内燃机故障诊断新方法。首先采用平滑伪魏格纳分布(SPWVD)方法对8种不同气门状态的缸盖振动信号进行分析得到振动时频图像,然后用局部非负矩阵分解(LNMF)方法提取时频图像的特征参数并组成训练集和测试集,用得到的训练集对BP神经网络进行训练,再把测试集输入到训练好的BP神经网络,将输出的结果转化为基本概率赋值,用Deng加权平均证据合成规则对同种状态下不同图像的证据进行合成,并利用合成后的结果进行诊断分类。实例分析结果表明,基于振动时频图像和D-S证据理论的内燃机故障诊断方法可以有效抑制内燃机循环波动性对诊断结果的影响,能够准确诊断不同类型的气门故障。     

内燃机优化VMD-CWD时频表征与BSNMF编码识别诊断方法

针对内燃机振动响应信号强耦合、弱故障特征的问题,提出一种基于参数优化VMD-CWD内燃机振动时频表征与BSNMF分块编码识别的故障诊断方法.利用变分模态分解(VMD)将内燃机振动信号分解成一组本征模态函数(IMF),并叠加IMF分量信号的Choi-Williams分布(CWD)获得时频聚集性良好,无交叉项干扰的振动谱图像.针对VMD分解过程中的参数选取问题,引入功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性.为了实现内燃机振动谱图像的自动识别诊断,在稀疏非负矩阵分解(SNMF)的基础上提出一种更容易收敛的分块稀疏非负矩阵分解算法(BSNMF),用来对内燃机振动谱图进行特征提取,并采用支持向量机对提取的特征参数直接进行模式识别.将本文方法应用于内燃机故障诊断实例中,结果表明:该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机气门机构故障的自动诊断.     

基于RP与NMF的内燃机气阀故障诊断方法

针对传统的内燃机故障振动诊断方法,难以有效提取故障特征,诊断精度较低的缺点,提出一种基于递归图(recurrence plots,RP)与非负矩阵分解(non-negative matrix factorization,NMF)的内燃机故障诊断新方法。该方法是利用图像的方法来进行故障诊断:首先通过递归图将采集到的内燃机缸盖表面振动信号生成图像,然后用非负矩阵对得到递归图进行特征参数提取,最后用分类器进行分类识别完成故障诊断。将该方法应用于气阀机构8种工况下振动信号诊断实例中,结果表明:该方法克服了传统的振动诊断方法从时域或频域进行分析时参数选取和故障特征提取的难题,直接将信号生成图像,对图像进行自适应特征参数提取、分类识别,能有效诊断出内燃机气阀机构故障,故障识别精度高,为内燃机振动诊断探索了一条新途径。     

基于语谱图的改进型LBP肺音识别

为了准确区分各种肺音信号,获得更理想的肺音识别效果,提出了一种基于语谱图的改进型LBP肺音识别方法.首先通过短时傅里叶变换将肺音信号转化为灰度语谱图;其次利用改进后LBP算法计算语谱图的局部纹理关系,将局部二值模式特征进行级联构成特征向量;最后利用支持向量机对正常肺音和三类异常肺音信号进行识别分类.结果表明,该方法对不同肺音信号的识别率可达92.59%,为肺部疾病的医疗诊断提供了新的思路.     

基于时频图像GLCM-HOG特征的往复压缩机故障诊断

往复压缩机的故障诊断技术能够为工业生产提供有效保障,针对传统方法诊断准确率不高的问题,提出了一种基于振动信号时频图像灰度共生矩阵-方向梯度直方图(GLCM-HOG)特征融合的往复压缩机故障诊断方法.首先,采用小波变换的方法处理往复压缩机的振动信号,生成时频图像;其次,利用灰度共生矩阵(GLCM)和方向梯度直方图(HOG)的方法提取时频图像特征,融合构建GLCM-HOG特征;最后,将融合特征输入支持向量机(SVM)进行分类,以判别往复压缩机的运行状态.实验结果表明,所提方法对设备的状态识别准确率可以达到92.33％,能够实现往复压缩机的准确诊断.     

基于振动特征的变压器的故障诊断

变压器振动的主要来源是铁心和线圈振动,铁心与绕组故障引发变压器振动信号变化,故障类型不同信号变化不同.基于自主设计的变压器振动信号采集系统,采集不同故障状态下的变压器振动信号.由于变压器振动信号噪声较多,首先采用基于遗传优化的匹配追踪算法对信号稀疏表示去除噪声,然后对降噪后的不同故障类型信号进行分析处理,最后确定故障诊断方法.研究表明:箱体振动的基频反映铁心的故障,高频分量所占比例反映绕组的故障.一旦出现铁心故障,基频分量会发生明显的改变,运用快速傅里叶变换计算主频幅值的能量即可诊断出铁心故障;绕组发生故障后,会产生大量的高频分量,运用小波-高低频能量算法求取高低频包络谱,对比低频分量与总能量的比值,即可确定故障为绕组垫块脱落故障.     

基于Bayes判别法的内燃机气门间隙故障诊断

以内燃机气门振动信号经过经验模态分解（EMD）方法得到的固有模态函数的关联维数作为判别因子,建立内燃机气门故障诊断Bayes判别分析模型.以内燃机气门故障诊断Bayes判别分析模型计算判别样品的Bayes判别函数值,以最大对应的总体作为样品所归属的总体.对判别准则进行了评价,检验该判别模型的优良性.研究表明：Bayes判别分析模型回判估计误判率很低,为内燃机气门间隙故障诊断识别提供了一种有效的定量化分析方法.     

基于深度学习和激光多普勒测振技术的机械臂电机故障时频尺度诊断方法

机械臂电机振动信号的采集效果较差,影响时频特性分析过程,导致故障诊断效果与精度较差,为此提出基于深度学习和激光多普勒测振技术的机械臂电机故障时频尺度诊断方法。使用激光多普勒测振技术与小波阈值去噪算法,建立机械臂电机振动信号采集系统,获取并重构故障信号;提取电机振动信号的时域、频域等尺度特征,引入人工神经网络建立一个具备学习能力的故障诊断模型,将提取的机械臂电机故障时域、频域等尺度特征输入诊断模型中,输出分类诊断结果,即可完成机械臂电机故障时频尺度诊断。结果表明：利用该方法开展电机故障诊断时,检测结果与实际电机故障类型之间偏差较小,诊断效果好、精度高。     

基于MVMD-MOMEDA的齿轮箱故障诊断方法

针对齿轮箱振动信号受复杂传递路径、强背景噪声的影响导致早期微弱故障难以诊断的问题，提出了一种基于多元变分模态分解(MVMD)和多点最优最小熵反褶积调整(MOMEDA)的齿轮箱故障诊断方法。首先，利用MVMD将融合后的多通道振动信号进行模态分解，得到一系列表征信号局部特征的IMF分量；其次，引入峭度值(Ku),选取最佳模态进行信号重构，剔除含噪声分量高的IMF;最后，对重构信号进行MOMEDA特征提取以识别故障频率，从而进行故障诊断。结果表明，所提故障诊断方法可以有效剔除噪声分量的干扰，识别出信号中的故障冲击成分及其倍频进而确定故障类型。MVMD-MOMEDA方法解决了在单一通道问题上无法处理多源信号的缺点以及早期微弱故障特征难以提取等问题，可为故障诊断和多源信号处理提供参考。     

基于局部宏观特征和微观特征结合的手背静脉身份识别

手背静脉身份识别由于其非接触和不易被污染等独特的优势,已成为各种新型生物特征识别手段中的研究和应用热点.如何提取具有高鉴别性且鲁棒的手背静脉图像特征是本文的研究重点.本文简述了基于局部二值模式(local binary pattern,LBP)的特征提取方法及其改进方法的基本原理,讨论分析了其不足,并针对不足,提出了一种多尺度块中心对称局部二值模式(multi-scale block center-symmetric LBP,MB-CSLBP)算子.本文所提出的MB-CSLBP算子既考虑图像的局部宏观特征,也兼顾图像的微观特征,获取了更加全面的图像信息.在自建的2040幅近红外手背静脉图像数据库中,用MB-CSLBP方法获取图像特征并使用最近邻分类器进行识别.大量的对比实验结果表明,本文所提方法的识别率达到98.21％,优于原始LBP及其改进算子,中心对称局部二值模式(center-symmetric LBP,CS-LBP)和多尺度块局部二值模式(multi-scale block LBP,MB-LBP)等.     

基于复Morlet变换和改进AlexNet神经网络的柴油机气门间隙异常故障诊断方法

针对柴油机缸盖振动信号非线性、非平稳的特点,以及传统故障诊断方法需要先验知识且特征提取费时费力的缺点,提出了一种基于复Morlet变换和改进AlexNet神经网络的柴油机气门间隙异常故障诊断方法。首先通过复Morlet小波将柴油机缸盖振动信号转换为时频图,该变换包含了信号的时频域信息,比单一的时域或频域信号更适合分析柴油机缸盖振动这种非平稳信号;其次将时频图输入至AlexNet神经网络进行特征自动提取并建立故障诊断模型,解决了传统手工提取特征费时费力且需要专家经验的问题;然后通过Batch Normalization和Dropout技术改进网络结构,并优化神经网络超参数以提高模型的准确度和计算效率;最后将本文方法与传统的故障诊断方法应用于柴油机气门间隙异常故障诊断并进行对比,发现其诊断准确率最高,验证了所提方法的优越性。     

基于八链码形状匹配的抽油机井地面示功图凡尔开闭点识别

示功图凡尔开闭点的精准识别对抽油机井工况诊断、功图计产具有重要意义。针对目前示功图凡尔开闭点识别研究局限性,结合大数据环境下抽油机井生产特点,为进一步提高示功图凡尔开闭点识别精准性和实用性,提出一种基于八方向链码形状匹配的抽油机井地面示功图凡尔开闭点识别方法。首先对理论示功图和凡尔开闭点物理表示意义进行分析,用自定义的八方向链码对预处理后的地面示功图进行轮廓提取,再建立形状匹配库,在设定的迭代次数内进行轮廓光滑和链码压缩直至形状匹配成功,最后根据匹配形状定位规则定位凡尔开闭点。应用该方法对胜利油田某区块1650个地面示功图进行凡尔开闭点识别,并将定位的凡尔开闭点运用于60口抽油机井11种工况的识别,基于该方法的识别效果比已有的基于四方向链码多边形近似凡尔开闭点识别方法提高了近1%。结果表明精确识别凡尔开闭点有利于提高抽油机井的故障诊断率和产液量功图计算精准率,从而验证了该方法的有效性。     

基于字典学习的77GHz雷达人体动作识别

基于视觉的人体动作识别方法对光线和视距环境较高,并且存在侵犯隐私的问题,在应用中有局限性。为了解决这个问题,提出一种基于毫米波雷达和字典学习的人体动作识别方法。首先对人体动作的雷达回波信号进行时频分析得到时频图,再使用两种特征提取方法对时频图进行降维描述,将两种降维后的数据融合,通过LC-KSVD字典学习算法同时学习多特征字典和一个线性分类器,最后根据稀疏系数和线性分类器来识别动作。在此基础上,设计77 GHz毫米波雷达动作识别实验系统,结果表明:算法在10种人体动作数据集上达到了97.7%的识别准确率,可见所提方法实现了对人体动作的准确识别。     

特种车辆柴油发动机故障诊断专家系统推理机设计

针对特种车辆柴油发动机故障诊断专家系统知识表示的模糊特性,建立了故障类型的模糊诊断模型,提出了不精确推理方法和模糊匹配策略,采用柴油发动机故障类型诊断的反向推理和故障原因分析及故障消除措施正向推理相结合的混合推理机制,设计了总体目标推理和级目标推理相结合的推理机．系统现场运行的快速推理结果表明了该推理机设计是成功的．     

基于Hilbert谱熵的柴油机故障诊断方法研究

从信号的特征提取出发,采用局域波时频谱分析和信息熵结合的方法--Hilbert谱熵(HSE),进行柴油机振动信号的特征提取和状态识别.首先,对信号进行局域波分解;然后,根据得到的内蕴模式分量计算Hilbert谱;最后,建立基于时频分布的Hilbert谱熵,并以此作为故障识别的特征参数.以柴油机缸套与活塞间磨损的状态识别为例,根据对时域、频域和时频域的信息熵比较分析,证明了Hilbert谱熵对柴油机的状态进行评价的有效性.此方法为柴油机预知维修提供了一个有效的手段.     

基于局部特征和稀疏表示的鲁棒人耳识别方法

作为图像局部特征区域的有效描述方法,局部二值模式是目前对二维图像最有效的纹理分析特征之一。本文提出了基于局部二值模式特征的稀疏表示人耳识别方法。该识别算法首先提取训练人耳图像的局部二值模式特征描述子作为稀疏表示的字典,然后将测试样本的局部二值模式特征描述子表示为字典中所有局部二值模式原子的稀疏线性组合,最后通过求解稀疏表示模型得到稀疏编码系数,根据测试人耳图像的重建误差进行识别。在UND-J2人耳库和USTB人耳库上的实验结果表明,基于局部二值模式特征的稀疏表示人耳识别方法对人耳图像光照变化、姿态变化以及人耳遮挡具有更好的鲁棒性,实现了更高的识别率。     

基于局域波时频分析的机械故障诊断

提出一种新的自适应时频分析方法——局域波法．结合仿真信号与故障检测信号进行分析研究,提出一种新的机械故障诊断方法并将其成功地应用到齿轮箱故障诊断中．振动信号能量在局域波时频分布中的变化,是局域波法诊断齿轮磨损故障的特征．诊断结果表明,局域波时频分析为齿轮磨损故障诊断提供了一种更为有效的手段,在故障诊断工程中具有广泛的应用前景．     

基于粒子滤波的分布式智能故障诊断系统研究

针对传统故障诊断系统硬件结构以及故障识别算法过于复杂的问题,提出并研究了一种基于粒子滤波的分布式智能故障诊断系统.该系统采用ZigBee无线传感网络实现系统分布式多变量参数的实时采集,基于粒子滤波算法在线处理各变量数据,并基于简易模式识别算法获得系统真实状态的准确估计,实现系统故障的智能诊断与故障预示.智能故障诊断系统由ZigBee无线传感数据采集网络、粒子滤波算法、系统状态模型和故障模式识别四部分构成.粒子滤波算法基于粒子序贯重要性重采样和蒙特卡洛方法对传感器采集数据滤波,抑制或消除干扰及显著性误差对系统状态估计的影响,可避免粒子退化.故障模式识别就是求取与粒子滤波输出的系统状态估计曲线残差之和最小的系统状态模型.智能故障诊断系统的实现和实例实验结果表明该系统能实现对象的远程监测、对象状态的精确估计、对象故障的准确诊断,拓宽了分布式传感网络的应用范围,并具有成本低、可靠性高、实时性好和易实现的优点.