针对复杂背景下无人机航拍图像中绝缘子的分割问题,提出一种基于果蝇优化的简单线性迭代算法(FSLIC)对绝缘子图像实现自适应的分割方法。为了使所提方法具有更高的分割精度,首先通过FSLIC将绝缘子从复杂背景中大致分割出来。传统的简单线性迭代聚类方法(SLIC)中的K值对分割效果有较大影响,故提出了一种自适应确定K值的FSLIC方法,消除人工选择K值造成的误差;然后为了剔除伪目标,对超像素区域内的颜色、纹理、形状特征进行特征融合,消除了由于特征选取不当造成的伪目标干扰问题;最后利用特征相似度的方法,构建出超像素区域间的相似度矩阵,通过对相似度矩阵使用复杂网络社区进行聚类得到分割后的绝缘子图像。

为了进一步提高深度神经网络(Deep Neural Network,DNN)在轴承故障诊断中的可靠性和稳定性,对深度学习(Deep Learning)中的一些关键技术进行了研究、借鉴以及改进。具体地沿用传统DNN中被广泛用于无监督学习的去噪自动编码器(Denoising Auto-encoder,DAE)进行特征提取,使得特征提取过程不再依赖于先验知识;然后对传统DNN中的DAE进行稀疏化处理,使得特征的提取更加合理、准确;并在DNN中引入核函数运算形成多核结构,提高诊断结果的可靠性以及鲁棒性。最后通过具体的实验,与传统DNN、支持向量机(Support Vector Machine,SVM)等故障诊断方法相对比,来最终反映基于稀疏化DAE的多核结构DNN在轴承故障诊断领域更优越的正确率与稳定性。

针对传统刀具磨损预测中存在的自适应性不强和预测精确度低的问题,提出了特征工程和Dropout深度前馈网络相结合的刀具磨损预测方法.首先从刀具状态监测框架下的多传感器信号中提取全面的特征,与刀具的元信息进行信息融合,然后通过假设检验和Benjamini-Yakutieli过程选择与目标磨损相关性强的特征,最后构建Dropout深度前馈网络学习选择的特征与目标磨损之间的映射关系.实验结果表明,提出的这种预测方法的训练过程稳定性高,而且能更精确地预测刀具的磨损.

三维重建课题虽然已经被提出了40余年,但其依然存在效率低、准确性差与模型有歧义等问题。针对上述问题以法兰零件为例提出一种基于工图图像的法兰零件重建方法,方法以工程图纸的扫描图像为研究对象,对其进行降噪、分割与细化等处理,然后采用Harris角点识别算法与Hough圆检测算法提取并统计其上特征,并采用BP神经网络识别并提取零件重建的必要参数,最终实现了法兰模型的三维重建。为工程图纸的三维重建提供了新思路与方法,对后续研究有一定的指导意义。

利用改进的CEEMDAN和RBF神经网络相结合的方法识别压缩机气阀故障。首先利用改进型CEEMDAN对实验采集的振动信号进分解,该方法克服了传统方法在处理模态混叠和虚假分量方面的不足,并提出基于改进型CEEMDAN和奇异谱熵相结合的信号处理手段,对振动信号构造特征向量,最后将特征向量输入RBF神经网络进行模式识别训练。研究结果表明基于改进型CEEMDAN和奇异谱熵的信号处理方法可以有效地提取出往复式压缩机阀片故障的特征,而RBF神经网络算法在对压缩机阀片故障进行模式识别时准确率高达99.58%。

针对管道缺陷的风险评估,预设了工程实际中常见的管道凹坑、孔洞和裂纹典型缺陷特征,构建了实验测试平台,传感器采集信号。针对信号非线性非平稳的处理问题,提出一种基于ICEEMDAN-ICA的管道缺陷多特征融合信号处理方法,对管道的孔洞、凹坑和裂纹缺陷进行多特征提取,提取样本熵、近似熵和奇异谱熵进行特征融合,通过ELM分类器进行模式识别。研究结果表明,特征融合的方法大大提高了识别的准确率,达到了95%。

为了诊断回转窑工作故障和评估窑运行状况,有效提取窑筒体故障的特征信号极为重要。通过分析故障状态下窑筒体与托轮之间受力关系,建立托轮振动模型,得出窑故障与托轮位移振动的关联关系。针对现有窑筒体故障特征信息提取方法的不足,提出基于小波包分解的特征频率提取方法,对实际采集的数据进行小波包分解和提取特征频段进行重构。对重构后的数据进行Hilbert分析表明,采用小波包分解方法在托轮位移信号中提取2个窑故障特征频率,即筒体工作频率(KH)与托轮工作频率(RH),并以KH和RH的能量密度作为评估参数来分别反映筒体弯曲和各托轮超载受力的故障程度。通过对实测回转窑托轮信号进行处理,表明所提出方法有效,从而为后续研究回转窑运行故障的在线监测提供了新思路。

提出了采用SURF特征匹配的方法对钻杆接头目标识别的控制方法。对钻杆接头获取目标图片后进行工作环境干扰模拟和自身工作状态模拟预处理,以提高仿真实验的真实准确度,便于更好地对不同环境和工作状态的目标特征的匹配识别。对预处理后的钻杆接头图像采用SURF特征提取匹配的方法进行图像目标识别,模拟实验中主要对SURF特征匹配阈值和匹配特征点的数量进行了学习。实验结果表明,文中提出的图像目标识别方法效果较好,为井口自动化工具的全自动化、智能化控制提供一种思路,具有一定的参考价值和借鉴意义。

表面肌电(surface electromyogram,s EMG)信号的去噪处理和特征提取的效果好坏直接关系到识别的准确率。以获得较高的识别准确率为目标,对肌电信号的去噪处理和特征提取展开研究。先对表面肌电信号进行小波阈值去噪;再分别运用时域、频域和时频分析对去噪后的信号进行特征提取;最后利用BP神经网络对肌电信号进行分类。实验结果较好地实现了对肌电信号的分类,分类识别率为97%±2%。

针对滚动轴承早期故障特征信号微弱、难以提取的特性,引入一种基于总体经验模态分解方法(CEEMDAN)和快速独立分量分析(FastICA)相结合的滚动轴承故障特征提取方法。该方法首先通过CEEMDAN和峭度、相关系数结合,完成信号的分解与重构。然后构建噪声通道,使用快速独立成分分析进行去噪分析,获得去噪信号。最后,对分离出的最佳估计信号进行包络谱分析并得到故障特征频率。该方法有效降低了噪声干扰,能够对故障特征频率进行有效识别。