提出了将局部特征尺度分解(Local characteristic-scale decomposition,简称LCD)和改进Teager能量算子(NTEO)相结合的滚动轴承故障诊断方法.首先简单介绍了近几年新提出的一种自适应时频分析方法LCD,它能够将一个复杂的多分量信号分解为若干内禀尺度分量(Intrinsic scale component,简称ISC),计算各阶ISC的峭度和与原信号的相关度,然后对峭度和相关度都比较大的ISC用NTEO计算瞬时Teager能量序列,接下来把各阶Teager能量序列相加得到总的能量序列,最后对能量序列做快速傅里叶变换,查找故障频率.分别把有内圈和外圈故障的轴承的振动信号进行了分析,有效的提取出了故障特征频率,并与传统的Hilbert包络谱方法和Teager能量谱进行对比,验证了方法的优越性.

利用机器视觉来实现零件尺寸的测量因其操作方便,节省人力,越来越受到学者的重视。利用结构光来实现轴类零件的测量时,需要预先知道回转轴线在相机坐标系的位置。首先回顾分析了目前提出的转轴标定算法,讨论了以往的标定方案的可取和不可取之处,然后在前人基础上提出了一种新的解决方法。首先通过夹具将标定板固定在三爪卡盘上,使标定板相对三爪卡盘空间位置固定,然后旋转三爪卡盘从而得到一系列标定板图像。因为标定板和轴心有确定的几何关系,通过这一系列标定板平面上的特征点通过最小二乘法即可演算出轴心位置。在所提方法的基础上进行了实验,结果表明提出方法准确且具有一定应用价值。

位置与背景鲁棒的区域提取技术一直以来都是DM码识别技术中的关键核心。目前,已有的二维码区域提取主要是利用卷积神经网络或者BP神经网络等方法来实现的,其共同特点是基于神经网络,且有较高的准确率,但这些方法仍存在以下缺点(1)训练过程复杂繁琐;(2)训练后仍需对图片进行特征变换或者图片重组才能达到对其进行定位识别的目的。针对该问题,提出了一种基于语义分割技术的DM码条码区域提取方法先采用基于深度学习的SegNet网络从图片中分割出包含二维码的最小区域,再对得到的区域进行二维码定位与解析,并进行了实验验证。实验结果表明,与已有的基于神经网络定位二维码区域的方法相比,利用SegNet的定位方法更为简洁高效,能够将准确率提高到99.5%,且具有更高的鲁棒性。