未知三维物体模型自动重建是机器视觉领域中经典研究课题之一,目前被广泛应用于工业检测、机器人定位与导航、逆向工程和文物修复等方面。首先确定出单目线激光视觉测量系统的可视区域,由此获得未知模型极限可视表面。通过将两者相结合,提出面向未知三维模型自动重建的新方法。依据初始视点下所获模型表面信息,构造未知空间的极限面模型。然后以极限面来预测未知对象的最大表面延拓信息,结合系统可视区域确定下一视点的可视性判据,给出预测曲面的可视旋转和平移区间,并将可视区间内能获取最大曲面面积的位置定为下一个最优视点的位置。通过对实体模型的自动重构,验证了方法的可行性及有效性。

针对滚动轴承故障信号的非线性特性及不同故障类型信号具有不同形态特征的特点,提出一种基于改进变分模态分解(VMD)形态谱和模糊C均值聚类(FCM)算法相结合的故障诊断方法。采用VMD方法对滚动轴承振动信号进行分解,针对分解过程中关键参数的选取,提出相关参数选择方法,并计算各固有模态函数(IMF)的能量波动系数,以获得对信号特征信息敏感的模态分量进行重构。计算重构信号的形态谱以反映信号的形态特征。通过FCM算法实现滚动轴承工作状态和故障类

提出一种基于自适应白噪声完整经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）奇异值熵和支持向量机（support vector machine,SVM）的转子故障诊断方法。利用CEEMDAN方法首先对非平稳的转子振动信号分解得到若干个表征信号自身特性的固有模态函数（intrinsic mode function,IMF）,并通过虚假IMF分量判别法,剔除对于故障特征不敏感的IMF,以保证故障信息提取的准确性和有效性,在此基础上产生初始特征向量矩阵。并对此矩阵进行奇异值分解得到矩阵奇异值,使其作为故障特征向量,通过归一化处理得到奇异值熵,并以此作为SVM的输入,对转子的工作状态进行识别。研究结果表明：该方法可有效应用于转子故障诊断,实现对转子工作状态和故障类型的有效诊断。

针对发动机敲缸故障信号非平稳性并伴随强烈环境噪声的特点,提出基于改进希尔伯特-黄变换的故障诊断方法。该方法以发动机敲缸声音故障信号为研究对象,首先采用快速独立分量分析法将环境噪声等影响诊断准确性的因素从所采信号中分离,再利用总体平均经验模态分解和希尔伯特变换求出信号希尔伯特谱和边际谱,结合时域和频域特征进行故障诊断。通过仿真实验验证了所提方法的有效性,同时,实际试验证明：通过改进希尔伯特-黄变换方法所获得的希尔伯特谱和边际谱能够清晰呈现故障信号时域和频域内的细微特性,为该类故障的诊断提供了一种切实可行的方法。

针对希尔伯特-黄变换中经验模态分解方法存在的端点效应和虚假固有模态函数的问题,提出一种改进希尔伯特-黄变换方法并将此方法应用于滚动轴承故障诊断中。首先,利用最小二乘支持向量机和镜像延拓相结合的方法来抑制端点效应;其次,采用敏感固有模态函数选择算法选出反映故障特征的敏感固有模态函数;最后,利用敏感固有模态函数的包络谱进行故障诊断。通过仿真分析和应用实例可看出,该方法能够有效提取出滚动轴承故障信号的特征信息并准确诊断出引起滚动轴承的故障原因。

针对转子故障诊断过程中噪声干扰大,故障特征难以提取的问题,首次将基于集合经验模态分解-独立分量分析（EEMD-ICA）方法应用到转子故障特征识别中。该方法可有效抑制模态混叠现象,准确分离出包含在信号内部的噪声成分。实验结果表明,所提方法去噪效果明显,能够有效提取转子故障特征。