基于迁移VGG和线性支持高阶张量机的驾驶行为异常检测
基于视觉对驾驶行为进行异常检测中,出于行车安全的角度考虑,在采集驾驶行为样本时异常驾驶行为不能长时间持续,因此数据集会存在异常样本数较少的问题。而对于高阶小样本数据,线性支持高阶张量机(Support Higher-Order Tensor Machine,简称SHTM)具有很好的分类性能。但视觉图像会包括整个驾驶区域,使其存在较多冗余信息,影响SHTM的分类精度,采用视觉几何群19网络(Visual Geometry Group Network19,简称VGG19)对数据进行特征提取能够有效的解决这个问题。同时,对于VGG19训练过程中样本数不足的问题,迁移学习能够很好的解决。因此,提出迁移VGG支持高阶张量机算法(Transfer VGG-Support Higher-Order Tensor Machine,简称迁移VGG-SHTM),利用VGG19对样本数据进行特征提取,并引入迁移学习的方法解决VGG19训练过程中数据样本较少的问题,最后利用SHTM对提取的特征进行分类,实现驾驶行为异常...
基于EMD与响度的有源噪声控制系统
为了提高有源噪声控制系统的降噪效果,提出了基于经验模态分解(empirical mode decomposition,EMD)和响度的控制系统。该系统首先采用EMD方法对噪声源进行自适应分解,并对分解后的各个固有模态函数(intrinsic mode functionI,MF)分量的响度进行计算,然后根据各个分量的响度大小进行残差滤波器的设计。与基于A计权曲线设计的残差滤波器相比,该方法所设计滤波器能更好地抑制响度较小的信号频率成分。对有源噪声控制系统的降噪效果进行了仿真,结果表明,所提出的控制系统比传统滤波-X LMS(filtered-X least mean square)方法和采用基于A计权残差滤波器的系统降噪效果更好。
完全ASTFA方法及其在转子碰摩故障诊断中的应用
在进行自适应最稀疏分析(Adaptive and Sparsest Time-Frequency Analysis,ASTFA)时需要人为地选定分量带宽控制参数λmax,λmax选用不当会引起模态混淆,针对ASTFA的这种缺陷,利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的自适应性,提出完全自适应最稀疏分析(Complete Adaptive and Sparsest Time-frequency Analysis,CASTFA)方法。CASTFA以EEMD分解出来的分量为参考,自适应地确定λmax。仿真结果结果表明CASTFA能够抑制ASTFA方法的模态混淆现象,且分解效果优于EEMD方法。将CASTFA方法应用于转子碰摩故障诊断,结果表明了该方法的有效性。
基于非线性模式分解的旋转机械复合故障特征提取方法
针对旋转机械复合故障振动信号的非平稳特征,提出了一种基于非线性模式分解(NMD)的故障特征提取方法.该方法首先通过NMD将振动信号分解为若干个具有实际物理意义的非线性模态(NM)分量和一个残余分量之和,然后对各NM分量采用包络谱分析提取故障特征.仿真信号的分析结果验证了NMD方法的优越性,在此基础上将NMD方法应用于旋转机械复合故障诊断中,实验数据的分析结果表明,该方法能有效提取出旋转机械复合故障的特征.
基于LFSS和改进BBA的滚动轴承在线性能退化评估特征选择方法
在滚动轴承性能退化评估中,不同工况会影响振动信号特征对故障程度的敏感性,在早期有限样本中选择适用于状态评估的有效特征是实现在线评估轴承性能退化程度的关键。首先提出一种基于均方根的早期有限样本判定方法 Limited Feature Select Sample(LFSS),其次提出一种针对性能退化评估特征选择的改进Binary Bat Algorithm(BBA)算法——Feedback Seeking Binary Bat Algorithm(FSBBA),将其应用于滚动轴承早期有限样本中进行故障特征选择,克服了原始BBA容易陷入局部寻优的缺点。基于LFSS与FSBBA算法,构建了滚动轴承在线状态评估模型,并将其运用于两例滚动轴承全寿命数据特征选择,性能退化评估指标分析结果表明了所提出方法的有效性。
-
共1页/5条