基于PVMD和MMDE的滚动轴承故障诊断

目的针对非线性、非平稳的滚动轴承故障特征信号提取不足进而影响故障判别的问题,提出一种主成分变分模态分解(PVMD)和均值多尺度散布熵(MMDE)的滚动轴承故障诊断方法。方法首先,采用主成分变分模态分解法处理故障信号,对分解的本征模态函数进行去冗余操作,得到降维主元模态函数(PIMF);然后,对初始特征信号进行多尺度散布熵运算,求取散布熵的均值形成均值多尺度散布熵(MMDE);最后,把得到的熵值作为特征向量输入到支持向量机中进行故障判别。结果在轴承数据集上进行实验验证,该方法的故障识别精度达到了98.33%。结论相较于对比实验等方法,所提方法有效提取了故障特征,具有很好的故障判别效果,进一步提高了故障诊断识别精度。

基于优化VMD和MHA-DenseNet的滚动轴承故障诊断

针对传统特征提取的故障诊断技术不能充分表征振动信号故障特征导致故障识别精度不高的问题,提出一种优化VMD和MHA-DenseNet的滚动轴承故障诊断方法。首先,采用麻雀搜索算法(SSA)对变分模态分解算法(VMD)的相关参数组合进行寻优;其次,采用优化VMD分解滚动轴承故障信号,获得的本征模态函数分量(IMF)作为神经网络输入数据;最后,构建多头注意密集神经网络(MHA-DenseNet)故障诊断模型来有效学习故障数据中的特征信息并完成滚动轴承的准确诊断。实验结果表明,提出的故障诊断方法识别率高达99.03%,相较于对比实验该方法提高了故障诊断的准确率。

高斯-拉普拉斯金字塔法重建多分辨率锥束CT三维图像

为解决锥束CT重建不同分辨率三维图像需求,提出一种高斯-拉普拉斯金字塔法重建多分辨率锥束CT三维图像方法.该方法对锥束CT采集到的投影数据进行高斯金字塔分解,将分解后的低频图像集进行FDK重建得到低分辨率三维图像;构造拉普拉斯金字塔获得对应分解图像的残差图像集,均值滤波后与低频图像集融合,对融合数据重建后的三维数据双线性插值进而得到高分辨率三维图像且在重建高分辨率三维图像过程中耗费时间与传统FDK算法相比能够缩短1/2以上.