自适应多尺度开闭平均-hat变换及在轴承故障诊断中的应用

针对传统多尺度形态学分析方法(TMMA)因采用全部尺度的算术平均值作为输出结果而影响故障特征提取的问题,提出了一种自适应多尺度开闭平均hat变换方法,并将其成功应用于轴承故障诊断中.首先,借助单尺度形态学算子、多尺度结构元素和加权运算等手段,构建一种多尺度开闭平均hat变换(MAVGH);随后,通过谱峭度指标确定MAVGH的最优尺度范围,并运用布谷鸟优化算法自适应搜索最优尺度范围内的组合权重系数.仿真和工程应用分析结果表明,对于仿真信号,相比TMMA、WMMG、EMD和小波分析,提出方法的特征频率强度系数(CFIC)分别提高了35.88%、33.91%、31.13%和46.97%;对于应用实例,相比TMMA、WMMG、EMD和小波分析,提出方法的CFIC值分别提高了6.26%、8.06%、2.84%和7.68%.

基于DWT与SVM的风门开闭阶段识别方法

为解决因风门开闭导致的风速传感器数据异常波动与误报警问题,提出一种基于离散小波变换(DWT)与支持向量机(SVM)的风门开闭阶段识别方法。使用多尺度滑动窗口将传感器风速监测数据离散化为若干段不同尺度的子时间序列数据,利用统计方法与DWT,提取各尺度子时间序列数据中的统计特征与隐含的波动特征,建立SVM风门开闭阶段识别分类模型。为进一步优化识别结果,基于重叠度(IoU)规则合并、修正、组合、取优分类识别结果,再根据相似准则建立长度方向取变率为2、整体相似比为1∶16的相似试验模型,开展风门开闭扰动试验,验证方法的可行性。结果表明:在测试集上的识别准确率较高,对于风门开闭时间的识别准确率可达到90.08%,风门开闭阶段的划分准确率可达到71.05%,优化滑动窗口尺度数量,可继续增加方法识别的准确率。

基于对比度增强与最大熵的工件表面图像分割算法

针对工业相机采集到的工件表面图像缺陷细节不突出、噪声过大等导致最大熵分割法分割不精确的问题,提出一种将多尺度top-hat和形态学开闭重构相结合,并用最大熵法进行分割的工件表面图像分割算法。首先,将工件图像经多尺度top-hat变换得到对比度增强后的图像;其次,将增强后的图像经过形态学开闭重构得到工件图像背景模型;然后将增强后的图像与重构后的图像融合,最后作最大熵分割。实验表明,该算法不仅能准确分割出工件表面的缺陷,并且使细节部分更加突出,同时抑制图像中的大量噪声。