基于YOLOv5的液晶屏微弱特征缺陷检测算法

针对液晶屏显示缺陷中微弱特征缺陷经多次卷积与背景纹理同化导致的检测精度低的问题,提出了一种基于YOLOv5的液晶屏微弱特征缺陷检测改进模型YOLO-Mura。首先,在主干网络中引入Involution算子扩大感受野,增强在空间范围内的微弱特征缺陷信息,并降低模型的浮点运算次数。其次,采用CARAFE上采样算子优化上采样方式,加强对微弱特征缺陷的关注能力。然后,在颈部网络,通过嵌入BiFormer注意力模块,提升网络在强背景干扰下的特征提取能力。最后,采用BiFPN加权双向金字塔结构,提高不同层级的特征融合利用率。在自制液晶屏Mura缺陷数据集上的实验结果表明,YOLO-Mura模型的精确率、召回率、mAP@0.5分别提高了2.2%、6.6%、2.7%,模型计算量降低了66.5%。通过与主流目标检测算法进行比较,结果表明本文最终改进模型对于液晶屏微弱特征的Mura缺陷有较好的检测性能。

基于时频分析的欠定信号盲分离与微弱特征提取

盲源分离对于多振源信号的故障诊断与识别是一种有效的方法,但是传统的盲源分离算法都是针对观察信号大于或等于源信号的情况,但对于观察信号小于源信号的欠定盲分离问题,这在很大程度上制约了盲源分离的实际应用。通过应用经验模式分解和时频分析对非平稳信号分析的优势,提出基于时频分析的欠定盲源分离方法进行设备微弱特征提取。对振动信号进行经验模式分解,并根据分解得到的内蕴模式分量估计源信号个数并选择最优的观察信号,将振动信号与选择的最优观察信号组成新的观察信号进行基于时频分析的盲源分离,通过对仿真信号和齿轮箱实测信号进行验证分析。并与基于独立分量分析的盲源分离算法进行对比,研究表明基于时频分析的盲源分离对混合信号具有更好的分离效果,能够较好地对微弱特征进行提取。

用盲反卷积和改进谱减法提取轴承微弱特征

为了有效提取滚动轴承早期损伤时微弱的故障特征,提出盲反卷积和改进谱减法(SSM)的振动信号分析方法。建立了滚动轴承振动信号卷积分析模型,阐述了冲击传递过程,根据无量纲特征构造了优化盲反卷积滤波器以检测振动信号中的微弱冲击成分。引入高效信号消噪方法——SSM消除盲反卷积后的背景噪声以增强故障特征。由于工程中轴承噪声频带较宽且幅值相差较大,易引起附加噪声分量,在经典SSM基础上,根据滚动轴承振动信号损伤信息存在于低频和高频调制区的特点,通过噪声能量和畸变量指标优化调整参数进行频域谱减。测试信号处理显示了改进SSM的优越性。最后将盲反卷积和改进SSM用于轴承诊断,结果表明该方法能提取滚动轴承早期损伤的冲击特征。

基于混沌振子的微弱特征信号检测原理及应用

介绍了利用混沌振子检测微弱特征信号的原理和实现方法．实验表明该方法能够在信噪比相当低的情况下检测出微弱的特征信号。

自适应二阶双稳态随机共振的微弱特征增强检测方法研究

针对大型机械设备运行环境恶劣故障特征难以提取的问题,提出一种自适应二阶双稳态随机共振方法。首先系统输出信号的信噪比作为蚁群算法的自适应度函数,然后采用蚁群算法优化二阶随机共振系统的参数和阻尼因子,再利用优化得到的最佳参数设置二阶随机共振系统,最后实现微弱故障特征的增强与提取。数值仿真分析表明:该方法可以有效地提取淹没在强噪声背景下的微弱正弦信号;而且深沟球轴承滚动体故障实验结果证明提出的方法能有效增强与提取滚动体故障特征频率。仿真与实验对比结果表明:提出的方法优于传统随机共振方法,归功于该方法不仅能够利用蚁群算法并行选择和优化随机共振系统参数,而且克服传统随机共振方法对高通滤波器的依赖。

杜芬系统检测微弱特征信号的方法及应用

混沌学理论研究发现杜芬系统在其处于混沌状态时,对噪声具有很好的"免疫"功能,而对微弱特征信号却十分敏感。在此基础上,通过对两种不同输入信号的研究,进一步验证了杜芬系统在微弱特征信号检测方面的优势。最后,将其应用到转子的损伤检测中,取得了较好的检测效果。

一种交叉遗传优化MHW的风电机组微弱特征提取方法

针对变速变载、闪电雷击、雨雪冰雹等恶劣工作环境干扰下风电机组微弱特征的提取困难问题,提出了一种基于交叉遗传优化MHW的微弱特征提取方法。该方法通过变形参数调整对MHW小波形状进行拟合匹配,并通过交叉遗传优化算法对该变形参数进行优化,进而通过连续小波变换提取匹配波形优化的微弱特征。通过风电场风电机组齿轮箱振动数据分析,验证了该方法可以较好地抑制强背景噪声干扰,提取风电机组微弱故障特征。

基于优化的Morlet小波旋转机械振动故障信号微弱特征提取方法

主要研究旋转的机械振动信号微弱故障特征提取的一种新方法,建立了仿真模型进行仿真研究,得到的仿真结果能够验证这种方法的可靠与实用性。

ALIF-NLM轴承微弱故障特征提取方法

针对强噪声背景下滚动轴承早期微弱故障特征难以提取的问题,结合自适应局部迭代滤波(Adaptive Local Iterative Filter,ALIF)和非局部均值(Non-Local Means,NLM)去噪方法的优势,提出了一种ALIF-NLM轴承微弱故障特征提取方法。首先,构建了加权峭度-能量比准则来筛选ALIF分解的本征模态函数(Intrinsic Mode Function,IMF)分量并重构信号。其次,结合峭度对冲击信号的敏感性同能量熵对信号能量分布均匀性和复杂程度的评价性能构建最小能量熵-峭度比指标,并以该指标为适应度函数,利用粒子群优化(Particle Swarm Optimization,PSO)算法实现了NLM方法中参数组合的自适应选取。最后,利用自适应NLM对重构信号进行故障特征提取。仿真和试验分析结果表明,该方法能有效提取出强噪声背景下的滚动轴承微弱故障特征信息。

基于Duffing振子的变尺度微弱特征信号检测方法研究

研究了Holmes型Duffing方程的混沌特性用于信号检测的方法,针对该方法只适用检测特定频率成分信号、方程参数选择不便以及噪声影响检测结果等情况,提出基于Duffing振子的变尺度微弱特征信号检测方法.数值分析表明,该方法可以仅用一组确定的参数条件,检测任意频率、任意相位的特征信号.

最大相关峭度解卷积结合稀疏编码收缩的齿轮微弱故障特征提取

针对强背景噪声环境下齿轮早期故障诊断问题,提出了最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)结合稀疏编码收缩的微弱故障特征提取方法。由于最大相关峭度解卷积算法的处理结果同时受滤波器长度参数及解卷积周期参数的影响,为自适应地实现最佳的解卷积效果,利用粒子群算法优良的寻优特性,对最大相关峭度解卷积算法的最佳影响参数组合进行搜索。原故障信号经影响参数优化的最大相关峭度解卷积算法处理后,冲击特征会明显增强,为剔除剩余噪声,对所获解卷积信号做进一步稀疏编码收缩降噪处理,并通过分析降噪信号的包络谱来识别故障特征频率成分。实例分析结果验证了该方法的有效性和可靠性。

自适应奇异值分解的随机共振提取微弱故障特征

针对农业机械设备在强背景噪声下微弱故障特征难以提取的问题,提出一种基于自适应奇异值分解的随机共振微弱故障特征提取方法。首先,将原始信号奇异值分解并重构得到分量信号,构建互信息差分谱,权衡各分量信号对原始信号的贡献率,自适应选取有效奇异值个数,以克服已有方法人为主观选择或仅考虑奇异值大小等不足;其次,对选取的有效奇异值对应的分量信号自适应随机共振,使其微弱故障特征增强;最后,对增强的分量信号统计学平均以提取微弱故障特征。仿真和轴承外圈故障试验结果表明,该方法不仅克服了强背景噪声下有效奇异值的选取困难,而且结合自适应随机共振,有效提取出仿真信号100 Hz和轴承外圈155.5 Hz的故障特征频率,因此,所提方法不仅能够更好的增强微弱故障特征,而且分析结果优于单纯的奇异值分解和随机共振方法。该文提出的方法不仅可适用于强噪声背景下轴承的故障诊断,同时为农业机械设备的轴承故障诊断提供参考。

改进集成噪声重构经验模式分解的微弱时频特征增强方法及应用

基于噪声利用机制,集成噪声重构经验模式分解方法(Ensemble noise-reconstructed empirical mode decomposition,ENEMD)利用原信号中固有噪声分量改善模式混淆现象,并通过固有噪声分量的相互抵消作用实现信号降噪。然而,该方法中关键噪声估计技术采用类硬阈值处理方式,忽略系数之间相关性。为此,研究基于相邻系数降噪原理的ENEMD噪声估计技术,提高固有噪声分量估计的准确性。在此基础上,将改进ENEMD方法引入Hilbert-Huang变换中,提出改进ENEMD的微弱时频特征增强方法。该方法以无模式混淆的本征模式分量(Intrinsic mode function,IMF)准确表征微弱故障信号的瞬时频率,并以降噪IMF有效提高时频谱信噪比,消除时频谱中噪声杂点,显著提高信号时频表示的分辨率,增强微弱故障的时频表征并突显局部故障征兆,为机械早期和微弱故障识别提供有效手段。工程实例表明该方法有效揭示空气分离压缩机碰撞与摩擦故障征兆,并成功提取重油催化裂化机组早期微弱碰摩故障特征。

降速工况下滚动轴承微弱故障特征信号提取新方法

研究降转速工况下滚动轴承微弱故障特征信号的提取,提出了一种基于计算阶次分析、三次样条插值分析与包络谱分析相结合的新方法。基于滚动轴承微弱故障实验测得的降速工况下的转速信号和振动信号,首先对转速信号在时域内积分获得角位移-时间信号,再对该信号进行线性插值获得等角度间隔的角位移-时间信号,然后利用该时间序列对振动信号进行三次样条差值获得等角度间隔分布的重采样振动信号,最后对重采样振动信号进行包络分析及快速傅里叶变换获得阶次包络谱。通过对滚动轴承微弱故障实验信号分析,表明该方法能有效提取出滚动轴承微弱外圈故障和滚动体故障特征信息。该方法为轴承微弱故障特征信号提取提供了一种重要手段,具有广泛的应用前景。

多稳态匹配随机共振在机械早期故障特征提取中的应用

传统单稳态或双稳态随机共振方法的势函数稳态结构单一,难以匹配复杂多变的输入信号;固定尺度因子忽略了与势结构、输入信号之间的协同增强作用;且一阶系统易遭受低频噪声干扰,依赖高通滤波器辅助。因此,提出自适应二阶多稳态匹配随机共振方法,并应用于机械早期故障的微弱特征提取。该方法的优势在于:①多稳态势结构的多样性可与不同的输入信号实现有效匹配;②能实现输入信号、势结构、尺度因子三者之间的协同作用;③二阶多稳态随机共振能够抑制低频噪声干扰。仿真分析和机车轴承故障诊断案例表明:提出的方法相比单稳态和双稳态随机共振方法具有更强的微弱特征增强与提取能力。

基于ITD与SSA的传动箱信号降噪及微弱特征提取

试验采集的传动箱振动信号特征能量通常很小且易淹没在背景噪声之中,针对这一问题,提出了一种将固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)与奇异谱分析(Singular Spectrum Analysis,SSA)相结合的时频分析方法,并用于信号微弱特征的提取。通过仿真信号及试验采集的振动信号进行验证,结果表明:该方法能够有效地从混杂着能量较大的背景信号和噪声干扰中提取出微弱信号的特征频率成分,并达到了很好的降噪效果,提取出的信号更接近于原始无噪声信号。研究为设备运行状态信息的提取与状态识别提供了一种新方法。

基于零相位非抽样小波的微弱特征提取

为消除正交小波非对称性引起的非线性相位对分解结果的不利影响,结合零相位滤波原理与非抽样小波变换,提出了一类具有零相位特性的小波非抽样分解算法——零相位非抽样小波变换.为了降低零相位非抽样小波变换的计算量,采用基于重叠保留法与圆周卷积相结合的快速卷积算法代替传统卷积算法.零相位非抽样小波变换不仅克服了Mallat算法中因隔点采样环节造成的平移可变与频率折叠等诸多缺陷,也消除了传统非抽样小波变换分解结果出现移位与畸变的不足,非常适合于微弱特征提取.通过电机轴承故障诊断实例分析证实了该算法可用于提取微弱故障特征.

阵列调制随机共振在微弱信号特征提取方面的应用

论述了阵列调制随机共振方法在强噪声背景下多频微弱信号特征提取中的工作原理和实现步骤;采用预先设定系统参数的多个并联非耦合随机共振单元形成阵列,将被测强噪声背景下的多频微弱信号分别与不同频率的载波进行调制,生成多个差频均为0.01Hz的信号作为各对应随机共振单元的激励信号,采用龙格-库塔算法求取各单元输出并进行频谱分析,根据0.01Hz处的信噪比判断在微弱信号中是否存在载波频率与差频值之和大小的频率分量,最后综合各个随机共振单元的检测结果生成微弱信号的频率特征向量;仿真结果表明,阵列调制随机共振在微弱信号特征提取方面效果明显,具有很好的应用前景。

多阶FRFT自适应滤波及齿轮微弱故障特征提取

提出了一种基于稀疏信号分解的多阶分数阶傅里叶变换(Fractional Fourier Transform,FRFT)自适应滤波方法,用于分离加减速过程啮合频率包络调制信号,提取微弱故障特征。首先提出基于两级步长FRFT确定基函数来改进多尺度线调频基稀疏信号分解方法,然后根据分解信号将分析信号分成具有较好LFM特性的信号段,采用确定基函数时保留的最佳阶次和分数阶域聚集点对各段信号进行单阶FRFT滤波,实现多阶FRFT自适应滤波。采用该方法对变速器加减速过程振动信号进行滤波解调分析。试验结果表明:基于两级步长FRFT确定基函数,速度快、精度高、抗干扰能力强;该滤波方法计算效率高,不需要选择和设置复杂滤波器,解决了信号频率呈曲线变化时,单阶FRFT滤波失效和多阶FRFT滤波各阶次难以确定的问题,能有效剥离出啮合频率包络调制信号,滤波分量的解调谱能有效提取出早期齿轮故障微弱特征。

基于FRFT滤波的轴承微弱故障特征提取

针对变速器轴承单一和并发早期故障微弱特征难以提取的问题,提出基于分数阶傅里叶变换(FRFT)的阶次包络解调方法。利用线性调频信号在分数阶傅里叶变换域上具有很好时频聚焦性的特点,根据变速器输入轴转速信号及传动比确定FRFT最佳阶次,理论上推导分数阶域聚集位置。根据最佳阶次和聚集位置在分数阶域对目标分量进行分离,并对分离后信号阶次包络解调分析,得到基于FRFT的阶次包络解调谱。经对实测轴承早期故障振动信号进行分析表明,基于FRFT的阶次包络解调谱能有效隔离其他分量和噪声干扰,解除并发故障特征间的互相干扰,提取出轴承单一和并发早期故障微弱特征。