基于D-S证据理论的磨粒识别

基于D-S证据理论的信息融合方法应用于磨损颗粒的自动识别,编制了相应的计算机识别程序。在对磨粒图象的形态特征参数进行筛选和统计分析的基础上,确定了各参数的统计容许限和决策基元概率。通过对一组标准磨粒的模拟识别试验,显示该方法具有算法简单、运行可靠、识别正确率高以及识别速度快的优点。

发动机铁谱磨粒分析与磨粒识别研究

从发动机摩擦副及其摩擦磨损特点着手, 提出了用于发动机磨损状态监测与诊断的主要 10类磨粒, 依据其识别特征提出了用于磨粒识别的 14个磨粒形状、表面纹理与颜色特征; 最后应用BP网络分层识别策略进行了磨粒识别。

灰色定权聚类在磨粒识别中的应用

引入了一套磨粒的形态学参数描述体系 ,实现了磨损颗粒图象的数值描述 ,并将灰色系统中的定权聚类技术用于磨损颗粒的自动识别 ,编制了相应的计算机模拟程序。在识别过程中根据某型航空发动机的滑油磨粒监测试验 ,确定了磨损颗粒各形态参数的聚类权值和灰类白化权函数。应用此方法对一组测试磨粒进行了模拟识别 ,识别正确率在 90 %以上 ,并且识别速度很快 ,大大优于传统的磨粒识别方法。

基于IGA和LS-SVM的航空发动机磨粒识别

针对磨粒识别中的LS-SVM分类器性能参数难以选择的问题,提出一种改进的遗传算法(IGA)对其进行优化选择。该算法将轮盘赌选择法与最优保留法相结合,采用一种随世代数增加而不断自动调整的交叉概率和变异概率,既提高了收敛速度,又易得到全局最优解。基于IGA的LS-SVM分类器磨粒识别方法为,利用主成分分析法(PCA)优选磨粒特征参数,并将结果作为样本训练LS-SVM分类器;通过改进遗传算法优化分类器参数,并通过测试样本测试分类器性能。仿真实验结果表明,此分类器的分类精度高,分类速度快。

因子模糊化BP神经网络在磨粒识别中的应用

在引入磨粒形态学描述子提取磨损颗粒显微形态特征的基础上 ,用人工神经网络技术 ,编制了用于磨损颗粒自动识别的 BP网络计算机模拟程序 .应用所引入的因子模糊化训练法可使训练速度加快 .以异或问题为例 ,速度可提高 5～ 1 0倍 .用此网络对磨粒测试库进行识别实验发现 ,识别速度快且正确率在 90 %以上 。

一种用于磨粒识别的基于改进PSO算法的支持向量机模型

为提高磨粒智能识别的准确率,以传统支持向量机和粒子群优化(PSO)算法为基础,提出一种基于改进PSO算法的支持向量机(SVM)识别模型。该识别模型的惩罚参数和核函数参数可同时得到最佳优化,从而可建立模型参数最优的自适应SVM识别模型。采用该识别模型对油液中的磨粒进行智能识别,结果表明该模型识别准确率高达98%,明显优于BP神经网络模型。

基于灰色关联分析的磨粒识别

在分析航空润滑油中所含磨粒的特征参数的基础上,提出了融合二维、三维特征参数的磨粒形态综合描述方法,并应用灰色关联分析对航空润滑油中所含的6种典型磨粒的识别进行了分析。结果表明,识别正确率在90%以上。本文的研究结果对于促进基于故障图像信息的发动机状态监测与故障诊断技术的发展具有一定的理论和实际意义。

基于模糊灰色信息集成理论的磨粒识别研究

根据灰色系统理论和模糊数学,引进了一种灰关联度综合评价模型和模糊相对权重的概念,并将两者相结合运用到铁谱分析的磨粒识别中,提出了一种新的基于模糊灰关联度的磨粒识别方法。计算表明,该方法比单一地使用灰色关联、模糊聚类具有更好的准确度与稳定性。

主成分分析在铁谱磨粒识别中的应用研究

介绍了主成分分析(PCA)基本原理与算法,提出了主成分分析用于铁谱磨粒识别的基本思路和方法,给出了具体的应用步骤,并通过实例对基于主成分分析的铁谱磨粒识别方法有效性进行了分析和验证,结果表明,该方法在减少铁谱磨粒识别工作量和提高识别准确率方面效果良好。

改进的BP算法在磨粒识别中的应用

提出了用隐层和输出层的权值单独修改的方法来改进神经网络算法, 建立了适于磨粒的分析模型, 设计了智能磨粒识别分类器。实例表明, 用该方法可以准确识别磨粒类型, 并具有较好的推广能力。

粗糙集和证据理论在磨粒识别中的应用

为了便于对磨粒进行识别,首先利用粗糙集理论对磨粒参数信息进行约简,并形成待决策问题的经验决策表。然后,利用粗糙集理论和证据理论的关系,计算待决策信息的有关证据的基本概率指派和条件概率指派。最后,按照合成规则对上述条件概率指派进行合成,并根据决策规则对磨粒进行分类。

基于自适应支持向量机的磨粒识别技术研究

通过对铁谱磨粒类型进行识别,可有效监测机械装备磨损状态,有利于尽早发现和消除故障隐患。对粒子群优化算法进行改进,采用改进的粒子群算法同时优化支持向量机的惩罚参数和核函数参数,建立了自适应磨粒识别模型。通过对磨粒样本进行仿真实验,识别正确率达到98%,并与BP神经网络方法进行对比,结果表明了该方法的有效性及优越性。

基于D-S证据理论和集成神经网络的磨粒识别

针对磨粒的识别问题,利用数字磨粒图像分析方法,结合D-S证据理论和BP神经网络,建立了基于D-S证据理论的集成神经网络磨粒融合诊断方法。首先对磨粒图像进行处理,并利用统计分析方法和傅立叶分析方法对处理好的磨粒图片进行分析得到磨粒特征;然后基于统计分析方法和傅立叶分析方法建立对应的两个BP分类子神经网络,利用典型的磨粒样本对BP子神经网络进行训练,得到初步的诊断结果;最后用D-S法对子神经网络诊断结果进行融合,得到最终的诊断结果。算例分析结果表明,基于D-S证据法和集成神经网络的磨粒融合诊断方法比单个诊断方法具有更高的准确性。

航空发动机滑油大磨粒识别的电感传感器仿真

滑油中的大磨粒是航空发动机异常磨损的重要指征,为监测识别大磨粒对发动机故障诊断与事故预警,较高的传感器灵敏度是有效实时监测大磨粒的关键。采用APDL构建了三线圈传感器仿真模型,分析传感器输出与磨粒材质、尺寸、位置等多因素的关系,拟合了输出特性曲线,实现量化分析,为提高传感器灵敏度提供理论依据。仿真结果表明,上述传感器模型可有效区分导电和非导电类、铁磁和非铁磁类磨粒,且当铁磁磨粒为500μm时,感应电压可达10-4V量级。传感器特性曲线为结构优化设计提供了依据。

基于灰色信息融合技术的磨粒识别方法

传统的灰色关联度计算方法是将单特征关联系数简单的进行求和平均,在磨粒识别中其识别结果分辨率不高,容易造成误判。提出了一种基于灰色信息融合技术的磨粒识别方法,它首先将各组单特征关联系数作为多源证据,然后利用D-S证据理论进行有效融合计算灰色关联度,实际计算表明,该方法能明显提高磨粒识别结果的分辨率及准确率。

基于神经网络信息融合的发动机磨损磨粒识别

磨粒识别和分类是铁谱分析技术在发动机故障诊断和状态监测的关键环节。针对单一神经网络模型磨粒识别的局限性,提出了一种基于不同类型神经网络信息融合的磨粒智能识别方法。首先利用径向基函数(RBF)神经网络和反向传播(BP)神经网络对磨粒进行识别,得到2组初始识别结果,归一化后作为2组基本概率分配函数,然后利用D-S证据理论对其融合得到最终识别结果。实例计算表明,与单一神经网络模型相比,提出的信息融合方法提高了磨粒识别的区分度和准确率,并具有良好的通用性和容错性。

磨粒识别神经网络专家系统的设计与实现

智能型磨粒识别是铁谱技术发展的主要趋势,人工神经网络技术的出现为这种智能化提供了一条崭新的途径。介绍神经网络专家系统的基本原理,叙述BP学习算法,设计基于该算法的磨粒识别神经网络专家系统,并予以实现。

人工神经网络在铁谱技术磨粒识别中的应用

铁谱技术在机械设备状态监测中得到了广泛的应用，磨粒识别是铁谱分析的一个关键环节。本文提出了一种基于神经网络的磨粒识别方法，利用前馈型神经网络模型对七种典型磨损磨粒进行了实例分析识别。

计算机视觉技术在磨粒识别中的应用

磨粒是反映设备内部磨损状况的重要信息载体。笔者讨论了利用计算机视觉技术,对磨粒进行识别的方法。特别介绍了计算机视觉在磨粒的形态、纹理和颜色等特征分析中的若干应用。

图象分析技术在磨粒识别中的应用

根据铁谱分析中磨粒的特征，讨论了磨粒图象识别的原理、方法和现状，设计了用于磨粒图象分析的多媒体系统．