自适应精简经验Ramanujan分解及其在复合故障诊断中的应用

Ramanujan傅里叶模态分解采用低频向高频扫描的方式获取分量信号,易出现过量分解和信息分散的现象,致使分解分量不具有单一完整的状态信息.为了解决上述问题,论文提出了一种自适应精简经验Ramanujan分解(Adaptive Concise Empirical Ramanujan Decomposition,ACERD)方法.在ACERD方法中,采用功率谱密度获取分割频带,旨在进行准确的频带划分.同时,利用Ramanujan傅里叶变换提取每个分割频带所对应的模式分量,提高周期分量的识别能力,并获得具有单一周期特征信息的模式分量.通过复合故障仿真信号和实测信号分析,结果表明:ACERD方法具有优异的频带分割和周期脉冲特征提取能力,适用于复合故障诊断.

特征提取的点云自适应精简

作为一种反映物体形貌的三维信息,点云数据的原始数据量十分庞大,直接对过多的数据进行操作会影响后续重建等工作。本文提出了一种新的点云特征提取自适应精简算法。首先对原始点云进行空间划分,构建点的k邻域,设置特征参数,进行特征分析,识别不同区域的信息和数据。然后针对平面数据预先进行边界的检测和提取,对剩余部分进行精简。最后,针对非平面区域,先提取特征,再根据曲率的不同进行不同程度的精简。办公室数据扫描实验结果表明,处理大小为百万以内点的点云模型可以在几秒之内完成,精简比能够达到90%以上,与原始数据间的误差较小:平面部分在精简前后平均偏差均在0.02mm以内,波动很小,为0.005 7mm;非平面区域精简前后的平均偏差均在0.08mm左右,差值仅为0.000 3mm,精简精度得以保证。因此,利用提出的算法处理后的数据能更好地展示物体的形貌。

顾及结构特征的点云自适应精简算法

散乱点云的精简是点云进行曲面重构工程中重要的数据处理步骤之一。针对点云精简过程中的精简结果失真、点云数据空洞、结构特征易损失的问题,提出一种顾及结构特征的点云自适应精简方法。采用多个公开点云数据模型验证算法,以精简度、点间距标准偏差、模型表面积变化率、模型体积变化率定量评价算法的有效性。结果表明,该算法能够应用于含有平面、曲面和多特征的点云数据,精简后的点云模型特征突出、均匀无空洞、结构特征信息损失低,可以实现在点云数据精简的同时,保留原始结构特征信息。