基于改进Laplace小波和改进卷积神经网络的压裂车动力端轴承故障识别

在强背景噪声工况下,压裂车动力端轴承振动信号故障特征较微弱,导致轴承故障诊断的准确率较低。针对这一问题,提出了一种基于改进Laplace小波(ELW)和改进卷积神经网络(ECNN)的压裂车动力端轴承故障识别方法。首先,采用了一种Laplace小波振荡频率参数选取策略,使Laplace小波搜寻到了最佳频率参数;然后,采用改进Laplace小波,对采集到的压裂车动力端轴承故障振动信号进行了降噪处理,并在卷积神经网络(CNN)的基础上引入了自注意力机制和编码器、解码器结构,设计出了改进卷积神经网络(ECNN)模型;最后,将压裂车动力端轴承降噪后的信号输入改进卷积神经网络,进行了自动特征提取和故障识别;为了验证该方法的有效性和先进性,将其与其他方法(模型)进行了对比分析。研究结果表明:采用基于改进Laplace小波与和改进卷积神经网络的方法(模型),对压裂车动力端轴承故障进行识别的准确率可高达99.67%,单个样本的测试时间仅为0.14 s;在识别准确率、召回率、F1得分和统计检验等方面,与其他方法(模型)相比,基于改进Laplace小波与改进卷积神经网络的组合模型具有更为优秀的故障识别性能。

一种基于二进小波变换的图像增强方法

传统的增强图像的方法会丢失图像细节。结合二进小波变换和直方图均衡的优势,提出一种基于二进小波变换的图像增强方法。首先利用二进小波变换将图像分解为一个低频分量和三个高频分量,分别对低频分量做直方图均衡处理,高频分量做高斯-拉普拉斯掩膜锐化,再将处理后的低频分量和各高频分量进行二进小波逆变换重构。实验结果表明,该方法较于单纯的只使用直方图均衡的传统方法和只对低频图像做直方图均衡处理方法有较好的增强效果。

基于融合策略的改进Retinex低照度图像增强算法

针对Retinex算法处理低照度彩色图像出现色彩失真,边缘保持性差等问题,提出一种基于融合策略的改进Retinex低照度图像增强算法;该算法首先在YIQ颜色空间提取亮度分量Y,对其进行MSR算法增强;然后采用高斯-拉普拉斯算子对彩色图像的RGB三个分量进行边缘检测,将其叠加合成后转换成灰度图;最后使用小波变换将两幅图像融合得到新的亮度分量,将其与I、Q分量融合后转回RGB颜色空间,从而获得色彩保真度高、细节清晰的图像;实验结果表明,该方法有效提高了图像边缘细节信息,避免了色彩失真,具有很好的视觉效果。

边缘增强的双密度双树复小波阈值滤波器

为更好地保持和恢复图像的边缘细节,进一步提高高斯噪声的去除效果,提出了一种拉普拉斯边缘增强的双密度双树复小波阈值滤波器。该滤波器充分利用双密度双树复小波变换的平移不变性和多方向选择性等优点,用其对图像进行小波分解;设计了一种平滑可导的阈值函数以及自适应于分解尺度的自适应阈值,用其对含噪的小波系数进行量化处理,以去除噪声的小波系数,并经小波逆变换得到去噪图像;最后,用拉普拉斯算子对去噪图像进行边缘提取和边缘增强处理,以更好地恢复被噪声和去噪处理破坏的图像边缘。利用Matlab平台编程在相关数据集上进行了图像处理实验,其结果与比较分析表明,所提出的滤波器图像处理方法具有更好地去噪性能和边缘保持能力、以及更高的计算效率。