基于ICEEMDAN和EMDE的滚动轴承故障诊断

针对滚动轴承振动信号的非线性和非平稳特点,开发基于改进自适应噪声完备集成经验模态分解(ICEEMDAN)和增强多尺度分布熵的故障识别模型。首先,利用ICEEMDAN分解滚动轴承振动信号,得到1组内禀模态函数(IMF),根据相关系数筛选出其中反映故障状态关键特征的IMF分量;然后,利用增强多尺度分布熵对各敏感IMF分量进行复杂性评估,得到滚动轴承的故障特征向量;最后,为识别滚动轴承的不同故障类型,使用支持向量机作为故障识别分类器。实验结果表明:所提故障诊断方法具有可观的故障识别精度和稳定性,相比于其他故障诊断方法,该方法具有明显的优势。

基于自监督记忆自适应的振动筛状态识别方法

振动筛作为选煤厂的核心装备,其运行环境异常恶劣且多变,获取标记的状态数据耗费时间和精力,传统方法在振筛机的运动状态识别以及泛化性方面存在不足。针对这一问题,提出了一种基于自监督记忆自适应的振筛机状态识别方法。首先,引入最大熵原理和多种数据变换方式对原始信号进行多样化分布增强。借助编码器,将处理后的特征传递至自监督学习模块和记忆存储模块。在自监督学习模块中,分别对经过多种变换的数据进行分类以及对经过掩码处理的数据进行重构,以获得更加丰富的特征表达。与此同时,通过信息熵和相似度技术,在记忆块中选取最具代表性特征项,将其与编码器提取的特征进行自适应融合。最终使用状态分类器对振筛机的运动状态进行分类。实验验证结果表明,与其他先进方法相比,该方法显著提升了状态识别的准确率,F_(1)分数超过对比方法约23.92%。

基于双树复小波域统计建模的煤岩识别方法

针对煤炭开采与加工过程中采煤机滚筒高度调节、选煤厂预排矸等工程实际问题,提出了1种有效的基于双树复小波域统计建模的煤岩识别方法。首先,通过双树复小波变换对煤岩图像进行多级分解;然后,提出了1种旋转不变增强策略,即对每1级双树复小波变换产生的高频子带按系数模的均值和方差之积从大到小排列;接着,提出了高频子带系数模符合广义伽玛分布模型的假设,并采用1种基于尺度独立形状估计方程的广义伽玛分布参数估计方法确定模型参数;最后,根据相对熵相似性测度完成煤岩图像的自动识别。结果表明:在双树复小波域中,广义伽玛分布模型具有较强的区分煤岩图像的能力;所提出的旋转不变增强策略在一定程度上提高了煤岩识别的正确识别率,并且使正确识别率与时间复杂度之间的折中权衡变得更加灵活;与现有的其他方法相比,所提出方法具有更高的正确识别率,其时间复杂度也是可以接受的。

基于Otsu的加权直方图均衡化图像去雾算法

随着人类工业化的加剧,污染物排放量也随之加大,因此雾霾天气在一年中的比例越来越大。雾霾天气造成大面积能见度低,在雾霾天采集的图像,对比度和色彩都存在很大的问题,因此图像的去雾研究有很大的应用价值和研究价值。该文介绍了一种基于最大类间方差法的加权直方图均衡化图像去雾算法,第一步,使用最大类间方差法进行直方图阈值分割,第二步,综合考虑子直方图的灰度级和像素点个数,对阈值进行加权再调整,最后对每个直方图进行单独的直方图均衡化。实验证明,基于最大类间方差法的加权直方图均衡化图像去雾算法有较好的去雾作用,且信息熵得以保证。