基于EMD-RF的冷轧机振动信号时频分析及识别

冷轧板带生产中的振动机制复杂多变，工业生产过程采集到的历史数据中蕴含着设备运行状态与产品质量等关联信息，数据驱动的信息挖掘对实现振动状态监控与智能预测具有重要价值。首先针对实际工业生产中采集的历史振动信号进行数据预处理；然后对典型振动钢卷的信号进行经验模态分解，选取相关度较高的主要本征模态分量进行时频分析；随后，基于相关度最高的本征模态分量提取10个时频特征指标作为输入，以振动有效值作为输出标记，构建样本空间；最后，运用随机森林回归算法对多个材质和规格下的钢种振动信号进行识别。结果表明，所提出的经验模态分解与随机森林相结合的方法可以适应样本数量不平衡情况下的振动信号识别问题，能够为冷轧机振动的状态监控与智能预报提供依据。     

一种金属铜破损图像纹理特征提取方法研究

对金属铜破损图像纹理特征点的快速定位,提高破损故障信息分析能力。提出一种基于纹理超像素边缘分割的金属铜破损图像纹理特征提取方法。对采集的金属铜破损图像进行边缘检测和图像融合处理,对降噪提纯后的图像采用自适应纹理密度量化估计方法进行图像的深度超像素特征分割,得到图像的显著性主颜色分量特征信息,计算图像向量量化区域的图像超像素级视觉特征,实现不同像素级深度内的特征匹配和融合,实现图像纹理特征提取优化。仿真结果表明,该算法能准确识别金属铜破损图像纹理特征信息参量,从视觉对比和量化分析角度能实现对破损区域的轮廓分割和检测,性能优越。     

油水两相流电导信号的IMF特征提取及流型识别

石油开采过程中油水流型对压力等参数影响很大,准确识别流型可以提高传输效率、降低开采成本.利用INV306型智能信号采集处理系统和电导探针测量系统,采集垂直上升管中三种不同油水两相流流型的电导波动信号.应用经验模态分解(EMD)对电导波动信号进行了IMF特征参数的提取,然后分别提取各模态的能量特征,并将其作为Elman神经网络的输入,训练并建立网络.用检测样本进行检测,结果表明:该方法可以准确识别出三种典型流型,具有较好的识别效果.     

基于开放式虚拟实验室的金属加工过程仿真

金属加工过程的控制问题是一个多源干扰的线性扰动过程,在开放式虚拟实验室环境下进行金属加工过程控制,提高金属加工过程的抗干扰性。提出一种基于模糊神经网络自组织映射的金属加工过程控制算法,并在开放式虚拟实验室仿真平台上进行控制仿真。实验结果表明,采用该方法进行金属加工过程控制,控制品质较好,具有较好的面向对象性。     

连铸坯端面信息码智能识别系统

为了解决钢厂企业连铸坯信息跟踪的问题，以提高生产智能化水平，搭建了基于机器视觉的连铸坯端面信息码智能识别系统，并重点研究了该系统的识别方法。由于车间环境或连铸坯表面质量等因素对成像问题的影响，连铸坯端面信息码智能识别难度很大，针对现存的字符识别方法难以满足现场实际产线的需求，提出了一种多方向灰度共生矩阵的图像字符识别方法，该方法利用图像像素之间存在的灰度关系进行特征提取，建立了特征模板库，通过特征值比对进行连铸坯端面信息码的实时智能识别，并详细给出了该识别方法的原理及步骤。结果表明，本方法可有效解决连铸坯端面信息码的自动识别问题，提高了钢厂生产效率以及生产自动化和智能化水平。     

基于改进CEEMDAN-DCNN的声发射源识别分类方法

声发射源的准确分类识别是声发射地压监测预报预警研究的重要基础。针对矿山井下围岩体声发射事件信号和采掘作业噪声信号分类识别问题,提出了一种基于改进完备总体经验模态分解和深度卷积神经网络（DCNN）的智能识别分类方法。首先,对信号进行改进CEEMDAN降噪处理,即利用相关性系数阈值和排列熵（PE）阈值剔除伪分量和噪声分量;然后,利用DCNN对降噪后的信号自动提取高维特征;最后,将特征用于softmax分类器分类识别,实现智能化井下信号源多分类。研究表明：改进CEEMDAN能够有效剔除伪分量及噪声分量;相比其他机器学习方法,改进CEEMDAN-DCNN方法具有准确率高和稳定性较好等优点。信号源识别分类方法研究为地压监测预警预报提供了重要的基础数据,准确的灾害预警预报可为矿山井下作业人员和设备提供安全保障。     

基于计算机视觉技术的铝合金加工监测方法研究

计算机视觉技术不断发展,视觉测量与监测成为近年来工业生产中信息技术研究新的发展方向与趋势。快速、高效、实用的监测为工业生产加工和精准测量提供了有力的技术保障。对推动工业化生产生产遥感监测与测量技术有重要的学术价值和深远的社会意义。视觉技术应用在铝合金微切削精密加工监测和高温锻件尺寸测量中作为重要的技术手段。研究中通过数码相机或CCD数字摄像头,对铝合金材料加工进行实时监测,运用数字图像分割法提取试件加工过程中的图像参数值,运用图像对比度选取不同滤光片控制图像质量。建立数字模型,将系统参数标定方法采用滤波降噪、像素标定、图像锐化等方法进行预处理,通过数字模型求得试件的三维尺寸。计算机视觉技术将图像处理与分割技术、物联网与WEB远程控制技术、信息传输与数据库管理技术融合到统一的平台,形成了工业生产智能化监测体系。     

基于卷积神经网络的矿工安全帽佩戴识别研究

为了解决矿山安全监控监测主要靠人工对视频数据进行识别而存在的诸多人为因素限制的问题,通过构建卷积神经网络实现计算机智能识别矿工安全帽的佩戴,在不增加任何辅助装置的条件下实现矿工安全着装智能识别。从视频数据中提取图像,通过对图像进行旋转、偏移、剪切等预处理,将图像分为矿山背景、戴安全帽的矿工和不戴安全帽的矿工3类。通过构建3种不同深度层次的卷积神经网络进行实验对比,"4个卷积层+3个池化层+3个全连接层"组成的深层网络识别准确率较高,达到91.2%。实验表明利用卷积神经网络可以较好地实现对矿工是否正确佩戴安全帽的智能识别。研究方法为人工智能应用于矿山的安全监控、安全行为及安全状态的智能识别研究提供借鉴。     

基于烧结机尾红外热图像特征的烧结完成度智能识别

烧结完成度是烧结热状态的直观体现,其精准识别对提升烧结过程稳定性和生产效率、降低烧结生产能耗具有重要意义。由于烧结现场生产环境恶劣,燃烧反应复杂,烟气和物料对流换热频繁,烧结完成度实时精准识别困难,目前仍依赖于“人工看火”。针对存在的问题,提出一种基于烧结机尾红外热图像特征的烧结完成度智能识别方法。该方法首先对红外热图像进行预处理,提出一种双阶段关键帧提取方法,获取受扬尘干扰小,红层完整清晰的关键帧图像;然后基于热图像RGB属性中R通道值变化趋势精准提取烧结红层ROI区域;并基于图像结构纹理分解挖掘隐含的料层信息,获取分区料层高度;设计并提取燃烧层高度占比分布等特征表征烧结完成度;最后构建DS-CEFNet智能识别模型,融合图像深层特征和手工设计的浅层特征,实现烧结完成度精准识别。结果表明,所提模型对烧结完成度的识别准确率达96%,具有良好的应用价值。     

基于智能磨矿介质及CNN和优化SVM模型的球磨机负荷识别方法

当前球磨机负荷检测方法难以准确评估磨机内部变化,给磨机综合运行状态的控制和优化带来较大难度。本文设计了一款内嵌加速度传感器且与钢球介质物理性质相一致的智能磨矿介质用于识别磨机负荷,开展了不同充填率等磨矿条件下的磨矿试验,设计磨矿效果系数划分磨机负荷状态;分别采用了卷积神经网络方法(CNN)和优化的支持向量机(SVM)模型对智能磨矿介质获取的加速度信号进行球磨机负荷识别。基于优化的SVM模型将获取的一维加速度信号进行互补集合经验模态分解算法（CEEMD）去噪、时域特征值和样本熵提取等预处理,将上述磨机负荷的特征向量分别输入GA?SVM、GS?SVM、PSO?SVM分类模型进行训练,研究表明,PSO?SVM模型的识别准确率可达98.33%,但存在训练过程繁琐,耗费时间长的问题。在图像识别领域具有优秀应用能力的CNN模型是把智能磨矿介质检测加速度信号数据转换为二维图片后直接输入基于VGG19网络的CNN模型进行分类识别,磨机负荷分类识别准确率高于优化的SVM模型,可达98.89%,在保证识别准确率的同时有效节约了计算时间。基于CNN的智能磨矿介质球磨机负荷识别方法可为实现球磨机负荷检测与在线评估提供重要解决方案与技术保障。      

基于LabVIEW的钢卷号码识别方法

机器视觉是用计算机来模拟人的视觉功能的一门科学技术。应用软件LabVIEW自行编写识别软件进行机器视觉的开发,将其应用在钢卷产品传输作业线上,建立钢卷号码自动识别系统。从硬件和软件两个方面介绍了该系统实现的方法,详细介绍了在图像预处理、图像分割和图像识别过程中应用的方法。     

基于计算机视觉控制的金矿安全性监测

采用计算机视觉方法对金矿进行实时监测,提高金矿的安全性。采用计算机视觉控制方法进行金矿安全监测系统设计。进行金矿远程计算机视觉控制监测系统的硬件模块设计,采用图像处理算法进行视觉特征提取。仿真表明,该金矿安全性监测系统性能较好,实时视频和图像处理能力较高。     

基于高斯过程的改进经验模态分解及应用

传统Hilbert-Huang变换(HHT)的经验模态分解算法是基于3次样条插值的包络线计算方法,存在过冲及边界效应等缺点.针对传统经验模态分解算法求解包络线存在的问题,提出了基于高斯过程回归的改进包络线插值方法.并且讨论了如何优化高斯过程参数,提高了泛化能力及包络线的插值精度,较好地改进了HHT的虚假频率和端点效应问题.通过处理步态数据的试验表明,采用高斯过程方法可以较好地改进HHT存在的虚假频率和端点效应问题,减小了固有模态函数的失真.     

基于小波包分解和支持向量机的石油套管缺陷智能识别

 针对石油套管缺陷超声无损检测(NDT)中缺陷回波的特点,提出了一种基于小波包分解和支持向量机(SVM)的缺陷智能识别新方法。分析了Gabor、小波和小波包3种信号时频变换分解方法的特点,并进行了基于3种方法生成的特征数据可分性比较,确定了小波包分解方法效果最好。根据SVM解决分类问题的原理,采用SVM法对3种时频分解提取的缺陷信号特征数据进行识别。试验表明,基于小波包分解局部熵的特征提取结合SVM模式智能识别的组合方法,可应用于石油套管上的4种典型缺陷的识别。     

基于机器视觉和SVM的AOD炉终点预测方法

针对AOD炉冶炼中低碳铬铁合金工艺过程终点判别依靠人工看火操作的难题,提出了利用机器视觉技术模拟传统人工看火过程进行终点判别的方法。利用灰度级提取AOD炉口火焰特征,采用支持向量机（SVM）算法实现图像特征的训练和测试,对比了3种核函数的测试精度。实验结果表明,采用机器视觉技术提取火焰图像特征并与支持向量机结合的方法能够有效识别冶炼终点,并具有较好的识别精度。     

金属图像中的破损特征分割方法研究

采用图像分割方法对金属铸造物进行破损检测,提出一种基于小波尺度分解的金属图像中的破损特征分割方法。首先进行金属图像的纹理分析和识别,采用Harris角点检测方法对图像的破损区域进行角点标定,采用小波尺度分解方法实现破损特征提取和分割。仿真结果表明,该方法进行图像破损区域的特征分割准确度较高,信息提取能力较强。     

一种图像识别系统与远传技术的应用研究

简述一种基于图像分析的字符识别方法，通过于天然气计量撬的人机界面窗口前安装高清摄像机抓取图片，利用计算机视觉库技术，实现对智能识别天然气计量撬上的压力、流量值等信息。实验结果表明，该系统识别能准确率可达 94.6%。势必可以从根本取代人工记录的传统模式，改善作业效率。     

基于二维经验模态分解的重磁异常分离

由于地质过程的复杂性及成矿过程的多期次叠加性,原始重磁异常往往是多种地质因素的混合信息,既包含区域背景异常信息,也包含与矿床(体)、矿化蚀变带以及隐伏岩体等与找矿密切相关的地质要素所引起的局部蓖磁异常.如何从复杂的叠加重磁异常中分离出具有找矿意义的局部异常,是当前矿产勘查和资源潜力评价工作中面临的难题之一.采用经验模态分解(EMD)方法来分解重磁异常,为提高分解的稳健性提出了用双调和样条插值(PSI)进行包罗面插值的新方法,并以云南个旧地区重磁数据为例,对其进行非线性多尺度分解,实现对区域异常与局部重磁异常的分离,揭示了深层次找矿信息并拓宽了经验模态分解方法的应用领域.     

基于EEMD和关联维数的矿山微震信号特征提取和分类

针对岩体工程中岩体破裂信号与爆破振动信号难以自动区分的问题,提出了一种基于集合经验模态分解(EEMD)关联维数与机器学习相结合的微震信号特征提取和分类方法。利用EEMD将微震信号分解为本征模态函数(IMF)分量,并从得到的IMF分量中筛选出主分量IMF1～IMF4,再通过相空间重构计算出各个主分量的关联维数,最后将所得到的关联维数作为特征向量,使用SVM方法进行微震信号自动识别,并与其他机器学习方法进行对比分析。试验结果表明:该方法对微震信号的自动识别具有较高的准确率,且基于高斯核函数的SVM的识别效果明显优于逻辑回归(LR)和K-近邻算法(KNN)判别法的识别结果,其准确率达到93.7%。     

基于EEMD形态谱和支持向量机复合的滚动轴承故障诊断方法

针对滚动轴承的内圈、外圈和滚动体故障提出了一种新的诊断方法,该方法融合了集总经验模态分解(EEMD)、形态谱和支持向量机(SVM)三种方法的优势.首先,利用经验模态分解对滚动轴承故障振动信号进行分解,得到若干个具有物理意义的内禀模态分量(IMF);其次,基于最大能量法筛选出含有故障特征信息最丰富的一个内禀模态分量为故障诊断数据源;再次,对数据源在选定尺度范围内进行形态谱的提取,从而构造故障特征向量;最后,利用支持向量机对滚动轴承的三种故障进行诊断.研究结果表明,该方法能够有效地诊断出滚动轴承的三种故障,且具有很高的故障诊断正确率.