基于支持向量机的铝合金点焊多类缺陷识别

利用从铝合金点焊过程工艺参数曲线上提取出的特征向量,建立了铝合金点焊过程喷溅缺陷和未熔合及未完全熔合缺陷的支持向量机识别模型.根据所建立的识别模型,用采集的样本数据进行了训练,并用独立的测试数据对训练的结果进行了测试.结果表明,所建立的支持向量机识别模型在给定的样本集的情况下,识别喷溅缺陷的准确率为96.7%,识别未熔合及未完全熔合缺陷的准确率为100%,利用支持向量机方法实现铝合金点焊多类缺陷的自动识别是可靠的.     

微镜阵列的缺陷提取与识别

微镜阵列作为现在广泛应用的一种微米量级的微小型光学元件,缺陷识别是其加工制造的一个重要问题.文章着重于微镜特征提取和微镜阵列的评定.使用Gabor滤波和灰度共生矩阵提取缺陷特征,提出了基于支持向量机的多类分类缺陷识别方法.根据统计学原理,使用核函数将样本映射到高维空间进行训练.综合各种核函数的测试准确率,得到解决该问题的最佳核函数.通过比较不同的多类分类算法,提出了基于 DAGSVM的诊断模型.并通过不同的特征向量与和不同的分类器的比较,实验结果表明该方法识别率高,识别速度快,容错性好,而且能够正确识别有缺陷的微镜图像.     

基于小波包和支持向量机的滚动轴承故障模式识别

为了解决对故障轴承的特征提取和故障特征准确分类问题,提出了应用小波包变换和支持向量机相结合进行滚动轴承故障诊断的方法.小波包变换具有良好的时-频局部化特征,非常适于对瞬态或时变信号进行特征提取.而支持向量机可完成模式识别和非线性回归.利用上述原理根据轴承振动信号的频域变化特征,采用小波包变换对其提取频域能量特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别.试验结果表明,支持向量机可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径.     

基于人工蜂群优化支持向量机的船舶管网泄漏识别

针对船舶管系频繁的调泵、调阀等常规操作极易引发泄漏检测系统误报警这一问题,采用适于小样本数据集处理的支持向量机（ SVM）从管系多种工况中识别泄漏。使用具备局部和全局最优解搜索能力的人工蜂群算法（ ABC）优化SVM参数,避免陷入局部最优解,提高识别正确率。通过小波分析提取工况特征向量,设计和组建人工蜂群优化支持向量机（ ABC?SVM）分类器,实现了泄漏识别。与BP神经网络等常用算法比较, ABC?SVM算法具有更高的泄漏识别正确率和适应性。     

基于混合特征LLE融合与SVM的质量异常模式识别

针对生产过程中存在的异常模式识别的问题,提出基于LLE融合与支持向量机的质量异常模式识别方法。首先从动态数据流中提取其原始特征、统计特征、几何特征并将其进行混合,形成动态数据流的混合特征,然后利用LLE算法对混合特征进行降维,将降维后的特征集作为MSVM分类器的输入进行训练,同时采用粒子群算法对MSVM分类器进行参数寻优。最后用训练好的模型对动态数据流进行异常模式的识别。并将所提方法与单一类型特征方法、混合特征方法的识别模型进行比较,仿真结果和应用实例表明,所提方法的识别精度较高,可用于生产过程的质量异常模式识别中。     

基于频域特征和支持向量机的汽车水泵轴承故障诊断研究

为了在线监测与识别汽车水泵轴承的故障类型,以WR3258152型汽车水泵轴承为研究对象,分析了其内部结构和常见故障。根据常见故障,预设了汽车水泵轴承的4类缺陷。在搭建的信号采集实验平台上,利用加速度传感器,分别采集了4类缺陷轴承在运转过程中的振动信号。利用Matlab软件对振动信号进行快速傅立叶变换和频域特征值计算,选用径向基核函数和粒子群参数优化方法建立支持向量机模型,并进行测试验证,结果表明:支持向量机分类方法能精确识别汽车水泵轴承常见的4类缺陷。为汽车水泵轴承的在线监测与故障诊断提供了参考。     

基于小波分析和支持向量机的刀具故障诊断

为了有效地进行刀具状态监测,提出了一种基于小波分析和支持向量机相结合的刀具故障诊断方法。首先运用小波包对AE信号进行分解和重构,然后提取各个频带里的信号能量值,将该能量值作为特征参数输入到支持向量机,进行学习训练,完成对刀具磨损状态的有效识别。仿真结果表明该方法是有效的。     

基于近似熵与支持向量机的异步电机故障诊断研究

针对异步电机故障发生率高、故障类别难以有效识别的问题,提出一种基于近似熵与支持向量机的故障诊断方法。通过构造故障再现试验,分别测取4种不同状态类别的多测点振动信号样本。利用近似熵算法计算其近似熵样本值,得到4种不同状态类别的近似熵故障特征向量。结合支持向量机算法,构建支持向量机分类模型。近似熵特征量被划分为训练样本和测试样本,经验证其故障诊断准确率达97.5%,改进BP神经网络诊断方法的准确率为92.5%,结果表明：近似熵结合支持向量机方法具有更高的诊断精度。     

基于多类SVM与改进EMD的故障诊断

鉴于传统方法在智能故障诊断中存在着一些不足,提出了一种基于多类支持向量机(SVM)和改进的经验模式分解(EMD)的故障检测与诊断办法。首先通过采用窗口平均法的EMD将原始信号自适应分解到分布在不同频带的基本模式分量(IMF),再用特征归一化处理进行特征提取,然后输入多类SVM分类器进行分类,从而对设备的当前状况作出判断。经过实验证明,本方法可以有效地对轴承设备进行故障诊断。     

聚类和优化支持向量机的冷轧带钢表面缺陷分类

针对具有小样本、非线性、高维模式识别特点的冷轧带钢表面缺陷,且部分缺陷分布零散、不相连而导致后期识别数量增加、识别率低的情况,提出聚类与优化支持向量机相结合的改进分类算法。利用矩形框将缺陷进行标记,实现缺陷聚类合并,减少后期缺陷识别分类个数,便于后期正确识别判断;利用粒子群优化算法结合交叉验证自动选取最优参数,确定支持向量机结构,并结合实际生产线上出现频率较高的5类带钢缺陷进行分类研究。实验结果表明,相较于改进BP神经网络和网格优化的支持向量机,聚类与优化支持向量机相结合的改进分类算法不仅解决了位置接近的同种缺陷重复分类的问题,而且耗时短、缺陷正确识别率可达98%,符合实际生产线需求。     

基于多探头源数据融合的焊缝缺陷识别

当今的无损检测领域中,缺陷性质的识别是检测的难点,为此研究了一种基于多探头源数据融合的焊缝缺陷识别新方法.该方法通过对多探头信息的融合,提高了检测结果的可靠性及缺陷识别的准确性.选用两个不同入射角度的斜探头对含有气孔、夹渣、裂纹、未焊透和未熔合五类典型焊接缺陷的焊件分别进行了检测,提取缺陷的超声回波信号特征,构建基于特征层和决策层两级融合的多探头源缺陷智能识别分类器,实现五类焊缝缺陷的多源数据融合识别.在特征融合层采用了BP神经网络作为特征融合器,并利用其融合输出构建每个探头源的基本概率分布函数及其对每类缺陷的基本概率赋值.在决策融合层利用D-S证据理论,合并每个探头源的基本概率分布函数,实现缺陷的融合智能识别.结果表明,该方法融合了多探头源的互补信息,有效的提高了缺陷的识别率,有助于焊缝质量的评定.     

Selection of an optimum sample size for flatness error estimation while using coordinate measuring machine

In the present day manufacturing environments it is becoming increasingly important to be able to deliver quality products at the right time to the market at competitive costs. The quality, cost and time to market depend not only on the design and manufacturing but also on the inspection process adopted. Design specifications rely on extensive usage of form tolerances to ensure that the functionality of surfaces and features of the product are maximized. The use of the coordinate measuring machines (CMM) has greatly improved the efficacy of form tolerance measurement and is also used as the key device in this work. The focus of this work is to deal with the method and strategies for measurement of flatness error so as to be able to predict the flatness error accurately at reduced sample sizes in batch and mass production setups. Accurate evaluation of flatness will require large sample sizes which increase the cost and time of inspection and hence a need to reduce the sample sizes without compromising on the accuracy. In the absence of robust models that can predict the errors due to manufacturing processes, an alternative technique has been devised to arrive at a reduced sample size. The procedure involves using large sample data inspected on the first component as the basis for evolving smaller sample sizes for subsequent components.Experimental verification of the developed algorithm shows that flatness error can be predicted with sufficient accuracy at small sample sizes.     

基于TUCKER-DBN的机械故障识别方法研究

针对传统深度信念网络（DBN）存在的分类精度不高、训练速度较慢、仅适用于一维信号等不足，将DBN结合TUCKER分解，提出一种新的故障识别方法。该方法首先利用TUCKER分解大幅度压缩数据，提取其核心张量作为故障特征，然后将核心张量输入到DBN分类器中进行训练和识别。将该方法与传统的DBN故障识别方法进行对比研究，在采集的120个样本中，选择30个样本进行故障识别测试实验。结果表明:使用TUCKER-DBN识别方法的识别率为93%，较传统的DBN故障识别方法的识别率更高；并且使用TUCKER-DBN识别方法的训练时间比传统DBN故障识别方法所用的时间更短。     

基于神经网络集成学习的冷连轧板形预测

为了实现对冷连轧带钢出口板形的预测,基于粒子群算法对小波神经网络进行了优化,将优化后的网络作为基学习器,并通过bagging算法构建集成学习预测模型,进行冷连轧带钢板形的预测。以某1 450 mm冷连轧生产线数据作为样本,比较了该模型与未经优化的小波神经网络和单个学习器的预测效果。结果表明,集成学习模型预测的带钢出口板形与实测板形的偏差更小,板形预测精度更高,模型泛化性能更好。     

基于PCA降维结合机器学习算法的人机交互手势识别研究

更加自然和灵活的手势识别技术正逐渐成为智能移动机器人控制的重要人机接口。为了进一步提高基于计算机视觉的机器人导航控制的实时性和精度,提出了一种基于主成分分析(Principal Component Analysis,PCA)降维结合机器学习算法的手势识别方法。首先,对视觉摄像头捕获的手势图像进行预处理,具体包括图像二值化、中值滤波和形态学变换。然后通过PCA提取主要特征并对数据进行降维。最后结合机器学习中自组织神经网络(Self-Organizing Feature Maps,SOM)作为分类器应用于手势识别,具体采用的是学习向量量化(Learning Vector Quantization,LVQ)神经网络。静态手势实验测试结果表明:相比网络和K-means算法,提出方法缩短了手势识别时间,且识别准确率得到有效提高,验证了方法的有效性。     

Selection of sampling points for accurate evaluation of flatness error using coordinate measuring machine

Dimensional inspection, in integrated manufacturing environments, requires accurate inspection while minimizing the cost and time of inspection. The selection of sampling plan—sample size and sample point locations, the method of evaluating the form error and the nature of the manufactured surfaces will play an important role in deciding the best inspection strategy to be adopted. This paper deals with the strategy for evaluation of flatness error which is one of the most commonly used form tolerances for control of manufactured surfaces. Investigations have been carried out to ascertain the influence of surface quality (surface roughness) in determining the sampling strategy for accurate determination of flatness error while inspecting on a coordinate measuring machine (CMM). The sampling plan utilizes the Hammersley sequence for point location and the flatness error is evaluated using the minimum zone method (MZM) based on computational geometry techniques. Results indicate that the surface roughness influences the accuracy of inspection and can be used as a parameter for determining an initial sample size for the determination of flatness error.     

基于Gentle Adaboost的气密性检测系统

差压法气密性检测易受外部因素与预设参数影响。针对问题基于集成学习建立气密性检测系统,包含传感器终端数据采集系统、人机交互界面,并用最小二乘法对传感器进行线性拟合,利用Gentle Adaboost算法寻找每轮迭代中最佳弱分类器并更新下一轮样本权重,通过集成数轮迭代中最佳弱分类器组成强分类器,对被测物的气密性能进行判断。实验结果表明：所提系统在气密性检测中的准确度、精确度与召回率皆优于传统方法与单一分类模型,准确度达到99.8%,能有效克服外部因素对检测结果的影响,提高了差压法气密性检测的准确性与稳定性。     

基于Grouplet熵与关联向量机的断口图像识别方法研究

Grouplet变换是通过Haar变换实现的一种二维图像多尺度分析技术,拥有根据图像的纹理结构自适应改变基的能力,从而具有较好的稀疏性。与小波变换相比,Grouplet变换在针对纹理复杂的金属断口图像的识别方面具有更优越的性能;将Grouplet变换与关联向量机结合,采用Grouplet熵作为特征,关联向量机作为识别器,提出了一种新的基于Grouplet熵-RVM的航空构件断口图像识别方法。试验表明:该方法结合了Grouplet变换以及关联向量机的优势,在针对222张断口图像的训练与识别中,识别率达到了85.58%,相比Grouplet熵-SVM方法识别速率提高了5倍。     

快速付里叶变换在板形检测中的应用

本文简述了付里叶变换原理及其快速算法在板形检测信号处理中的应用.通过在自行研制的动态板形检测模拟试验装置上测量板带的振动信息,采用快速付里叶变换对其进行频谱分析,获得板形缺陷信息,并将分析所得结果与剖条试验中实测的板带实际板形状况对比,两者对比结果是一致的、吻合的,从而为板形检测提供了一种新方法.