卡尔曼滤波修正LS-SVM的刀具磨损识别技术研究

针对刀具磨损状态先验样本少和常规神经网络识别模型收敛速度慢、易陷入局部极小值等问题,提出了基于最小二乘支持向量机(LS-SVM)的刀具磨损量识别技术,并针对模型输出存在系统误差而降低刀具磨损量识别精度的问题,引入卡尔曼滤波算法对时序监测结果进行修正,实现小样本下的刀具磨损量的精确识别。以车削加工为研究对象,采集加工过程中的切削力信号,应用小波包分析技术提取反映刀具磨损状态的特征信息,作为LS-SVM的输入样本,并对模型进行学习训练,完成对刀具磨损状态的识别,最后采用卡尔曼滤波修正其时序监测结果。实验结果表明:LS-SVM模型能高效地实现刀具磨损量识别,需样本数较少,训练速度快,通过卡尔曼滤波修正后的磨损量识别结果精度更高。     

一种基于多特征和支持向量机的刀具磨损状态识别技术

为了实现生产过程中切削条件诸多变化的刀具状态识别,对铣削加工中三向切削力信号进行时域、频域以及时-频域分析,在提取均方根值、峰值、小波包能量等特征量的基础上,通过分析提取的特征量,提出采用各方向特征比值的方法。得到的特征比值具有更加明显地对刀具状态比较敏感、但对切削用量不敏感特点。通过对特征与特征比值敏感性分析,分析表明特征与特征比值组合的特征向量最适合作为刀具状态监测的指标。通过多次选取特征比值、特征量组成的特征向量输入多分类支持向量机(SVM,Support Vector Machine)网络中对刀具状态进行训练和识别,发现特征与特征比值组成的特征向量对不同磨损状态不同切削用量下刀具识别精度更高,具有较好的效果,能够实现在小样本情况下不同磨损状态不同切削条件下的刀具状态分类。     

深孔加工刀具状态监测的研究

通过应变式传感器和振动传感器采集力与水平振动信号 ,提取了切削力信号的四阶中心矩和水平振动信号的特征频率谱峰 ,并将模式识别技术应用于刀具状态监测 ,利用感知器算法得到刀具状态的分类函数进行刀具状态识别 ;试验结果表明 ,该方法具有较高的识别精度和较强的抗干扰能力     

刀具寿命诊断的神经网络技术

提出了一种刀具寿命的检测方法。该方法把模糊逻辑和神经网络结合起来，并用神经网络分解技术，建立了一上刀具状态识别网络。该网络适于进行多传感器刀具复杂状态的识别和分类，具有训练时间短，扫行速度快，可靠性高，抗噪能力强的特点。     

基于Mixup数据增强的CNN-GRU深度学习电火花线切割放电状态识别

针对电火花线切割放电状态识别中，数据集样本较少导致训练模型准确率不高的问题，提出基于Mixup数据增强的CNN-GRU网络算法。该算法首先使用Mixup数据增强对原始的电火花波形数据进行数据增强，通过线性插值对数据进行混合，得到新的扩容之后的数据集；随后使用增强的数据集训练CNN-GRU模型，并用该模型进行分类。经实验表明，使用Mixup数据增强的CNN-GRU模型能有效的识别出数据中的“时序特征”与“局部特征”，且模型的准确率达到了96%。     

数控机床刀具磨损的振动监测法

在分析小波理论及BP神经网络的基础上,进行了刀具磨损试验研究。在时频域对刀具磨损状态的特征信号进行提取和分析,获得了反映刀具磨损状态的特征信号。将此刀具磨损特征量作为BP神经网络的输入样本对网络进行学习训练,完成对刀具磨损状态的有效识别。实验结果表明该方法是有效的。     

基于铣削力与神经网络刀具磨损状态识别研究

以铣削难加工材料——高锰钢加工过程为研究对象。建立了以铣削力作为监测信号的铣刀磨损监测实验系统。应用小波包理论对铣削力信号进行分析和消噪处理。并提取了信号的能量特征作为神经网络的输入向量。基于神经网络极强的非线性映射能力及分类能力。选用小波包分析与BP网络结合的方式对刀具磨损状态进行识别。建立了模式识别BP网络结构,构造了网络训练样本及测试样本。对网络进行了训练、仿真及验证测试,结果表明该网络能够对刀具磨损状态进行准确的识别。对刀具的在线监测具有良好的现实意义。     

基于EWT和多尺度熵的高压断路器故障诊断

提出了一种以经验小波变换(empirical wavelet transform,简称EWT)和多尺度熵相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。首先,将高压断路器的振动信号进行经验小波变换,得到内禀模态函数(intrinsic mode function,简称IMF),选择相关系数较大的IMF进行重构;其次,提取重构信号的多尺度熵作为表征断路器状态的特征向量,采用归一化的方法对特征向量进行预处理并以此作为支持向量机(support vector machine,简称SVM)的输入向量进行分类训练;最后,将测试样本信号故障特征输入训练好的SVM,在SVM核函数参数进行网格算法优化的基础上进行状态识别及分类。实验结果表明,该方法可快速准确地检测高压断路器故障,实现了断路器故障的状态识别。     

基于GAF-CNN的刀具磨损程度识别研究

针对刀具磨损的检测需求，提出一种GAF-CNN方法，对铣刀的力信号进行格拉姆角场处理，以铣刀的一维力信号转化的二维图像作为卷积神经网络的输入，进而识别出刀具磨损的3种状态。经过实验，GAF-CNN分别在训练集和测试集得到99%和98%的准确率。最后，将文中实验结果与采用相同数据集并以处理过的时序信号作为输入的其它实验进行对比。对比结果显示，提出的GAF-CNN方法对刀具磨损程度识别有更高的分类准确率，证明了该方法的可行性。     

刀具磨损监控中神经网络训练的模糊方法

提出了一种利用刀具磨损状态隶属函数来训练BP网络的新方法,该方法较好地解决了在刀具磨损状态中对过渡样本识别率过低的问题。     

一种基于差别矩阵的决策表规则提取算法

从属性约简后的数据集中提取规则实质上就是决策规则的约简计算,一般利用启发信息进行约简计算。提出了一种新的基于差别矩阵的决策表规则提取算法,首先从差别矩阵得到差别集,结合置信度要求得到候选规则集,然后开始提取规则并逐步调整候选规则集,最终提取出决策规则。该算法避免了规则提取过程中条件属性挑选和扩展的计算,并能够快速提取出决策表中存在的最简决策规则,计算实例表明其具有决策规则提取的工程实用性。     

基于异构值差度量的SOM混合属性数据聚类算法

针对传统聚类算法处理混合属性数据聚类质量不高且聚类结果可视化差的问题,提出了基于异构值差度量的自组织映射混合属性数据聚类算法。该算法以自组织映射神经网络为框架,采用基于样本概率的异构值差度量混合属性数据的相异性。利用分类特征项在Voronoi集合中出现频率作为分类属性数据参考向量更新规则的基础,通过混合更新规则实现数值属性和分类属性数据规则的更新。利用UCI公共数据库中的分类属性和混合属性数据集来测试所提出的聚类算法,并与SOM算法和kprototypes、SBAC、KL-FCM-GM算法进行比较。最后将所提出的聚类算法应用于轮式移动机器人的运动状态分析,获得了较好的聚类效果。     

Vehicle classification with single multi-functional magnetic sensor and optimal MNS-based CART

To take advantages of magnetic sensor technology in terms of cost, size, weight, power consumption and wireless communication, a wireless multi-functional magnetic sensor was designed and developed. Then, a novel method with single multi-functional magnetic sensor and optimal Minimum Number of Split-sample (MNS)-based Classification and Regression Tree (CART) algorithm was proposed in this paper to classify on-road vehicles. The sensor was deployed on the road to acquire real-time vehicle waveform data. The decision tree model based on CART algorithm was used to execute on-line vehicle classification in the sensor node. Eight speed-independent time-domain waveform features were extracted as the model inputs. This paper trained the decision tree model by using vehicle samples derived from the multi-functional magnetic sensor and pruned the optimal decision tree with a Minimum Error Pruning (MEP) rule to obtain an optimal pruning tree which is more robust to new samples. Some experiments were implemented by different sample sets and classification methods. The results showed that the proposed method achieved on-line vehicle classification in the sensor node. For the field sample sets with two vehicle classes, the average accuracy rates of test samples were 88.9% and 94.4% in the original samples and swapping samples respectively. Besides higher accuracy, the method also has a better sample robustness, which is easy to classify new samples. The comparison results of current methods also showed that the proposed method has some advantages in aspects of accuracy rate, sample robustness and execution time.     

结合模糊(C+P)均值聚类和SP-V-支持向量机的TSK分类器

为获得具有模糊规则自适应约简性能和较好的泛化性能的TSK分类器,本文提出了一种结合模糊(C+P)均值聚类(FCPM)算法和SP-V-支持向量机(SVM)分类算法来构建TSK(Takagi-Sugeno-Kang)分类器的方法。该方法首先用FCPM聚类算法对训练数据进行聚类;然后根据聚类结果确定TSK分类器的模糊规则前件中的高斯隶属度函数的中心和宽度参数;最后采用成组稀疏约束SP-V-SVM算法对模糊规则后件参数进行学习,该算法不仅改善了系统的泛化性能,还使系统具有模糊规则自适应约简功能,使得系统更为紧凑。与相关算法在UCI和IDA标准数据集分类实验中的模糊规则数和分类性能对比表明:用提出的分类算法所构造的TSK分类器不仅具有较好的分类性能,而且模糊规则数少,有利于构建更为紧凑的模糊分类系统。     

基于多变量属性分类的图像形态滤波方法研究

针对复杂结构图像中形态滤波的单一属性难以判定最大树节点状态的问题,提出了基于多变量属性分类的最大树图像形态滤波方法。首先标记图像的各个连通区域,将图像转换为最大树数据结构,然后计算最大树各个节点的面积、灰度值及Zernike矩属性值,并构成节点的属性向量,运用属性样本数据对支持向量机进行训练,获得支持向量机分类模型,最后根据多变量属性分类结果给出节点的枝剪策略。实验结果表明,该方法能有效地滤除复杂结构图像中不同灰度级、大小及形状的噪声区域,同时保留图像目标区域的细节特征。     

基于多尺度分割的高光谱图像稀疏表示与分类

针对高光谱特征的稀疏表示,提出了一种基于多尺度分割的空间加权算法用于高光谱图像分类。该算法采用更合理的邻域定义挖掘空间先验信息,优化类边缘像元的稀疏表示。首先,通过多尺度分割提供邻域空间约束;结合拉普拉斯尺度混合(LSM)先验,分别对每个邻域组内像元进行空间加权的稀疏表示。然后,采用概率支持向量机(SVM)分类,同时提供像元的分类标签及其置信度。最后,以此置信度为权重,对多尺度分类图进行加权融合,生成最终的分类图。实验显示,本文算法能够增强光谱特征表示的稀疏性和鲁棒性,提高总体分类精度;在小样本训练下,单类的分类精度可提升30%左右,表明该算法在高光谱应用中具有较强的实用性。     

Nonlinear machine fault detection by semi-supervised Laplacian Eigenmaps

A semi-supervised Laplacian Eigenmaps algorithm for machine fault detection is proposed. The purpose of the algorithm is to efficiently extract the manifold geometric characteristics of nonlinear vibration signal samples, and to determine fault classification of operating equipment so that the accuracy of fault detection can be improved. The data acquisition and pre-processing of the vibration signal is firstly implemented from monitoring equipment, then hybrid domain feature is obtained, and the initial sample set can be built. This is followed by implementing the semi-supervised Laplacian Eigenmaps algorithm so that the sensitive nature characteristics of manifold can be obtained from the device initial sample set. In order to establish the intelligent diagnostic model, the Least square Support vector machine (LS-SVM) is then adopted, which fault diagnosis and decisions can be achieved in the feature space of the low-dimensional manifold. The experiment results of using the IRIS data, gearbox and compressor fault data show the proposed method has more advantage when compared with the PCA and Laplacian Eigenmaps on improving the accuracy of fault detection.     

最小二乘圆法评定圆度误差的优化算法

介绍了用最小二乘圆法评定圆度误差的准则。综合SWIFT法和混沌算法的优点,提出了改进的混沌优化算法,并通过对圆度误差测量数据处理的应用实例,说明了该优化算法的优点,从而达到全局最优。该优化算法也可推广应用于对其它测量误差的数据处理中。     

高光谱图像分类的研究进展

高光谱图像分类是利用高光谱数据图谱合一且光谱信息丰富的特点,对图像中的每个像素进行分门别类,以达到对地物目标进行高精度分类和自动化识别的目的,是对地观测的重要组成部分。在分析高光谱图像特点的基础上,本文从普通机器学习和深度学习这两方面对高光谱图像像素级分类的研究进展及效果进行总结、评述和比较,通过具体实验的结果对比,直观地展现各种算法的优劣。针对高光谱分类问题,本文从两个方面对今后的研究方向及发展前景进行了分析和展望。一方面,在算法研究上,高光谱图像分类算法可在保证分类精度的前提下降低算法的复杂度,利用多源遥感数据、多特征综合、多尺度复合,提升小样本、少参数分类模型的分类精度,适应智能化、快速化高光谱遥感对地观测的发展要求;另一方面要紧密结合市场应用需求,重视高光谱图像在实际中的应用,研究具有市场竞争力的高效分类算法,提升高光谱图像分类在遥感技术应用领域的竞争力。     

小样本条件下的机械噪声源识别方法

在小样本条件下识别水下航行器机械噪声源,通常运用直推式置信机(transductive confidence machine,简称TCM)与K-近邻法(K-nearest neighbors,简称KNN)相结合的TCM-KNN算法。但在高置信水平下,用这种方法对测试样本进行预测分类的能力不强。通过改进奇异测量方法,提出了改进的TCM-KNN算法。经舱段模型试验表明,该算法能有效地提高预测分类的正确率和预测的置信度,且分类性能优于常用的BP和RBF神经网络等模式识别方法。