铝合金薄壁件的铣削加工颤振的建模与识别

选取力信号和加速度信号来预测薄壁件的颤振状态,分别提取铣削力信号的实时方差特征与加速度信号的小波能量特征,并采用该两个特征量构建颤振信号识别特征量。用测力仪、加速度传感器等设备搭建了铝合金薄壁件铣削颤振实验台,在不同切削参数条件下设计了正交实验分组。区别于以往的二分类SVM模型,文中设计了基于二叉树决策的多分类SVM模型,并结合信号实时方差与小波能量特征,将机床加工状态分为稳定阶段、趋于颤振和颤振阶段这三种状态,实验获得的160组信号特征量数据分别用来完成多分类SVM模型的训练和检验。结果表明:在切削参数下,设计的SVM识别模型具有96.67%的准确率,能在工程实践中达到颤振预测的目的。     

基于骨架关键点的车内异常行为识别方法

针对现有异常行为识别方法在车内场景应用少，并且受车内空间狭小、异常行为复杂多变等影响导致识别有效性差等问题。在Alpha pose模型提取驾乘人员骨架关键点基础上，构建驾乘人员人体坐姿模型，采用关键点位置信息描述异常状态，最后利用概率学习模型将位置信息转换为概率对行为进行识别分类。经实验测试，该方法对车内前排人员异常行为的识别准确率能够达到90%以上，且具有一定的实用价值。     

构建多尺度深度卷积神经网络行为识别模型

为了减化传统人体行为识别方法中的特征提取过程,提高所提取特征的泛化性能,本文提出了一种基于深度卷积神经网络和多尺度信息的人体行为识别方法。该方法以深度视频为研究对象,通过构建基于卷积神经网络的深度结构,并融合粗粒度的全局行为模式与细粒度的局部手部动作等多尺度信息来研究人体行为的识别。MSRDailyActivity3D数据集上的实验得出该数据集上第11~16种行为的平均识别准确率为98%,所有行为的平均识别准确率为60.625%。结果表明,本方法能对人体行为进行有效识别,基本能准确识别运动较为明显的人体行为,对仅有手部局部运动的行为的识别准确率有所下降。     

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%。     

基于多源信息融合的肌电轮椅智能控制技术研究

传统手势识别设备很难同时满足识别精度与便携性的要求,同时,基于单一传感器的手势识别策略获取的信息较少,识别结果易受各种因素的影响。而相较于传统的摇杆控制方式,手势控制方式更为便捷,并且可实现远距离操作。基于此背景提出了基于多源信息融合的肌电轮椅智能控制技术研究,设计了一套便携式肌电信号与运动信息采集系统,其中运动信息包括加速度信号和角度信号。利用极限学习机构建识别算法模型,优化了融合分类结构,并以此识别结果控制轮椅运动。实验结果表明:相较于单一传感器手势识别方案,识别准确率提升了6.1%～12.3%,达到了94.7%;相较于传统模式识别方法,分类准确率提升了1.5%～6.0%,并且,轮椅控制系统的在线平均识别率达到了95.2%,满足实时性要求。     

结合限制密集轨迹与时空共生特征的行为识别

针对传统密集轨迹方法应用到真实场景后过多无效轨迹耗费存储与计算资源且严重影响有效特征提取的不足,提出一种新的人体行为识别算法。首先,检测视频帧中存在的人体目标并对获得的包含人体的矩形框进行扩展,利用扩展后的矩形框对传统密集采样特征点的范围进行筛选限制;然后,对筛选限制后的特征点在光流场中跟踪一定帧数获取限制密集轨迹,并在以限制密集轨迹为中心的时空体内构建一组包含轨迹的空间位置、时空上下文信息的特征描述子;最后在视觉词袋模型框架下,采用SVM对特征向量进行编码分类。结果显示:在KTH、YouTube和HMDB51 3个行为数据库上的识别准确率分别达到98.1%、89.7%和66.9%。证明本算法对复杂真实场景中的人体行为具有较高的识别能力。     

基于红外图像分析的TSV内部缺陷识别方法研究

TSV三维封装内部缺陷难以用传统方法检测。然而其内部缺陷的存在会导致热阻发生变化，对系统温度分布产生影响，因此可以通过对红外图像的分析达到对缺陷进行识别及定位的目的。文中研究了缺陷对温度场的影响，分别通过理论分析、有限元仿真及实验方法对TSV三维封装系统进行了热-电耦合分析，得到了缺陷铜柱类型及位置不同时的温度分布数据集，搭建了卷积神经网络(CNN)模型对2组数据集单独进行分类预测。实验结果表明：利用仿真数据集与试验数据集分别对CNN模型进行特征训练，得到的缺陷识别与定位准确率为98.65%,98.36%。由上可知，缺陷类型及位置的不同会对温度场产生不同影响，利用CNN模型对TSV红外热图像进行特征训练可以有效识别与定位内部缺陷。     

基于二次特征提取与SVM的异常步态识别

长期以异常步态行走将导致人体足部、踝关节、大腿疼痛乃至身体骨骼疾病.针对目前普遍采用的基于计算机视觉的步态识别技术对数据采集环境要求严苛、视频图像分析受环境影响较大等问题,基于人行走时的足底压力变化特征进行步态识别,足底压力数据经由穿戴式步态采集器,可以不受环境限制且能实现较远距离的步态识别.并提出一种基于二次特征提取与支持先向量机的异常步态识别方法.该方法采用主成分分析法对从足底压力变化曲线中提取出来的步态特征进行二次提取.获取包含样本数据信息的主要特征信息,通过多分类支持向量机模型对步态进行识别.实验结果表明:该方法对异常步态的平均识别率达到92.625 5%,具有较高的识别精度.     

基于LE和DBN算法的轴承故障信号特征提取及诊断

为了提高机械传动系统的运行稳定性,提出了一种基于半监督拉普拉斯特征映射(semisupervised laplacian eigenmap, SLE)和深度置信网络(deep belief network, DBN)算法的故障信号特征提取方法。选择SLE算法提取高维振动信号的流形参数,在DBN内输入流形学习数据实现特征数据二次挖掘的过程,完成不同故障的分类。研究结果表明:采用SLE-DBN模型进行处理时达到了比其余模型更优性能。采用SLE算法可以显著缩短SLE-DBN组合模型运算时间。训练集样本进行识别得到的准确率接近100%,表明模型能够对训练数据起到良好的拟合效果。SLE算法相对MCA与PCA算法表现出了更优特征提取性能,当设置合适参数时可以获得近100%的准确率。当有标签样本数量介于60～120时,DBN网络相对CNN网络表现出了更优分类性能。SLE-DBN模型对于别轴承故障诊断方面都达到了理想分类精度以及实现快速识别的要求。     

基于改进层次极差熵和WOA-ELM的滚动轴承故障识别

由于传统的多尺度熵特征提取方法无法提取信号的高频故障特征,造成特征的提取不够完整,故障识别准确率也较低。为此,提出了一种基于改进层次极差熵(IHRE)和鲸鱼算法(WOA)优化极限学习机(ELM)的滚动轴承故障诊断策略。首先,基于改进的层次分析和极差熵,提出了可以同时分析滚动轴承振动信号低频和高频成分的IHRE时间序列复杂性测量方法,并将其用于提取滚动轴承振动信号的深层次故障特征;然后,采用鲸鱼算法对极限学习机的核心参数进行了优化,构建了网络结构最优的鲸鱼算法—极限学习机(WOA-ELM)分类器;最后,将所构建的IHRE故障特征输入至WOA-ELM分类器,进行了故障分类,对滚动轴承进行了故障识别;基于滚动轴承的实验数据进行了算法的有效性分析,并从多个维度进行了对比,进行了算法优越性分析。研究结果表明：IHRE方法的故障识别准确率最高,达到了100%,而多次实验的平均识别准确率也达到了99.82%,优于改进层次样本熵、层次极差熵和多尺度极差熵方法;在分类时间和分类准确率方面,WOA-ELM分类模型要优于PSO-ELM和GA-ELM分类器。该结果证明,基于IHRE和WOA-ELM的故障诊断策...     

基于特征贡献率的机械故障分类方法

为提高往复压缩机、航空发动机等复杂机械故障分类的准确率，依据特征参数对不同故障的敏感度存在差异的特性，提出一种狄利克雷过程混合模型(Dirichlet process mixture model,简称DPMM)与贝叶斯推断贡献(Bayesian inference contribution,简称BIC)相结合的分析方法。采用DPMM方法自学习机械振动信号高维特征的统计分布模型，并依据BIC理论计算得到各特征参数对模型的贡献率，通过对比观测数据与各类故障数据特征贡献率间的差异实现故障分类。试验结果表明，该方法的平均分类准确率比基于高斯混合模型(Gaussian mixture model,简称GMM)的故障诊断方法的平均分类准确率提高19.29%，比基于Relief算法的故障诊断方法的平均分类准确率提高32.71%，且该方法的时效性高，泛化性能强，能够更有效地进行复杂机械故障分类。     

基于特征贡献率的机械故障分类方法

为提高往复压缩机、航空发动机等复杂机械故障分类的准确率,依据特征参数对不同故障的敏感度存在差异的特性,提出一种狄利克雷过程混合模型(Dirichlet process mixture model,简称DPMM)与贝叶斯推断贡献(Bayesian inference contribution,简称BIC)相结合的分析方法。采用DPMM方法自学习机械振动信号高维特征的统计分布模型,并依据BIC理论计算得到各特征参数对模型的贡献率,通过对比观测数据与各类故障数据特征贡献率间的差异实现故障分类。试验结果表明,该方法的平均分类准确率比基于高斯混合模型(Gaussian mixture model,简称GMM)的故障诊断方法的平均分类准确率提高19.29%,比基于Relief算法的故障诊断方法的平均分类准确率提高32.71%,且该方法的时效性高,泛化性能强,能够更有效地进行复杂机械故障分类。     

基于双向LSTM的复杂环境下实时人体姿势识别

提出了一种基于双向长短时记忆网络(long short-term memory, LSTM)的实时人体姿势识别方法。将OpenPose作为人体姿态估计模块获取人体的二维关节点数据,根据数据缺失情况判断人体是否处于遮挡状态。对于非遮挡情况,构建基于双向LSTM的分类器,将初始的二维关节点信息送入分类器进行人体姿势识别;对于遮挡状态,利用深度摄像机内参进行三维映射,构建躯干向量和关节角度,使用主成分分析对上述高维特征进行处理后送入分类器进行人体姿势识别。在KTH数据集以及实验室收集的包含5种人体姿势的数据集上进行验证,结果表明,该算法在非遮挡情况下准确率较传统模型以及深度学习模型分别取得了2.63%和1.08%的提升。在遮挡情况下准确率较传统模型取得了5.6%的提升。实现了在复杂环境下的人体姿势识别。     

基于目标识别的软管装配视觉检测系统

针对软管装配的视觉检测问题,定义了软管装配视觉检测问题和图像采集约束,开发了相应的检测系统。基于五层结构模式,设计了系统架构模型及相关的训练和检测流程;利用投影分析和色谱分析,讨论了发动机软管装配中的目标形状和颜色约束;结合类平行曲线特征,提出了边界点拟合、候选区域融合和目标特征判断等图像处理技术,研究了目标识别和缺陷检测方法体系。实验表明,目标识别平均准确率达到94%以上,缺陷全部检出,每图运行时间不到30s,能同时满足在线检测的精度和效率要求。     

细粒度遥感舰船开集识别

为了解决传统深度卷积神经网络在舰船图像细粒度分类中的局限性,本文设计了细粒度遥感舰船开集识别模型。首先,引入了基于注意力机制的STN模块,加在特征提取网络前用来过滤背景信息;然后在STN模块后接一个多尺度的并行的卷积结构,强化网络对不同尺度的局部区域的特征提取能力;接着将提取到的特征分别输入基分支和元嵌入分支,用来增大类间方差和减小类内方差,同时强化模型对尾类小样本的学习;最后对两个分支的分类结果进行决策融合,根据设定的阈值判别已知类和未知类进一步对已知类进行细分。在平衡与不平衡分布的FGSCR-42数据集上进行了4种开放度实验,结果表明：在平衡分布的数据集上4种开放度的平均准确率为90.5%,86.3%,85.7%,85.1%,不平衡分布数据集的平均准确率为90.0%,85.1%,84.3%,84.1%。与当前主流的舰船识别方法相比,本文方法分类具有更高的识别准确率和更好的泛化能力。     

基于卷积神经网络的铁谱磨粒智能识别研究

针对传统的计算机磨粒识别方法对相似度高的严重滑动磨粒和疲劳磨粒存在识别过程复杂、识别准确率低等问题,提出利用卷积神经网络(Convolution Neural Network,CNN)自动提取铁谱磨粒图像的特征,再将提取到的特征传入全局平均池化层和新的全连接层进行训练分类的铁谱磨粒智能识别方法。试验显示,基于卷积神经网络模型Inception-v3+1FCL和迁移学习方法可以有效地对严重滑动磨粒和疲劳磨粒进行分类识别,准确率高达89. 35%。     

基于MEEMD-SDP图像特征和DRN的行星齿轮箱故障诊断

在行星齿轮箱齿轮的实际工程应用中,针对故障发生的早期阶段,其非平稳性、非线性振动特征信号导致故障诊断准确率低的问题,提出了一种基于MEEMD-SDP图像特征和深度残差网络的齿轮故障诊断方法。首先,采用了改进的集总平均经验模态分解(MEEMD)方法对齿轮振动信号进行了分解,获得了能够反映齿轮振动信号信息的固有模态函数(IMF);然后,通过对称点图案(SDP)分解方法提取了IMF分量,将其变换到极坐标下的雪花图像特征,并组成了特征向量;最后,引入深度残差网络(DRN)模型,实现了对行星齿轮箱齿轮不同故障的识别与分类,同时将其与卷积神经网络(CNN)模型进行了对比,并在东南大学公开的齿轮箱数据集上进行了不同模型对齿轮状态故障识别准确率的对比实验。研究结果表明：SDP图像特征能够全面表征齿轮的状态信息,相较于CNN模型,采用DRN模型对齿轮进行诊断得到的平均准确率有明显提高,可达到98.1%,能验证基于MEEMD-SDP图像特征和深度残差网络方法的有效性;研究结果对提升现有行星齿轮箱齿轮故障识别的准确率具有一定的价值。     

基于EMD二值化图像和CNN的滚动轴承故障诊断

针对传统故障诊断方法识别准确率低、泛化能力差,而基于深度学习的故障诊断普遍存在需要海量训练数据的问题,提出了一种基于经验模态分解(empirical mode decomposition,简称EMD)与卷积神经网络(convolutional neural networks,简称CNN)的滚动轴承智能故障诊断方法。首先,对轴承振动数据进行EMD,同时对相关系数最大的本征模函数(intrinsic mode function,简称IMF)分量进行频谱分析,获取频谱图,并将频谱图数据压缩成特征二值化图像作为CNN分类网络训练的输入数据;其次,将正常状态下和各类故障状态下的滚动轴承特征二值化图像作为CNN的输入得到训练模型,利用训练好的模型对各类故障进行分类识别。实验结果表明:在较少的训练数据下,轴承故障诊断准确率达到97.61%,远超过使用反向传播神经网络(back propagation,简称BP)和概率神经网络(probabilistic neural network,简称PNN)方法,证明了所提出方法与传统故障诊断方法相比能够更加准确地识别各类故障类别;对原始信号加入6 dB白噪声后的识别准确率也达到了96.19%,证明了所提出方法具有良好的泛化能力与抗噪性能。     

融合注意力机制的金属锅圆柱表面缺陷检测

为实现高亮反射金属圆柱形锅的自动快速检测及分拣,破解目前金属锅表面缺陷检测速度慢、效率低的技术难题,在YOLOX网络基础上引入双向特征融合网络,提出基于注意力机制的轻量化特征融合网络模型,实现计算模型的轻量化设计;同时,通过注意力机制模块对特征信息进行通道与空间的学习,有效缓解多尺度特征的语义鸿沟问题,提高了模型的检测精度;考虑网络对难易分类样本学习权重分配不平衡,设计基于衰减因子的分类损失函数;利用金属锅圆柱表面缺陷数据集完成了特征融合网络对比实验、分类损失函数对比实验和注意力机制模块位置消融实验。实验结果表明,融合注意力机制模型可有效识别6种不同形态的缺陷,测试集的平均检测精度mAP0.5达到90.92%,检测帧率达到30.84 frame/s,实现了金属锅圆柱表面缺陷的高精度快速识别与定位。     

基于足底压力传感器与深度学习的生物身份识别

近年来研究表明,足底压力可以反映人体的特征,在生物识别上具有广阔的前景。本研究探讨了足底压力进行身份识别的可行性和方法论。本文使用带有8个压力传感器的鞋垫收集了14名志愿者14 000多个压力数据作为数据集,利用无监督学习探讨了分类的科学性,并讨论了地面状况对于压力数据的影响。采用卷积神经网络(CNN)作为分类器,对分类性能进行了评价,研究了步态分割和多步态周期对提高精度的影响。实验结果表明,使用分割后的数据分类准确率为98.8%,而没有分割的为93.6%,当使用3个和5个步态周期进行分类时,准确率提升到99.4%和99.8%。结果表明,用CNN对分割后的数据并选择多个步态周期进行分类在利用足底压力进行身份识别方面具有良好实用价值。