经验模态分解结合包络谱LSSVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出了经验模态分解(EMD)包络谱分析结合最小二乘支持向量机(LSSVM)方法用于滚动轴承的故障诊断。EMD具有自适应性,可以有效分析非平稳,非线性信号。利用EMD将轴承信号分解为由高频到低频的固有模态函数(IMF),选取前4个主要包含轴承故障频率的IMF函数进行包络谱分析,采用每个分量函数的特征频率和轴承的时域特征作为轴承故障的识别特征,结合LSSVM方法建立轴承故障诊断定性识别模型。结果表明：单独采用频率特征的LSSVM判别模型无法实现轴承故障的准确识别,其正确识别率仅为82.5%;采用频率特征结合时域特征的LSSVM模型可以实现轴承故障类型的100%准确识别。EMD包络谱分析结合模式识别的方法可以实现轴承故障类型的有效识别。     

基于SOM和SVM的食醋品质近红外定性分析

研究近红外光谱(near-infrared spectroscopy,NIRS)结合自组织映射(self-organization mapping,SOM)和支持向量机(support vector machine,SVM)用于食醋酿造年份和品牌的判别分析。连续小波变换(continuous wavelet transform,CWT)用于光谱预处理;主成分分析(principal component analysis,PCA)用于食醋光谱降维和样品空间分布分析。结果表明:CWT预处理可以有效消除食醋光谱的平移误差;PCA可以极大地减少光谱变量,提高建模效率;对于食醋酿造年份的识别,采用CWT—PCA—SOM的正确识别率(correct recognition rate,CRR)为97.37%,采用CWT—PCA—SVM的CRR为100%;对于食醋品牌的鉴别,CWT—PCA—SOM和CWT—PCA—SVM两种方法的CRR均为100%。近红外光谱结合CWT—PCA—SOM和CWT—PCA—SVM方法在食醋酿造年份及其品牌鉴别中均得到很好的分析结果,该方法具有良好的应用前景。     

滚动轴承保持架缺陷的图像处理及模式识别方法研究

轻系列滚动轴承保持架由于兜孔直径小、两半保持架之间钉孔距离相对较大等因素导致在铆压过程中易出现变形,造成铆压歪斜缺陷。为此,本文提出了基于图像纹理特征的模式识别方法用于保持架歪斜缺陷的准确识别。首先,改进了轴承图像归一化展开算法,实现了轴承图像展开起点的自动优化选择以避免误分割保持架、铆钉和滚动体;其次,设计了轴承图像保持架区域定位分割算法,准确分离出7个保持架区域;最后,分别提取保持架区域的Hu矩和旋转不变均匀局部二值模式(LBPrPiu,2R)作为纹理特征,并结合PCA降维方法构建轴承保持架缺陷识别的SVM分类模型。结果表明,基于Hu矩和LBPrPiu2,R的SVM模型的正确识别率分别为85%和100%。因此,轴承LBPrPiu2,R特征结合SVM模型对轴承保持架歪斜缺陷具有较好的识别效果。该方法有望为滚动球轴承保持架铆压工艺缺陷的自动识别提供参考。     

基于便携式近红外光谱仪的食品接触性塑料鉴别

采用便携式近红外光谱仪对聚对苯二甲酸乙二酯(PET)、高密度聚乙烯(HDPE)、低密度聚乙烯(LDPE)、聚氯乙烯(PVC)、聚苯乙烯(PS)和聚碳酸酯(PC)6类食品接触性塑料材质进行鉴别研究。用5点平滑、多元散射校正(MSC)、一阶导数和标准正态变量变换(SNV)4种方法对塑料样品光谱进行预处理;主成分分析(PCA)和偏最小二乘判别分析(PLS-DA)分别用于塑料样品光谱空间分布分析和定性判别模型的建立。结果表明:光谱经SNV和MSC预处理后,6类塑料样品在前3个主成分空间得到了较好的分离;PLS-DA结合SNV预处理方法可得到精简的塑料材质定性判别模型,模型校正集和预测集的正确识别率(CRR)均为100%。该方法可为食品接触性塑料材质的快速鉴别提供参考。     

轴承防尘盖缺陷机器视觉自动检测方法研究

轴承防尘盖在装配过程中易出现各种擦伤、压痕等缺陷，从而影响配套主机的精度、可靠性及寿命，急需研发自动化的轴承表面缺陷检测设备来提高我国轴承生产水平。采用自主设计的自动化检测设备，利用机器视觉结合图像处理方法对轴承表面图像进行采集、分析和处理；采用连通域检测和轮廓筛选方法对轴承外轮廓进行提取；采用最小二乘法拟合外轮廓圆得到圆心及外径，结合半径占比分离法实现防尘盖圆环区域的提取；采用改进算法对防尘盖圆环图像进行展开以避免图像展开时字符或缺陷的误分割；采用垂直方向投影法分离字符区和非字符区，通过连通域检测法对两部分是否存在缺陷分别进行判别。实验结果表明，采用自主设计的轴承检测设备结合最小二乘法、OTSU法、改进的图像展开和投影算法，可实现轴承防尘盖缺陷的自动化检测，正确识别率为96.9%。