正常角膜和圆锥角膜的特征提取

基于角膜测量仪器Corvis ST采集的图像视频,提出提取新特征参数以便准确区分正常角膜和圆锥角膜。首先对图像进行滤波、分割等预处理,检测角膜上下边界,并计算前角膜曲率值;用小波变换分析角膜曲率变化,获取与角膜运动趋势相关的特征,包括角膜运动的整体趋势和角膜振动的范数和标准差。然后,基于均方误差最小化法,提取特征参数,构建最优参数。最后,用支持向量机(SVM)对正常角膜和圆锥角膜进行分类。从频率的角度实施的实验显示角膜在基本运动趋势上存在着振动过程。此外,提出的参数优于形变幅度(DA)、峰值距离(PD)等传统参数,使准确度、灵敏度和特异性分别提高了10.2%,5.7%和6.9%。受试者工作特征曲线(ROC)下面积为0.948,接近于1。结果显示本文方法自动提取的特征参数可提高正常角膜和圆锥角膜区分的准确性,对临床诊断有辅助作用。     

插值算法在角膜地形图系统中的应用研究

介绍了插值算法的基本原理,运用插值算法时已知点数据进行了插值,选择合适的参数应用于特定的角膜地形图系统,得到整个角膜表面的伪彩图.通过应用YZ59角膜地形图系统的实例,阐述了插值方法的计算过程.对插值结果进行了分析研究,结果表明,改进的谢别德方法插值结果更为准确,更适合于临床应用.     

角膜地形图仪中调焦函数的选取及搜索方法

选取适合角膜地形图仪的调焦函数并设计搜索方法。基于角膜地形图仪的图像拍摄要求及调焦系统原理,采用八种调焦评价函数对实验图像进行处理,对比分析不同调焦函数的单峰性、一致性、灵敏度、计算速度等指标。结果显示:除了Variance函数的单峰性较差,其他七种函数都有良好的单峰性、一致性和计算速度,而Laplacian函数灵敏度最高,有效测量范围小,适合精确调焦;NRSS函数灵敏度低,有效测量范围大,适合粗调焦。基于所选取的调焦评价函数,针对角膜地形图仪调焦系统,设计了一种基于阈值判别条件的搜索方法,确定其调焦阈值,并通过实验验证该方案的有效性。     

角膜地形图仪中Placido盘及投射照明系统的设计与实现

为了实现检测角膜的表面形貌,设计了基于Placido盘的角膜地形图仪投射照明系统。首先,根据人眼的明视觉光谱光视效率、CCD元件光谱响应曲线以及仪器对面光源照度与发光均匀性的要求,进行了LED背光源设计。其次,根据角膜地形图仪检测原理,比较了球形和椭球形Placido盘的利弊,在背光源照明下分析了这两种面型Placido盘的光照情况。分析显示,椭球形Placido盘的最大辐照度优于球形盘。采用反向逆推法建立数学模型,利用Matlab软件求解确定了盘上黑白条纹环的分布。最后,根据上述设计参数进行了Placido盘加工,搭建了投影照明实验装置,并利用标准模型眼对所获得的投射照明系统进行检测。实验结果表明:在主波长为625nm的AlGalnP红色LED面光源照明的情况下,采用所设计的24环椭球型Placido盘成像到CCD上的黑白条纹环满足等间隔均匀分布的要求,检测精度可达到0.05m~(-1),较好地满足了角膜地形图仪对投射照明系统的高对比度、高精度的要求。     

结合光谱和形态剖面特征自适应加权影像分类

针对遥感影像分类中多特征利用的问题,提出一种综合利用光谱和形态剖面特征的分类方法.该方法首先将原始影像经形态属性滤波器滤波所得的形态剖面特征和影像光谱值一起组成特征向量;然后依据训练样本各特征分量的方差确定不同地物类别相应特征分量的初始权重,并通过训练样本的特征加权获得各类别的初始中心;随后,根据初始权重计算每个训练样本到各聚类中心的加权距离,将最小距离对应的类别作为训练样本的初始类别;再对每一类别,根据该类训练样本中那些被错分为其他类别样本的均值与该类初始中心的距离来调整该类初始权重;最后,根据调整后的权重,采用加权距离最小分类方法对整个影像进行分类.实验结果表明,形态剖面特征有效地弥补了光谱信息区分能力不足的缺点,调整后的权重强化了区分能力强的特征分量.     

车床主轴箱磨损微粒形态特征研究

利用自行构建的磨粒分析系统考察了车床主轴箱中磨损颗粒的形态特征。结果表明:磨粒大小分布范围基本在0.5~100μm之间,其中88%的磨粒位于20~80μm范围内,磨粒尺寸与积聚数量间基本呈现以50μm为中心的正态分布;磨粒可分为板块状磨粒、椭球状磨粒、层状磨粒、疲劳剥块及片状磨粒等5种类型;不同类型磨粒需多种表征参数共同使用才能有效区分。     

基于局部特征尺度分解和数学形态滤波的齿轮故障诊断方法研究

为了实现齿轮故障的精确诊断,针对齿轮早期故障振动信号非线性、非平稳且信噪比低的特点,提出了一种基于局部特征尺度分解(LCD)和数学形态滤波的齿轮故障诊断方法。首先,对齿轮振动信号进行局部特征尺度分解,得到若干内禀尺度分量(ISC);然后,依据峭度准则,选取峭度最大的ISC作为故障特征分量,再运用形态差值滤波器对其进行滤波;最后,对滤波结果求取频谱并进行故障诊断。通过对仿真结果和实验数据的分析,说明了该方法的可行性和有效性。结果表明,该方法具有抑制噪声和提取故障冲击特征的能力,能够有效地实现齿轮故障的精确诊断。     

图像处理下的粗集料形态特征研究

数字图像处理技术能够快速准确的提取粗集料的形态特征数据,进行粗集料形态特征评价。将粗集料的图像导入计算机利用Matlab软件进行图像处理,粗集料的图像经过消除噪声、图像分割、二值化、边缘提取以及颗粒数据分析,进而得到粗集料形态特征指标参数,包括粗集料长短轴、粗集料矩形度、粗集料圆形度、粗集料棱角性以及粗集料针片状含量。对粗集料图像进行分析处理后发现图像处理技术能够快速提取粗集料的特征参数,且比人工间接测量方法更加快捷准确。研究表明：最小阈值法能够很好地提取出粗集料的轮廓图像,进而完成粗集料图像的参数采集。石灰岩粗集料矩形度随着棱角性、长轴的增大而呈减小的趋势,石灰岩粗集料圆度随着棱角性、长轴的增大而呈增大的趋势;石灰岩粗集料颗粒的棱角性随长轴变化并不明显,曲线趋于平缓,样本棱角性在1.1左右,角度变化并不大;石灰岩粗集料针片状含量为0。研究有助于提升粗集料颗粒的质量控制,控制沥青混凝土使用性能,推动集料检测技术发展。     

优化数学模型的分析诊断与特征识别

介绍了对优化数学模型进行分析诊断的方法,用它可以分析诊断该模型中存在的各种问题和错误,并能识别优化数学模型的各种特征。     

风力发电机组早期故障诊断

随着风力发电行业的快速发展,风力发电机组装机数量迅猛增加。然而恶劣的工作环境导致风力发电机组故障率较高。通过故障诊断技术及时发现设备存在的故障,进而确保发电机组安全可靠运行,是降低事故的有效途径。提出一种风力发电机组早期故障诊断的方法,通过对风力发电设备运行状态进行实时监测并进行趋势预测,及时发现运行过程中存在的故障隐患,并利用信号处理方法 EEMD对故障信号进行分析处理,提取故障特征信息,进而诊断故障发生的原因和部位等情况,最后综合评价决策釆取适当的应对措施,并通过实验验证了该方法的有效性。     

齿轮裂纹早期诊断方法研究

选用Morlet小波基函数,将连续小波变换分别应用于时域同步平均信号和齿轮啮合残余信号.对比分析了正常齿轮、微小裂纹齿轮和破损齿轮的小波功率谱和最大小波功率谱,发现齿轮啮合残余信号的小波功率谱和最大小波功率谱对微小裂纹较敏感,能较早地诊断齿轮裂纹的出现.提取小波功率最大值及其与平均值的比值,作为诊断齿轮裂纹出现和进展的量化指标,并作了分析验证.对比分析了齿轮振动时域同步平均信号和啮合残余信号的时域波形和傅立叶频谱,均不能及时诊断微小裂纹.     

材料早期损伤的非线性超声诊断

对于材料微结构特征的检测,特别是材料早期损伤,非线性超声具有独特的优势。立足于非线性超声的发展历程,阐述了非线性超声的基本理论和数学模型,深入分析了非线性超声参量的影响因素,包括位错单极子模型、位错偶极子模型、析出物和微裂纹;阐述了非线性超声的实验方法,重点介绍了非线性超声纵波和表面波的检测方法;论述了非线性超声在闭合裂纹、疲劳及位错早期损伤、材料热老化、蠕变及材料辐射损伤等领域中的应用;最后总结了非线性超声检测技术在材料早期损伤应用中面临的机遇和挑战。     

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。     

双谱切片的分形特性在减压阀故障诊断中的应用

减压阀是液压系统中的一种重要元件,也很容易发生故障,如何对减压阀发生的故障进行诊断,对于机械系统的维护有着重要意义.首先获取了减压阀振动时的正常信号和故障信号的AR双谱切片,再根据双谱切片所呈现出的自相似性,分别计算了每组数据的容量维数,并由计算结果进行故障诊断,取得了良好效果.     

基于最小二乘支持向量机和机电综合特征的发电机故障诊断

提出了1种最小二乘支持向量机和机电综合特征相结合的发电机故障诊断模型.用二次损失函数代替传统支持向量机中的不敏感损失函数,将不等式约束条件变为等式约束,从而将二次规划问题转变为线性方程组求解,降低了计算的复杂性.提取发电机故障中的综合特征,即振动信号和电流信号,整理后作为诊断模型的特征值,从而得到了故障的典型特征,提高了诊断的准确率.最后从SDF 9型模拟发电机中实测数据进行分析,结果表明,与常规的方法相比,该模型具有较高的分类速度和较好的故障诊断准确率.     

多尺度特征自适应融合的气动控制阀故障诊断

气动控制阀作为过程工业典型的终端执行机构,由于故障发生率高、故障类型繁多,导致故障识别难度大,且故障后果严重,因此对其进行智能的故障检测和诊断具有重要的实际意义。 本文提出了一种多尺度特征自适应融合网络用于气动控制阀故障诊断。 首先,搭建了融合自注意力机制的多尺度特征提取网络自动提取信号的空间特征和细节特征。 然后,设计了权重自适应特征融合网络对多尺度特征加权融合,提高模型对故障特征的表征能力。 最后,由长短时记忆神经网络和 SoftMax 函数实现特征识别和故障分类。 实验结果表明,该模型在 DAMADICS 阀门基准实验平台上的平均检测准确率达到 96. 82% ,均高于其他对比模型。 与最近发表文献中的检测结果对比发现,本文开发的模型在可检测的故障数量和检测准确率方面也具有一定的优势,并且通过实验验证了模型的检测性能。     

基于振动-电流广域特征与软共享机制的断路器多故障诊断

万能式断路器机械结构复杂,其产生的故障具有多源性,对多源故障进行失效溯源分析是十分必要的。 然而,传统的多 任务诊断方法不能很好地处理任务间存在的干扰问题,导致故障识别率降低。 针对此问题,提出一种基于振动-电流广域特征 与软共享机制的多故障诊断方法。 首先利用 TKEO 与 DTM,实现分合闸振动信号片段的精准分割,在此基础上分别融合触头动 作关联振动信号和附件电流信号的广域特征信息合成彩色图像样本以丰富故障表征信息。 然后基于多任务学习的软共享机制 构建多故障诊断模型,并通过自适应加权方法来自动的调整两个任务损失函数的权重比例,消除了任务间的相互干扰,进而提 高了故障诊断的性能。 最后分别从合闸和分闸两个过程进行实例分析,结果表明本文所提方法在两个任务的分类准确率分别 达到了 99. 78% 和 99. 85% ,可以有效地实现万能式断路器多故障诊断。