一、多源信息融合中小波变换的应用研究(论文文献综述)
冯元彬[1](2021)在《基于多源信号特征融合的刀具磨损状态在线监测》文中研究说明加工过程中刀具与工件、切屑的相互作用,会将其材料微粒转移至切屑或工件上造成刀具的磨损,改变刀具状态从而影响工件的加工精度。研究能够及时准确掌握刀具服役状态的智能监测与诊断方法对提高零件的加工精度和效率以及延长刀具使用寿命具有重要意义。以铣刀为研究对象,对铣削加工过程进行信号采集、分析处理,开展刀具磨损状态智能在线监测研究,主要研究内容如下:在线实时采集变工况下的刀具处于不同磨损阶段时的声音和振动信号;采用正交布置传感器方式实现对切削过程中振动信号的全面准确描述,解决了单一传感器安装方向对信息完整性的影响。利用傅立叶变换方法将时域信号映射至频域,分析了刀具在切削状态与非切削状态下的信号成分分布特点,明确了振动信号中的低频干扰频段。以模拟巴特沃斯低通滤波器模型为基础,采用去归一化方法并结合双线性Z变换推导了数字巴特沃斯高通滤波器的数学表达。针对振动信号中的低频强干扰信号选择合适的滤波器参数,利用数字巴特沃斯高通滤波器通带内最大限度平坦特性对振动信号进行降噪处理;运用本文提出的周期平移自相关系数计算方法,确定了非线性小波阈值降噪的信号最佳滤波分解层数。采用sym5小波基函数剔除了声音和振动信号中信噪频段互相交叠的高频和随机干扰成分。通过分析刀具在不同磨损状态下信号中的成分分布,采用统计学方法,得到声音和振动信号的前六阶主成分。提取出声音和振动信号中主成分幅值占比特征值、时域、频域以及经过小波包分解的不同频段能量占比特征值作为特征优选的原始特征集合。基于GA-RBF方法优选敏感特征,实现特征降维。染色体基因采用二进制编码方式,以RBF网络模型对特征值和刀具磨损等级映射关系作为染色体适应度值的计算函数,以识别准确率作为优化目标,设定种群规模和遗传代数,经迭代计算寻找到适用于不同切削参数下的最优特征组合。特征值优选能够寻找到识别度高、表征能力强的敏感特征,剔除冗余特征,减少网络输入参数,提高其识别准确度与识别速度。以二维卷积神经网络作为特征融合神经网络和模式识别分类器,将提取的特征值等间距布置构成特征矩阵样本作为网络输入,网络输出为刀具的磨损程度。利用卷积运算的自适应逐层特征识别和提取能力实现了多源信号的特征级融合和对刀具不同磨损等级状态的识别。实验结果表明多源信号特征值融合方法的优越性以及所建立的刀具磨损状态识别理论方法的有效性。稳定磨损阶段,通过监测刀具磨损状态优化加工参数及修正刀具,保证工件加工质量,延长刀具使用寿命,降低了刀具成本;刀具进入剧烈磨损阶段时,及时发现并报警,可避免断刀,解决了智能制造过程中确定刀具最佳更换时间的问题,降低了工件的报废率,从而减小生产制造成本。
曹雪山[2](2021)在《基于深度学习的工业机器人故障诊断技术研究》文中研究指明工业机器人凭借自身高效率高强度的工作模式,在生产制造行业及相关领域内有广泛的应用。工业机器人发生故障往往会造成生产线的生产停滞,造成企业人力物力资源的消耗,严重的还会造成人民生命财产损失。由于传统的故障诊断方法周期长、诊断效率低,故障识别准确率也难以保证,研究针对工业机器人的智能化故障诊断系统成为工业生产中的重要一环。本文基于深度置信网络与多源信息融合技术相关理论,通过对工业机器人关节和末端执行器的振动信号的分析,建立适用于工业机器人的故障诊断模型。本文主要研究内容如下:分析工业机器人的常见故障形式、故障表征与故障原因,确定以工业机器人的振动信号作为研究对象,完成工业机器人故障诊断模型的创建与验证。针对工业机器人的振动信号,采用小波变换、信息能量熵相关理论进行特征提取,构建振动信号的能量熵归一化特征向量。以KR-3-R540机器人、数据采集与存储系统、数据分析系统和加速度传感器为实验设备。通过数据采集与存储系统获取加速度传感器所采集到的KR-3-R540机器人各个关节与末端执行器的振动信号,经过数据分析系统进行分析。由于工业机器人运动频率和共振频率的干扰,需要对加速度传感器所采集的振动信号进行滤波处理。利用小波变换和信息能量熵相关理论对滤波之后的振动信号进行处理。通过对比在不同参数下对振动信号的处理结果,确定最佳小波分解层数与小波基数量参数,以及能量熵计算方程和归一化方程。以振动信号所对应的能量熵归一化向量作为实验样本,划分为训练集和测试集,完成对DBN网络参数的正向非监督训练与反向优化微调和模型故障识别准确率的测试。利用多源信息融合技术中的DSmT理论进行故障诊断模型决策层融合。将DBN网络输出层作为故障证据计算证据冲突度量因子,根据证据之间存在的高冲突证据,选取开放辨识框架下的DSmT的组合规则与决策规则进行决策层融合。设计多并发故障状态下机器人实验,验证基于多源信息融合的工业机器人故障诊断模型在多并发故障状态下的适用性,故障识别准确率可达到94.3%。
顾颉颖[3](2021)在《基于多源异构信息与深度学习的截齿磨损状态识别》文中认为随着采掘机械向自动化、智能化的持续深入,机械故障智能化诊断技术至关重要。截齿是采掘过程中最重要的零件之一,截齿的严重磨损直接影响截割效率,增加生产成本,如何进行截齿磨损状态的有效识别是目前研究的热点问题,因此本文以截齿磨损状态为研究对象,引入深度学习网络为识别工具,在信号去噪、特征挖掘、跨维度多源异构信号融合、算法改进的识别模型等方面开展深入研究。截齿截割过程中蕴含着声发射信息的变化,构建了截齿截割实验台控制系统、SAEU3S声发射信号采集与分析系统,对煤岩试件进行一定比例的浇筑,同时根据截齿合金头的质量和尺寸差值定义截齿的磨损状态,分为四种不同磨损程度,分别为:新齿、轻微磨损、严重磨损、失效。构建基于SAEU3S声发射系统的信号采集、信号傅里叶变换及BP神经网络识别模型,为多源异构信号融合和深度学习识别模型提供大量声发射信号样本及对比数据。为了对声发射信号进行更好的滤波去噪,采用Daubechies 12对声发射信号进行小波包变换,利用三层小波包分解,得到分辨率高的重组信号,构建声发射信号特征数据库。构建基于自组织映射(SOM)神经网络的截齿磨损状态识别模型,经测试样本验证,识别准确率约为91%,为深度学习识别模型提供数据支持及识别效果对比数据。为了更好的挖掘图像有效信息,构建了FPV图传套装一体图像采集系统,并用Keyence VHX-5000超景深三维显微镜20倍镜头观察不同磨损程度截齿的表面形貌。利用3种小波去噪方法对图像进行处理,分别为:模极大值去噪法、小波系数相关去噪法、阈值去噪法,通过对比峰值信噪比(PSNR)、均方根误差(MSE)、归一化相关性(NC),得到不同去噪方法的优劣势。建立基于Mallat算法的小波包分解方法,对截齿图像进行单层及二层分解重构,通过对比原始图像和重构图像的灰度直方图和BP神经网络识别率,验证了经过二层分解重构后的图像效果增强,信噪比增加,识别率提高。针对光线不足或者目标物体与背景相差较小的问题,采用指数高通滤波和密度分割技术相结合的图像增强方法,消除照明不够引发的图像降质问题,较好的保护细节,同时提高了图像特征的对比度,通过Hough变换对截齿的边缘轮廓进行合理的提取,并进行适当的平滑处理,为图像识别提供一种合理的边缘提取方法。建立截齿图像运动模糊退化模型,建立基于Lucy-Richardson算法图像复原模型,利用信噪比(SNR)、PSNR、信噪比改善因子(ISNR)来评价退化图像滤波后的效果,证明了15次迭代的复原效果最佳,为多源信号融合和截齿状态识别提供特征明显的图像信息。针对声发射信号的时序性特征,建立基于长短期记忆网络(LSTM)的截齿磨损状态识别模型,经过收敛效果分析,设定LSTM识别模型的超参数,得出模型的识别率为93%,较小波包处理前信号识别率提高11.9%,证明小波包信号处理的合理性,同时证明了深度学习识别模型准确率更高,收敛速度更快。建立了基于卷积神经网络(CNN)的多源异构信号深度融合模型,对一维声发射信号和二维图像分别进行1D CNN和2D CNN两层卷积层和池化层操作,进行多源异构信息融合,建立基于Adam算法优化的LSTM深度识别模型,通过Adam学习率自适应算法最小化LSTM的目标函数误差,得出基于CNN-Adam-LSTM识别模型的平均识别率为97.5%,识别用时为2.3秒,大大加快了训练速度,减少识别用时,同时具有很高的泛化能力。通过对比分析得出,多源信号较单一信号的识别率平均提高3.85%,深层神经网络(LSTM)较浅层神经网络(BP、SOM)的识别率平均提高8%,验证了本文建立的截齿磨损识别模型的合理性。该论文有图105幅,表18个,参考文献159篇。
张苏楠[4](2020)在《生猪异常行为多源监测及其信息融合方法的研究与应用》文中进行了进一步梳理畜牧业作为农业的重要组成部分,在国民经济发展中的基础地位不可动摇。综合考量养殖环境、品质及效率等因素,生猪集约化养殖意义重大。目前,现代集约化养猪场已经逐步实现无人值守,对无人值守养猪场中生猪异常行为进行智能监测,是实现安全养殖、高品质养殖和高效养殖的现实需求。本论文运用机器视觉技术、声音识别技术和超声波技术三种监测手段,从多角度对生猪异常行为进行数字化综合监测,最后采用多源信息融合方法对生猪多源多时段异常行为进行融合评价。主要研究内容如下:(1)基于机器视觉的生猪动作异常监测生猪聚散程度与生猪疾病预防、热舒适性密切相关,生猪打斗行为会影响生猪健康状况与福利水平。为了检测复杂环境下圈养生猪的聚散程度与打斗行为,采用机器视觉技术识别生猪过度聚集与打斗行为。针对复杂养殖环境下,传统目标检测方法在生猪个体检测过程中的局限性,提高对紧密接触生猪的检测精度,提出了结合改进多视窗检测方法和单点多盒检测器(Single Shot Multi Box Detector,SSD)的生猪目标检测方法,并定义了生猪离散度以表征生猪聚散程度,通过实验比较,设定合适的离散度阈值,实现生猪过度聚集检测。在生猪打斗行为识别过程中,针对生猪打斗行为特征,提出了结合帧间差分法(Frame Difference,FD)和SSD的运动生猪个体检测方法,可以有效排除环境因素与静止生猪对打斗行为识别的干扰,确定运动生猪位置,最后根据检测到的运动生猪位置信息与运动持续时间,设计了生猪打斗行为判别方法,该方法可以有效地识别圈养生猪的打斗行为,为饲养员判断生猪异常行为提供依据。(2)生猪异常声音的改进多重支持向量数据描述识别方法生猪在身体状况发生变化或外界环境刺激下会发出不同的声音,本论文选择常见的惊骇声与咳嗽声作为生猪异常声音。为了检测并分类生猪惊骇声和咳嗽声,提出了生猪异常声音的多重支持向量数据描述(Multiple Support Vector Data Description,Multi-SVDD)识别方法。针对训练样本标记错误容易导致Multi-SVDD在训练中出现欠拟合,影响识别精度的问题,根据每个训练样本的重要性赋予相应的权重,对Multi-SVDD进行改进,提高模型的容错能力。实验结果表明,改进Multi-SVDD可以有效地识别生猪异常声音,且具有较强的适用性。(3)生猪饮食异常的改进PSO-SVDD判断方法生猪饮食在一定程度上可以表征生猪的健康状况,本论文采用课题组设计的基于超声波的生猪饮食数据采集装置采集生猪饮食数据,以生猪每天的饮食次数与饮食时间数据为基础,提出采用SVDD对生猪饮食异常进行判断。针对SVDD中惩罚因子与核函数参数难以确定的问题,利用粒子群优化(Particle Swarm Optimization,PSO)算法对SVDD参数进行优化。由于生猪饮食异常具有一定的模糊性,传统决策函数进行模糊决策时精度受限,本论文通过构建模糊决策函数对PSO-SVDD进行改进,并利用改进PSO-SVDD模型对生猪饮食异常进行判断。实验结果表明,该方法可以更加准确地判断生猪饮食异常。(4)生猪多源多时段异常行为的灰色证据组合模型融合评价方法由于在生猪异常行为监测过程中,单一的监测手段很难全面、准确地实现生猪异常行为自动监测,因此需要从多角度、利用不同的监测手段进行融合判断。同时,为了避免单一时段异常判断结果的偶然性对异常等级评估造成影响,本论文采用结合灰色聚类评估模型与D-S证据理论的灰色证据组合模型对生猪多源多时段异常行为进行融合评价。针对D-S证据理论融合高冲突证据时无法得到合理结果的问题,引入证据可信度对组合规则进行改进。该方法可以有效地对生猪多源多时段异常行为进行融合评价,为饲养员提供有效的生猪异常信息,提高监测效率。针对集约化养猪场中生猪异常行为智能监测问题,设计了生猪异常行为多源监测系统,通过机器视觉技术、声音识别技术与超声波技术检测不同的异常信息,并对多源异常信息进行融合评价,有助于提高集约化养猪场的工作效率,为生猪行为监测从人工到数字化、智能化的升级转换提供了一定的理论支持和技术保障。
韩凤霞[5](2020)在《高端数控机床服役过程可靠性评价与预测》文中研究说明随着新一代信息技术、人工智能技术与制造技术的不断融合,制造产业向智能化转型已成为发展的必然趋势。高端数控机床及由其组成的柔性制造系统是智能制造的重要基础。高端数控机床服役过程中,使用工况多变、运行环境复杂,导致数控机床系统性能状态呈现不可逆的退化趋势。在服役阶段,性能劣化及频繁的故障会严重的影响加工精度和生产效率。因此,如何保证数控机床的服役性能成为了设计者、生产厂商及使用者共同关注的焦点问题。对于高端数控机床,其部件退化特征多样,可靠性数据具有小样本特征,传统的基于失效数据的单一性能评估方法有一定的局限性。本文基于“状态监测数据”、“标准S形试件”及“多源数据融合”,在寿命预测、整机运行可靠性评价方面对高端数控机床的服役性能进行评价与预测。主要研究内容如下:(1)构建了基于混合预测方法的关键部件剩余寿命预测模型。对于退化型失效的数控机床关键功能部件,由于运行工况、使用环境、维修程度等因素的影响,功能部件的退化程度和失效时间存在较大的离散性。采用数据驱动和人工智能相结合的综合预测方法,构建了基于RVM和改进幂函数相结合的剩余寿命预测模型,该模型可以适应退化过程的不确定性,在不影响实际的切削过程的前提下,快速、便捷地对运行状态进行评估并对剩余寿命进行预测。(2)研究了基于S试件的高端数控机床整机运行可靠性的评价方法。对于服役阶段的高端数控机床,在复杂、多因素动态作用下,使其运行性能及精度保持性在时间维度内的退化情况各异。目前,在运行工况下,基于加工精度的运行可靠性评价还没有形成统一的标准。探讨了结合面性能劣化与加工精度映射的误差传递模型,提出基于S形试件整机运行可靠性的评价模型。该模型通过标准化S试件的加工工况,对整机施加恒定的激振力,定期监测固定切削工况的特征信号。构建三个维度评价指标(熵值维度、三维希尔伯特幅值谱的可视化维度,边际谱的重心频率的数值量化维度)来综合评估机床的劣化程度,从而对数控机床整机的运行性能及加工质量进行量化与评估。(3)构建了多源信息融合的高端数控机床综合可靠性评价模型。高端数控机床的运行可靠性不但与设计制造阶段的固有可靠性有关,而且与服役阶段的使用维修水平相关。系统地研究了维修履历数据、运行状态信息、加工精度三个维度的可靠性数据融合建模方法,构建了基于模糊层次分析法的高端数控机床综合可靠性评价模型。建立了运行可靠性及质量可靠性评价指标体系,提出的可靠性评估方法既能兼顾机床故障时间反映的“先天因素”,也能兼顾运行状态和加工质量反映的“后天因素”,以此多维度、准确地评价数控机床的综合可靠性。(4)构建了基于模糊贝叶斯网络的生产线中数控机床可靠性评价模型。深度融合子系统可靠性实验数据、现场运维数据、相似系统的维修数据。将模糊理论和贝叶斯网络相结合,解决了多态系统各根节点状态概率难以精确获得的问题,提高了处理不确定性问题的能力。(5)提出了基于寿命预测的联合维修决策模型。为保障高端数控机床高可靠性、低成本运行,针对计划维修容易造成过修或欠修,提出了基于视情维修与计划维修的联合决策模型。该模型综合利用了关键功能部件的整体的寿命分布函数及个体部件的寿命预测结果,以平均维修费用最小为优化目标,采用维修时间间隔和剩余寿命维修阈值为优化变量。通过蒙特卡罗仿真进行了维修费用、维修间隔及维修阈值的协同分析,为维修方案的决策及维修费用的预算提供技术支撑。
孙巧玉[6](2020)在《含分布式电源的配电网馈线自动化模式研究》文中研究说明就电力系统的整体发展水平而言,配电网馈线自动化技术的发展相对迟缓,故障诊断时间长、诊断方法适应性差等问题得不到很好的解决。为解决上述馈线自动化技术所存在的问题,本文以中压配电网为对象,通过对配电网网架结构、通信方式、智能终端等相关技术的了解,根据是否需要通信和具体通信方式的不同将馈线自动化划分为就地控制模式、集中智能模式和智能分布模式,针对不同模式下的馈线自动化故障诊断方法,提出改进措施。针对集中智能模式中广泛应用的传统矩阵算法,提出基于区段描述矩阵的改进矩阵算法,该算法能够降低矩阵维数,减小运算量,故障识别矩阵简化了判别步骤与方式,故障判据简单,不必进行规格化;为解决集中智能模式故障处理时间长的问题,将就地控制模式中出线断路器处的重合闸保护与之配合,提出基于开关量信息进行故障诊断的改进矩阵算法,实现瞬时切除、快速诊断的协作式馈线自动化。考虑该方法在误传、漏传等信息异常和多重复杂故障情况下的准确度有所降低;进一步提出基于开关量与电气量信息的多源信息融合诊断方法,以小波理论为电气量故障特征分析手段,采用改进D-S证据理论对故障度证据体进行信息融合,得到故障元件的融合故障度,最后以模糊C-均值聚类算法对融合结果进行诊断决策,得到融合诊断结果;在协作式馈线自动化基础上增加融合诊断层,构造兼具快速隔离、快速诊断、融合诊断能力的分级式馈线自动化,保证配电网馈线自动化在复杂、异常情况下的故障诊断容错能力与抗风险能力。另外,针对点对点通信方式的智能分布模式,提出基于逻辑值信息判断的改进闭锁方式,结合上下级保护提供的故障信息对故障进行统一研判,提高保护动作的准确度和适应度。本文所提出的馈线自动化改进方式均对分布式电源并网的情况进行了考虑,对多电源或含分布式电源配电网均有良好的适应性。结合具体案例,并运用PSCAD/EMTDC仿真环境和Matlab数据处理平台对不同故障情况进行了仿真与数据分析,结果表明所提出的改进方式能有效提高配电网馈线自动化的故障诊断能力。
王雨虹[7](2020)在《煤与瓦斯突出态势感知方法研究》文中研究表明煤与瓦斯突出是煤矿瓦斯典型动力灾害形式之一,煤与瓦斯突出事故的发生会给煤矿企业造成巨大的经济损失和不良的社会影响。为了尽早的发现煤与瓦斯突出风险,及时地采取科学的防突措施,本文借鉴态势感知的基本思想,利用安全风险管理、压缩感知、模式识别、信息融合、机器学习等技术理论,采用现场调研、理论分析、数值模拟和现场试验相结合的研究方法,从煤与瓦斯突出态势觉察、态势理解和态势预测等几个方面开展煤与瓦斯突出态势感知的深入研究。研究内容及成果为构建煤与瓦斯突出态势感知体系奠定理论基础,为瓦斯动力灾害的科学治理提供辅助决策。在分析煤与瓦斯突出过程及影响因素的基础上,通过理论分析、现场数据分析和数值模拟实验,分析了煤与瓦斯突出过程中,瓦斯涌出规律以及煤岩体破裂声发射的演化特征。结果表明,瓦斯涌出量、声发射信号都具有明显的突出前兆特征。提出了煤与瓦斯突出态势感知的基本任务,构建了局部态势感知和全局态势感知相融合的煤与瓦斯突出态势感知模型。提出了煤与瓦斯突出态势要素的选取应满足科学性、前兆性、实时性、可操作性、全面性和敏感性等原则。以赵各庄矿为例,选取瓦斯涌出及声发射实时监测信息作为主要的煤与瓦斯突出态势要素,将钻屑量、钻屑解吸指标、瓦斯压力、瓦斯含量等作为辅助态势要素,并对突出态势要素选取的可行性进行了分析论证。提出了基于压缩感知的煤与瓦斯突出态势要素有效信息提取方法。以不完全瓦斯涌出时间序列为研究对象,利用压缩感知实现了对缺失率小于30%的瓦斯涌出时间序列的修复。针对噪声背景下的煤岩体声发射信号提取问题,将压缩感知与小波去噪方法相结合,实现了噪声信号和有效煤岩体声发射信号的分离。研究煤与瓦斯突出灾变特征提取方法。提出了基于五点三次平滑处理与非线性分段相结合的瓦斯涌出时间序列趋势特征提取方法。将瓦斯涌出时间序列均值、趋势斜率、波动率等作为瓦斯涌出异常时间序列辨识指标,利用动态模式匹配距离结合层次聚类,实现了对包含突出灾变在内的瓦斯涌出异常时间序列的识别。研究了煤与瓦斯突出过程中声发射信号时域、频域和时频域特征,利用小波包能量谱和小波包能量熵提取声发射信号能量特征。结果表明,突出过程中,声发射信号呈现低频高幅值变化,能量向优势频段集中,小波包能量熵值降低等特征,提出将声发射信号能量熵值变化率作为煤与瓦斯突出前兆辨识指标。构建了煤与瓦斯突出态势评估指标体系,建立了基于信息融合的煤与瓦斯突出态势评估模型。为解决随机性、模糊性等不确定性因素对煤与瓦斯突出态势评估的影响,提出了基于云模型-改进证据理论的煤与瓦斯突出态势评估方法,利用云模型构建证据体的mass函数,采用组合加权的证据理论降低证据间冲突程度,以提高煤与瓦斯突出态势评估的准确性。提出基于机器学习的煤与瓦斯突出态势预测方法。利用天牛群算法(Beetle Swarm Optimization,BSO)优化长短期记忆网络(Long short-term memory,LSTM)的超参数组合,建立了基于BSO-LSTM的瓦斯浓度预测模型。分析掘进工作面瓦斯浓度时空相关性,从时空角度优化预测模型输入。结果表明,基于时空耦合的BSO-LSTM的瓦斯浓度预测模型预测精度较高,结合云模型-改进证据理论对瓦斯浓度预测结果进行基于瓦斯涌出监测信息的突出态势局部预测。就煤与瓦斯突出态势全局预测而言,将态势评估结果量化为态势值,建立基于混沌免疫粒子群(Chaos Immune Particle Swarm Optimization,CIPSO)优化的广义回归网络(Generalized Regression Neural Network,GRNN)的煤与瓦斯突出态势值预测模型,实现了煤与瓦斯突出全局态势的短期预测。工程测试结果表明,煤与瓦斯突出态势感知方法能够准确地感知掘进工作面所面临的煤与瓦斯突出危险威胁,采用瓦斯压力、瓦斯含量、钻屑量等指标验证了利用瓦斯涌出、声发射等实时监测信息感知掘进工作面煤与瓦斯突出态势的结果,进一步说明了煤与瓦斯突出态势感知方法可以提高煤矿防治煤与瓦斯突出灾害的能力,保障矿井安全生产。该论文有图91幅,表29个,参考文献188篇。
张雅玲[8](2020)在《双模态红外图像差异特征多属性的融合有效度分布合成研究》文中研究指明红外光强图像与红外偏振图像分别基于红外目标的辐射强度信息和偏振信息进行成像,这两类图像在亮度、边缘、纹理细节等特征上具有很多差异,因此具有大量互补信息。同一融合算法对不同差异特征的融合能力不同,所以研究双模态红外图像差异特征类型、幅值、频次等多种属性动态变化及特征属性间的关联性是差异驱动融合的关键,能够解决现有双模态红外图像差异驱动融合中多种算法相互冲突、融合效果差甚至失效的问题,最终建立差异特征多属性与融合算法间有效驱动关系间的协调机制。基于此,本文围绕双模态红外图像差异特征多属性的融合有效度分布合成开展研究,剖析了差异特征多属性与融合算法及规则的深层联系,通过可能性分布合成的方法实现了差异特征多属性自适应选择融合算法或融合规则的目的,为差异特征驱动融合的实现提供了新思路。本文主要研究内容如下:(1)差异特征多属性表征:探究双模态红外图像成像特性,明确差异特征不同属性的特点。分析差异特征的幅值与频次两种属性的关系,其中,采用非参数估计的方法构造差异特征频次的可能性分布,通过不同频次分布构造与原始累积分布函数的相似性测度比较选择最优频次属性构造方法,为实现差异特征多属性融合有效度的分布合成奠定基础。(2)差异特征多属性融合有效度的分布构造:阐释融合算法与融合规则的特性,利用距离测度表征差异特征的融合有效度,采用融合有效度的稳定度指标评价不同差异特征融合有效度分布,通过差异特征类型和幅值属性驱动选择最优融合算法进行融合,实现差异特征幅值融合有效度及差异特征频次融合有效度的分布构造,最终依据差异特征权重函数构建差异特征多属性融合有效度的分布。(3)差异特征多属性融合有效度分布合成的建立:明确可能性分布合成的含义,探究可能性分布合成在差异特征多属性融合中的适用性。在此基础上,建立同类差异特征多属性的融合有效度分布合成,探究同类差异特征幅值属性与频次属性的融合有效度分布合成的映射结果。建立异类差异特征多属性的融合有效度分布合成,提出面向算法驱动、规则驱动的差异特征权重函数融合有效度的分布合成,通过异类差异特征权重函数驱动融合选取最优融合策略,评价分析最优融合策略优化组合方法的可行性,以满足复杂多变的差异特征多属性融合需求,为差异特征多属性驱动选取最优融合策略的实现提供了新方法。
孙文卿[9](2020)在《基于多源信息融合的风电滚动轴承故障诊断研究》文中研究指明风电作为一种储能丰富、低碳无污染的绿色能源,是解决生态环境问题和能源短缺的重要选择。近年来,我国风电累计装机容量和新增装机容量均位列全球第一,装机规模和单机容量也在不断的提高。随着风电事业的迅猛发展,机组部件的故障率也受到越来越多的关注。对机组进行实时有效的评估,避免重大事故的发生,是风电领域研究的热点。风电滚动轴承是风电传动系统的关键部件,在运行中承受着很强的时变载荷和冲击载荷,经常出现故障导致机组停运。大数据时代下,将统计学习模型与风电领域海量运行数据相结合,运用多源信息融合的方法,能够全面地把握风电关键部件的健康状态、减少故障诊断过程中对专业知识的依赖。基于此,本文提出了基于多源信息融合的风电滚动轴承故障诊断方法。主要内容如下:(1)介绍了风电传动链模拟试验台的组成部件及相应的信号采集系统,分析了振动信号和声发射信号(Acoustic Emission,AE)的故障敏感程度。(2)提出了滚动轴承多视角特征提取方法。针对传统方法的特征集维度低、单视角特征无法全面把握轴承状态的问题,将Tsfresh和信号处理技术相结合,从时域、频域和时频域的角度,考察信号的原始波形、频谱、包络谱、经验模态分解(Empirical Mode Decomposition,EMD)分量以及连续小波变换(Continuous wavelet transform,CWT)二维系数矩阵,构造了高维的特征集。实验证明了振动与声发射信号特征的互补性以及振动信号多视角特征的有效性。(3)基于机器学习模型,提出了特征融合的方法。针对轴承振动信号高维特征集中无效特征和冗余特征的问题,将随机森林模型和自编码模型相结合对高维特征进行筛选和降维。首先,利用随机森林模型计算出每一个特征的重要度并将特征排序,选择合适数量的重要特征并剔除与故障诊断关联较小的特征;然后将选择出的特征送入到自编码器中进行非线性映射实现降维,进一步减少特征中的冗余;最后将形成的冗余小的低维特征集作为分类模型的输入进行诊断。实验中利用凯斯西储大学的轴承振动信号数据来构造高维特征集并进行特征融合,进而对9种不同的轴承故障状态进行分类识别,结果表明,与PCA、KPCA和LLE等常见的融合模型相比,该方法具有最佳的分类准确率。(4)针对齿轮箱中滚动轴承与其他部件的复合故障现象,提出了基于第6类比例冲突分配规则(Proportional conflict redistribution No.6,PCR6)的多模型融合的故障诊断方法。为保证子模型差异性,选择支持向量机、逻辑斯蒂回归、梯度提升树和深度信念网络等4种子模型进行初步诊断,并输出每个样本的分类概率;然后将子模型分类概率进行匹配和折扣后送入到PCR6中进行最后的决策融合。实验结果证明,该方法取得了比常见投票表决法和Stacking方法更加可靠和稳定的诊断结果。
陈莉芬[10](2020)在《面向多源特征的模式识别算法及应用研究》文中进行了进一步梳理当针对电力系统中相关设备或者波形等开展研究时,单一信息源的特征不足以对其进行全面刻画能力。近年来,随着大数据、物联网和云计算时代的到来,电网数据量不断庞大,特征种类日益增多,为设备状态诊断等各种模式的辨识提供了多源化的信息支撑。但这些特征来源增多、分布差异大、信息之间关系复杂,仅凭传统的单核分类器难以保证分类效果。因此,有必要研究如何有效分析和处理高维特征及保持分类器的辨识稳定性。为提高面向多源特征模式识别算法的精度和性能,本文分别在特征提取、模式分类、决策环节引入融合算法,进而构建面向多源特征模式识别算法的框架,以满足不同场景的应用需求。为实现提取环节的融合,考虑到成对特征联合作用对特征与类别相关度的影响以及度量尺度规范化问题,本文对最大相关最小冗余准则进行改进,提出了基于联合交互-冗余的最大相关最小冗余准则的特征选择算法。在完成模式分类环节融合时,考虑到不同来源特征获取途径不一,选用支持向量机作为分类器来克服某些来源样本量较少的问题。同时由于不同核函数或同一核函数不同参数的学习性能差异较大,因此通过组合多个核函数把多源特征映射至不同高维空间,并且由于此时多源特征样本空间不固定,提出了集成半径信息的多核SVM算法,将半径信息引入多核SVM模型,从而联合间隔来选取核函数权重。通过分析决策环节融合算法,发现其无法解决某一来源数据量较少时最终辨识精度降低的问题,因此采用集成分类器结构来构建各源特征对应的神经网络,并且为使小样本特征集对应神经网络更好地学习和表达其典型特征,先后利用多源特征样本和小样本特征集开展初步训练和二次训练,对初步训练得到的基神经网络进行权重系数修正,促进敏感性神经元动作和抑制不敏感性神经元动作。电能质量扰动辨识对电能质量扰动的分析及抑制措施的选取具有重要意义。以往大多研究是利用单一特征提取手段得到的特征来辨识各种单一电能质量扰动,但是现场往往是多种电能质量扰动同时发生,此时特征空间更为复杂、其边界也更为模糊,并且通过分析各种特征提取手段所得扰动特性曲线的特点,说明混合电能质量扰动辨识有必要引入不同特征提取手段提取的多源特征。接着将本文所提出的三种方法应用于混合电能质量扰动辨识。通过仿真数据的分析,验证了引入多源特征对混合电能质量扰动辨识的有效性以及本文所提出的三种方法应用在基于多源特征模式识别的混合电能质量扰动辨识方面的有效性。电力变压器是电力系统的关键环节,能否尽快发现变压器的各种潜伏性故障保证变压器的正常运行直接关系到电力系统的供电稳定性。电力变压器结构复杂,运行环境存在较多不确定性,其故障征兆与故障发生机理间关系多样、模糊,仅凭单一的信息来进行变压器故障诊断具有较大的局限性,并且通过分析变压器各种特征的特点,进一步说明综合引入油气特征和电气特征的必要性。接着将本文所提出的三种方法应用于变压器故障诊断。通过现场数据应用分析表明,同时引入油气和电气特征有助于提高变压器故障诊断的准确性,以及本文所提出三种方法应用在基于上述特征进行变压器故障诊断具有较高的精度。仿真数据和实例分析都验证了本文所提出三种方法的有效性。通过对基于联合交互-冗余的最大相关最小冗余准则的特征选择结果进行评估,说明该方法能够从众多特征中筛选出关键的特征子集,在较少特征的情况下保证辨识的精度;通过对集成半径信息的多核SVM辨识结果的分析,说明该方法能够有效地组合不同来源的信息,辨识精度高,鲁棒性较好;通过对多样本量通用的集成分类器算法辨识结果的分析,说明其他来源的信息能够为小样本特征集提供补充信息,并提高最终的辨识精度。
二、多源信息融合中小波变换的应用研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、多源信息融合中小波变换的应用研究(论文提纲范文)
(1)基于多源信号特征融合的刀具磨损状态在线监测(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究目的及意义 |
1.2 研究现状及分析 |
1.2.1 刀具磨损检测方法研究 |
1.2.2 信号降噪方法研究现状 |
1.2.3 特征值提取与选择方法研究现状 |
1.2.4 信息融合状态识别研究现状 |
1.3 本文主要研究内容 |
第2章 刀具状态信号降噪处理方法研究 |
2.1 铣削加工刀具磨损实验 |
2.1.1 刀具检测信号采集实验 |
2.1.2 实验内容 |
2.2 振动信号合成 |
2.3 信噪频带互相分离的降噪方法 |
2.3.1 巴特沃斯滤波降噪方法 |
2.3.2 刀具磨损信号高通滤波 |
2.4 信噪频带混叠的降噪方法 |
2.4.1 非线性小波阈值法降噪法 |
2.4.2 周期平移自相关系数法 |
2.4.3 刀具磨损信号降噪 |
2.5 本章总结 |
第3章 刀具磨损信号特征值提取与选择 |
3.1 小波包分解法 |
3.2 特征值提取 |
3.2.1 信号主成分特征值 |
3.2.2 小波包分解能量占比特征值 |
3.2.3 时域和频域特征值 |
3.2.4 振动及声音信号特征值提取 |
3.3 基于GA-RBF的最优特征选择 |
3.3.1 基于GA的刀具磨损特征值选择 |
3.3.2 基于RBF的适应度函数 |
3.4 刀具磨损状态特征值选择 |
3.4.1 特征值组合数量的确定 |
3.4.2 特征值组合结果 |
3.5 本章总结 |
第4章 多源信号特征融合卷积网络识别方法研究 |
4.1 刀具磨损信号特征值CNN融合方法 |
4.2 刀具磨损状态识别 |
4.2.1 单一振动信号的刀具磨损状态识别 |
4.2.2 单一声音信号的刀具磨损状态识别 |
4.2.3 融合特征信号的刀具磨损状态识别 |
4.2.4 识别结果对比 |
4.3 本章总结 |
第5章 结论与展望 |
5.1 结论 |
5.2 展望 |
致谢 |
参考文献 |
(2)基于深度学习的工业机器人故障诊断技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 故障诊断技术研究背景 |
1.3 工业机器人故障诊断研究现状 |
1.4 论文主要内容 |
第2章 工业机器人故障诊断相关技术 |
2.1 引言 |
2.2 工业机器人故障分析 |
2.3 深度置信网络(DBN) |
2.3.1 深度置信网络基本原理 |
2.3.2 受限玻尔兹曼向量机 |
2.3.3 深度置信网络训练过程 |
2.4 多源信息融合技术 |
2.4.1 多源信息融合技术基本概念 |
2.4.2 多源信息融合的层级 |
2.4.3 证据理论 |
2.5 本章小结 |
第3章 工业机器人故障诊断实验平台 |
3.1 引言 |
3.2 实验平台介绍 |
3.2.1 实验设备 |
3.2.2 实验平台功能 |
3.3 实验内容与数据采集 |
3.3.1 实验内容 |
3.3.2 实验数据 |
3.4 本章小结 |
第4章 基于深度置信网络的工业机器人故障诊断 |
4.1 引言 |
4.2 工业机器人振动信号预处理 |
4.3 能量熵归一化特征向量 |
4.3.1 信息熵和能量熵 |
4.3.2 能量熵归一化特征向量 |
4.4 基于深度置信网络的工业机器人故障诊断模型 |
4.4.1 故障诊断模型创建流程 |
4.4.2 初始化DBN网络参数 |
4.4.3 模型准确率分析 |
4.5 本章小结 |
第5章 基于多源信息融合的工业机器人故障诊断 |
5.1 引言 |
5.2 DSmT基本概念 |
5.3 DSmT模型组合规则 |
5.3.1 自由DSm模型的组合规则 |
5.3.2 混合DSm模型M(Θ)的组合规则 |
5.4 可传递信度模型 |
5.4.1 开放辨识框架 |
5.4.2 冲突度量因子 |
5.5 基于DBN和 DSmT的工业机器人故障诊断模型 |
5.5.1 故障诊断模型创建流程 |
5.5.2 机器人故障诊断及结果分析 |
5.6 本章小结 |
第6章 总结与展望 |
总结 |
展望 |
参考文献 |
攻读硕士学位期间发表的论文和科研成果 |
致谢 |
作者简介 |
附录 |
(3)基于多源异构信息与深度学习的截齿磨损状态识别(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 主要研究内容 |
1.4 技术路线 |
1.5 本章小结 |
2 基于SAEU3S声发射信号系统的截齿磨损状态识别 |
2.1 截齿截割实验台与数据采集分析系统 |
2.2 煤岩试件制备及截齿磨损状态标定 |
2.3 基于SAEU3S系统的声发射信号分析及识别 |
2.4 本章小结 |
3 基于小波包变换与SOM神经网络的状态识别 |
3.1 声发射信号去噪方法分析 |
3.2 声发射信号三层小波包分解与重构 |
3.3 基于SOM神经网络的截齿磨损状态识别 |
3.4 本章小结 |
4 基于图像处理与BP神经网络的截齿磨损状态研究 |
4.1 图像去噪机理及去噪方法分析 |
4.2 不同磨损程度截齿的图像采集 |
4.3 不同去噪方法对图像的处理效果分析 |
4.4 基于图像处理与BP神经网络的磨损状态识别 |
4.5 截齿图像增强和边缘检测 |
4.6 基于运行模糊处理的图像还原 |
4.7 本章小结 |
5 基于小波包变换与长短期记忆网络的截齿磨损状态识别 |
5.1 循环神经网络深度学习模型 |
5.2 长短期记忆网络模型建立 |
5.3 基于长短期记忆网络的截齿磨损状态识别 |
5.4 本章小结 |
6 基于多源信息融合与Adam算法优化的深度学习识别模型 |
6.1 多源异构信息融合理论 |
6.2 基于卷积神经网络的截齿多源异构信息融合 |
6.3 基于Adam算法优化的CNN-LSTM截齿磨损状态识别 |
6.4 识别结果对比分析 |
6.5 本章小结 |
7 结论、创新点及展望 |
7.1 结论 |
7.2 创新点 |
7.3 展望 |
参考文献 |
查新结论 |
附录 1 |
作者简历 |
学位论文数据集 |
(4)生猪异常行为多源监测及其信息融合方法的研究与应用(论文提纲范文)
摘要 |
ABSTRACT |
英文缩写对照表 |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 机器视觉技术的研究现状 |
1.2.2 音频监测技术的研究现状 |
1.2.3 超声波技术研究现状 |
1.2.4 多源信息融合研究现状 |
1.3 论文主要研究内容和章节安排 |
1.3.1 论文主要研究内容 |
1.3.2章节安排 |
1.4 本章小结 |
第2章 基于机器视觉技术的生猪动作异常监测 |
2.1 基于机器视觉技术的生猪异常行为监测总体结构 |
2.2 生猪生长周期分析 |
2.3 生猪视频采集与预处理 |
2.3.1 生猪视频采集 |
2.3.2 生猪图像预处理 |
2.4 基于改进SSD的生猪目标检测研究 |
2.4.1 卷积神经网络 |
2.4.2 SSD基本结构 |
2.4.3 SSD网络训练 |
2.4.4 SSD基础网络 |
2.4.5 生猪目标的改进SSD检测方法 |
2.4.6 基于改进SSD的生猪目标检测结果与分析 |
2.5 生猪过度聚集的改进SSD检测方法研究 |
2.6 生猪打斗行为的FD-SSD检测方法研究 |
2.6.1 基于帧间差分法的生猪移动像素提取 |
2.6.2 基于SSD的运动生猪个体检测 |
2.6.3 生猪打斗行为判别方法 |
2.6.4 生猪打斗行为的FD-SSD检测方法实验结果与分析 |
2.7 本章小结 |
第3章 生猪异常声音的改进多重支持向量数据描述识别方法 |
3.1 生猪异常声音识别总体结构 |
3.2 生猪异常声音分析与生猪声音信号采集 |
3.2.1 生猪异常声音分析 |
3.2.2 生猪异常声音采集 |
3.3 生猪声音信号预处理 |
3.3.1 生猪声音能量检测 |
3.3.2 生猪混合声音分离 |
3.3.3 生猪声音降噪 |
3.3.4 生猪声音端点检测 |
3.3.5 生猪声音分帧加窗 |
3.4 生猪声音特征参数提取 |
3.4.1 生猪声音短时能量 |
3.4.2 生猪声音短时过零率 |
3.4.3 生猪声音线性预测倒谱系数 |
3.4.4 生猪声音梅尔频率倒谱系数 |
3.4.5 生猪声音耳蜗滤波倒谱系数 |
3.4.6 生猪声音特征参数提取结果 |
3.5 生猪异常声音的改进多重支持向量数据描述识别方法 |
3.5.1 支持向量数据描述基本步骤 |
3.5.2 多重支持向量数据描述 |
3.5.3 改进多重支持向量数据描述 |
3.6 生猪异常声音识别实验结果与分析 |
3.6.1 生猪声音独立源分离 |
3.6.2 生猪声音降噪结果与分析 |
3.6.3 生猪异常声音识别结果与分析 |
3.7 本章小结 |
第4章 生猪饮食异常的改进PSO-SVDD判断方法 |
4.1 生猪饮食异常判断总体结构 |
4.2 基于超声波的生猪饮食数据采集装置 |
4.3 基于改进SVDD的生猪饮食异常判断 |
4.4 基于改进粒子群优化算法的SVDD参数寻优 |
4.4.1 粒子群算法基本原理 |
4.4.2 基于粒子变异的粒子群优化算法 |
4.5 基于改进PSO-SVDD的生猪饮食异常判断 |
4.5.1 样本归一化 |
4.5.2 构建适应度函数 |
4.5.3 改进PSO优化SVDD参数 |
4.6 实验结果与分析 |
4.6.1 不同参数下SVDD训练结果 |
4.6.2 改进SVDD决策函数前后生猪饮食异常判断结果比较 |
4.6.3 改进PSO优化SVDD参数结果 |
4.6.4 基于改进PSO-SVDD的生猪饮食异常判断结果 |
4.7 本章小结 |
第5章 生猪多源多时段异常行为的灰色证据组合模型融合评价方法 |
5.1 生猪异常概率计算 |
5.2 基于灰色证据组合模型的生猪多源多时段异常融合评价总体结构 |
5.3 基于灰色聚类评估模型的生猪多源异常评估 |
5.3.1 灰色聚类评估模型相关概念 |
5.3.2 构建白化权函数 |
5.3.3 确定指标组合权重 |
5.4 基于D-S证据理论的生猪多时段异常评估结果融合 |
5.4.1 D-S证据理论基本原理 |
5.4.2 D-S证据理论的改进组合规则 |
5.5 生猪多源多时段异常行为融合评价实例分析 |
5.5.1 低冲突证据融合 |
5.5.2 高冲突证据融合 |
5.6 生猪异常行为智能监测管理平台 |
5.6.1 用户登录 |
5.6.2 生猪异常行为智能监测主画面 |
5.6.3 生猪动作异常监测 |
5.6.4 生猪声音异常监测 |
5.6.5 生猪饮食异常监测 |
5.7 本章小结 |
第6章 结论 |
6.1 结论 |
6.2 论文创新点 |
6.3 展望 |
参考文献 |
攻读学位期间取得的科研成果 |
致谢 |
(5)高端数控机床服役过程可靠性评价与预测(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 论文选题背景 |
1.2 课题来源 |
1.3 数控机床可靠性指标体系 |
1.3.1 数控机床固有可靠性 |
1.3.2 数控机床运行可靠性 |
1.3.3 数控机床加工精度可靠性 |
1.4 国内外研究现状 |
1.4.1 数控机床可靠性研究现状 |
1.4.2 寿命预测研究现状 |
1.4.3 数控机床精度评价研究现状 |
1.4.4 数控机床维修策略研究现状 |
1.5 论文主要研究内容 |
1.5.1 综述总结与问题提出 |
1.5.2 本文主要内容 |
第2章 高端数控机床功能部件剩余寿命预测方法研究 |
2.1 引言 |
2.2 性能退化相关概念 |
2.3 电主轴/刀柄结合面性能退化建模 |
2.3.1 主轴/刀柄性能退化指标构建 |
2.3.2 电流损耗与刀柄性能退化分析 |
2.3.3 小波包降噪 |
2.4 融合RVM和改进幂函数的预测模型 |
2.4.1 小波包熵 |
2.4.2 相关向量机概述 |
2.4.3 回归模型及拟合性能评价 |
2.4.4 剩余寿命综合预测模型 |
2.5 实验验证 |
2.6 本章小结 |
第3章 基于S试件的高端数控机床运行可靠性评价 |
3.1 引言 |
3.2 基于S试件的机床运行精度分析 |
3.2.1 S试件的结构特点 |
3.2.2 数控机床的运动误差分析 |
3.3 数控机床结合面动特性研究 |
3.3.1 数控机床结合面性质 |
3.3.2 结合面研究概述 |
3.4 高端数控机床切削过程中动态性能评价 |
3.4.1 运行状态感知 |
3.4.2 基于CEEMDAN的特征提取 |
3.4.3 基于S试件的运行状态评价 |
3.5 实验验证 |
3.6 本章小结 |
第4章 基于多源信息数据数控机床综合可靠性评价 |
4.1 引言 |
4.2 高端数控装备的多源可靠性评价指标 |
4.2.1 基于故障时间的可靠性评价 |
4.2.2 基于运行状态的可靠性评价 |
4.2.3 基于加工质量的可靠性评价 |
4.3 高端数控装备多源信息融合评价体系 |
4.3.1 基于层次分析法的权重分配 |
4.3.2 基于故障数据的模糊可靠性评价 |
4.3.3 基于多源信息数控机床评价体系构建 |
4.3.4 实例验证 |
4.4 本章小结 |
第5章 基于贝叶斯网络生产线中数控机床可靠性评价 |
5.1 引言 |
5.2 航空结构柔性生产线可靠性评价模型 |
5.3 制造子系统信息融合及状态划分 |
5.4 构建多状态贝叶斯网络 |
5.5 实例验证 |
5.6 本章小结 |
第6章 基于寿命预测的维修策略研究 |
6.1 引言 |
6.2 维修保障与维修策略概述 |
6.2.1 维修决策模型 |
6.2.2 维修程度及优化决策 |
6.3 基于寿命预测的维修决策模型 |
6.3.1 视情维修相关研究 |
6.3.2 视情维修与定期维修的联合维修策略 |
6.3.3 基于维修时机和维修阈值的联合优化 |
6.4 蒙特卡罗仿真 |
6.5 实例验证 |
6.6 本章小结 |
第7章 总结与展望 |
7.1 研究结论 |
7.2 创新点 |
7.3 研究展望 |
参考文献 |
致谢 |
在学期间发表的学术论文和参加科研情况 |
作者简介 |
详细摘要 |
(6)含分布式电源的配电网馈线自动化模式研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 引言 |
1.2 课题背景及意义 |
1.3 研究现状 |
1.4 主要研究内容及安排 |
2 馈线自动化技术概述 |
2.1 概述 |
2.2 配电网典型网架结构 |
2.3 远方通信 |
2.4 馈线智能终端 |
2.5 馈线自动化模式 |
2.6 本章小结 |
3 基于改进矩阵算法的协作式馈线自动化 |
3.1 传统矩阵算法 |
3.2 改进矩阵算法 |
3.3 基于改进矩阵算法的协作式馈线自动化 |
3.4 算例分析 |
3.5 本章小结 |
4 基于多源信息融合的分级式馈线自动化 |
4.1 基于电气量信息的故障诊断方法 |
4.2 信息融合技术 |
4.3 基于模糊C-均值聚类算法的故障诊断决策 |
4.4 基于多源信息融合的分级式馈线自动化 |
4.5 算例分析 |
4.6 本章小结 |
5 基于改进闭锁方式的智能分布式馈线自动化 |
5.1 级联闭锁保护方式 |
5.2 辐射式配电网的级联闭锁 |
5.3 分布式电源对配电网短路电流的影响分析 |
5.4 基于改进闭锁方式的智能分布式馈线自动化 |
5.5 算例分析 |
5.6 本章小结 |
6 总结与展望 |
6.1 工作总结 |
6.2 未来展望 |
参考文献 |
附录1 |
作者简历 |
致谢 |
学位论文数据集 |
(7)煤与瓦斯突出态势感知方法研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.3 存在问题及不足 |
1.4 研究内容与技术路线 |
2 煤与瓦斯突出过程与突出态势感知 |
2.1 煤与瓦斯突出过程及影响因素 |
2.2 煤与瓦斯突出前兆信号特征分析 |
2.3 煤与瓦斯突出态势感知 |
2.4 本章小结 |
3 基于压缩感知的煤与瓦斯突出态势要素提取 |
3.1 煤与瓦斯突出态势信息的压缩感知 |
3.2 不完全瓦斯涌出时间序列处理方法 |
3.3 噪声背景下声发射信号提取方法 |
3.4 本章小结 |
4 煤与瓦斯突出灾变特征提取方法 |
4.1 基于趋势分析的瓦斯涌出异常时间序列辨识 |
4.2 煤与瓦斯突出声发射信号前兆特征提取 |
4.3 本章小结 |
5 基于信息融合的煤与瓦斯突出态势评估 |
5.1 煤与瓦斯突出态势评估模型 |
5.2 煤与瓦斯突出态势评估方法 |
5.3 本章小结 |
6 基于机器学习的煤与瓦斯突出态势预测方法 |
6.1 基于时空耦合的瓦斯浓度态势预测模型 |
6.2 基于广义回归网络的煤与瓦斯突出态势值预测模型 |
6.3 本章小结 |
7 煤与瓦斯突出态势感知的工程测试 |
7.1 煤与瓦斯突出态势要素获取及评估临界值的确定 |
7.2 煤与瓦斯突出态势评估方法验证 |
7.3 煤与瓦斯突出态势预测方法验证 |
7.4 本章小结 |
8 结论、创新点及展望 |
8.1 结论 |
8.2 创新点 |
8.3 展望 |
参考文献 |
查新结论 |
作者简历 |
学位论文数据集 |
(8)双模态红外图像差异特征多属性的融合有效度分布合成研究(论文提纲范文)
摘要 |
Abstract |
1.绪论 |
1.1 课题研究目的与意义 |
1.2 国内外研究现状 |
1.2.1 双模态红外图像差异驱动融合 |
1.2.2 差异特征的融合有效度 |
1.2.3 可能性分布合成 |
1.3 研究内容与章节安排 |
1.3.1 研究内容 |
1.3.2 章节安排 |
2.双模态红外图像差异特征的属性表征 |
2.1 差异特征不同属性及其特点 |
2.2 差异特征类型确定 |
2.3 差异特征幅值表征 |
2.4 差异特征频次表征 |
2.4.1 基于K最近邻估计差异特征频次构造 |
2.4.2 基于MISE最优带宽差异特征频次构造 |
2.4.3 不同构造方法与累积分布函数相似性测度比较 |
2.5 本章小结 |
3.差异特征多属性的融合有效度分布构造 |
3.1 融合算法及规则的特点分析 |
3.2 不同属性的融合有效度及其分布构造 |
3.2.1 融合有效度及其函数化描述 |
3.2.2 融合有效度分布与度量方式稳定性评价 |
3.2.3 差异特征幅值融合有效度分布构造 |
3.2.4 差异特征频次融合有效度分布构造 |
3.3 差异特征多属性融合有效度分布构造 |
3.4 本章小结 |
4.差异特征多属性融合有效度分布合成建立 |
4.1 可能性分布合成的理论分析 |
4.2 同类差异特征多属性融合有效度分布合成构建及评价分析 |
4.3 异类差异特征多属性融合有效度分布合成构建及评价分析 |
4.3.1 异类差异特征多属性相关性分析 |
4.3.2 面向算法驱动下的差异特征多属性融合有效度分布合成 |
4.3.3 异类差异特征多属性最优融合算法的选取 |
4.3.4 面向规则驱动下的差异特征多属性融合有效度分布合成 |
4.3.5 异类差异特征多属性最优融合规则的选取 |
4.4 本章小结 |
5.总结与展望 |
5.1 本文的主要工作与创新点 |
5.2 下一步的工作展望 |
参考文献 |
攻读硕士期间发表的论文及所取得的研究成果 |
致谢 |
(9)基于多源信息融合的风电滚动轴承故障诊断研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 多源信息融合的故障诊断技术研究现状 |
1.2.1 多视角特征提取技术 |
1.2.2 特征融合研究 |
1.2.3 模型融合研究 |
1.3 主要研究内容及安排 |
第二章 风电机组传动试验系统 |
2.1 前言 |
2.2 传统系统模拟试验台 |
2.2.1 驱动电机和负载电机 |
2.2.2 转矩转速传感器 |
2.2.3 联轴器 |
2.2.4 齿轮箱 |
2.2.5 滚动轴承及其典型故障 |
2.3 信号采集系统 |
2.3.1 振动信号采集系统 |
2.3.2 声发射信号采集系统 |
2.4 本章小结 |
第三章 风电滚动轴承多视角特征提取研究 |
3.1 引言 |
3.2 Tsfresh介绍 |
3.2.1 简单特征 |
3.2.2 组合特征 |
3.3 频谱及时频分析方法 |
3.3.1 傅里叶变换 |
3.3.2 Hilbert变换及包络谱分析 |
3.3.3 经验模态分解 |
3.4 实验验证 |
3.4.1 风电传动链试验台3 分类轴承数据集 |
3.4.2 凯斯西储大学多分类轴承数据集 |
3.5 本章小结 |
第四章 基于随机森林和自编码器的滚动轴承多视角特征融合 |
4.1 引言 |
4.2 特征选择 |
4.2.1 随机森林原理 |
4.2.2 随机森林特征选择 |
4.2.3 支持向量机特征有效性验证 |
4.2.4 实验验证 |
4.3 自编码非线性降维 |
4.3.1 自编码模型 |
4.3.2 参数寻优及SVM分类结果分析 |
4.4 本章小结 |
第五章 基于模型融合的风电机组轴承复合故障诊断 |
5.1 引言 |
5.2 小波时频特征提取原理 |
5.2.1 连续小波变换 |
5.2.2 卷积神经网络原理 |
5.3 故障诊断子模型 |
5.3.1 逻辑斯蒂回归(LR) |
5.3.2 深度信念网络(DBN) |
5.3.3 梯度提升树(GBDT) |
5.4 模型融合算法 |
5.4.1 Stacking融合 |
5.4.2 第6 类比例冲突分配规则(PCR6) |
5.5 实验验证 |
5.5.1 构造数据集 |
5.5.2 多视角特征集提取 |
5.5.3 诊断及融合 |
5.5.4 实验结果分析 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
攻读硕士期间研究成果 |
(10)面向多源特征的模式识别算法及应用研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 面向多源特征模式识别算法的发展 |
1.2.2 面向多源特征模式识别算法在电力系统中的应用 |
1.3 本文主要工作 |
第二章 面向多源特征模式识别算法研究 |
2.1 引言 |
2.2 特征提取环节融合辨识算法研究 |
2.2.1 信息论的基础知识 |
2.2.2 最大相关最小冗余准则 |
2.2.3 联合交互-冗余的最大相关最小冗余准则研究 |
2.2.4 基于联合交互-冗余的最大相关最小冗余准则的特征选择算法研究 |
2.3 模式分类环节融合辨识算法研究 |
2.3.1 SVM算法 |
2.3.2 多核SVM算法 |
2.3.3 集成半径信息的多核SVM算法研究 |
2.3.4 多分类集成半径信息的多核SVM实现 |
2.4 分类-决策双环节融合辨识算法研究 |
2.4.1 大样本特征集对应神经网络的建立 |
2.4.2 小样本特征集对应神经网络的建立 |
2.4.3 多源融合决策 |
2.4.4 多样本量通用的集成分类器算法流程 |
2.5 三类融合算法的对比 |
2.6 本章总结 |
第三章 基于多源特征模式识别的混合电能质量扰动辨识 |
3.1 引言 |
3.2 原始特征空间的提取 |
3.2.1 电能质量扰动信号建模 |
3.2.2 原始扰动特征量提取 |
3.3 基于多源特征模式识别的混合电能质量扰动辨识逻辑 |
3.4 基于多源特征模式识别的混合电能质量扰动辨识仿真分析 |
3.4.1 混合电能质量扰动数据的获取 |
3.4.2 基于联合交互-冗余的最大相关最小冗余准则的特征选择算法有效性验证 |
3.4.3 集成半径信息的多核SVM算法有效性验证 |
3.4.4 多样本量通用的集成分类器算法有效性验证 |
3.5 本章总结 |
第四章 基于多源特征模式识别的变压器故障诊断 |
4.1 引言 |
4.2 特征空间的获取及故障类型的划分 |
4.2.1 变压器故障特征的特点 |
4.2.2 变压器故障特征空间 |
4.2.3 变压器故障类型的分类空间 |
4.3 基于多源特征模式识别的变压器故障诊断逻辑 |
4.4 基于多源特征模式识别的变压器故障诊断实例分析 |
4.4.1 变压器故障数据的获取 |
4.4.2 基于联合交互-冗余的最大相关最小冗余准则的特征选择算法有效性验证 |
4.4.3 集成半径信息的多核SVM算法有效性验证 |
4.4.4 多样本量通用的集成分类器算法有效性验证 |
4.5 本章总结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
研究生期间发表的学术论文 |
学位论文评阅及答辩情况表 |
四、多源信息融合中小波变换的应用研究(论文参考文献)
- [1]基于多源信号特征融合的刀具磨损状态在线监测[D]. 冯元彬. 西安理工大学, 2021(01)
- [2]基于深度学习的工业机器人故障诊断技术研究[D]. 曹雪山. 河北工程大学, 2021(08)
- [3]基于多源异构信息与深度学习的截齿磨损状态识别[D]. 顾颉颖. 辽宁工程技术大学, 2021
- [4]生猪异常行为多源监测及其信息融合方法的研究与应用[D]. 张苏楠. 太原理工大学, 2020(01)
- [5]高端数控机床服役过程可靠性评价与预测[D]. 韩凤霞. 机械科学研究总院, 2020
- [6]含分布式电源的配电网馈线自动化模式研究[D]. 孙巧玉. 山东科技大学, 2020(06)
- [7]煤与瓦斯突出态势感知方法研究[D]. 王雨虹. 辽宁工程技术大学, 2020
- [8]双模态红外图像差异特征多属性的融合有效度分布合成研究[D]. 张雅玲. 中北大学, 2020(12)
- [9]基于多源信息融合的风电滚动轴承故障诊断研究[D]. 孙文卿. 东南大学, 2020(01)
- [10]面向多源特征的模式识别算法及应用研究[D]. 陈莉芬. 山东大学, 2020(10)