一种基于UEE-EMD的滚动轴承故障诊断方法

滚动轴承是很多大型旋转机械的核心部件,其故障诊断的研究对保障旋转机械运行稳定性具有重要的意义。经验模态分解方法对分析非线性不稳定的滚动轴承故障信号具有独到的优势。然而,经验模态分解固有的端点效应问题往往会导致较大的故障特征提取误差,影响故障诊断的准确性。针对上述问题,本文提出基于无失真端点极值化的经验模态分解(UEE-EMD)的滚动轴承故障诊断方法,UEE-EMD通过交叉取样策略和端点极值化策略从源头上抑制端点效应的产生,利用本征模函数截头去尾从结果上屏蔽端点效应,保证了滚动轴承故障特征提取的准确性。故障诊断仿真实验表明,基于UEE-EMD的滚动轴承故障诊断取得了更好的诊断效果。     

基于KPCA与KFDA的SAR图像舰船目标识别

针对SAR图像中舰船目标识别的问题,提出了基于核主成分分析(Kernel Principal Component Analysis,KPCA)和核Fisher判别分析(Kernel Fisher Discriminate Analysis,KFDA)相结合的舰船目标识别算法。用核主成分分析的方法对实测的SAR舰船目标数据进行特征降维,再结合核Fisher判别分析法对降维后的样本数据进行多类别分类。将该方法用于对实测的四类舰船目标进行识别,平均识别率可达91.25%。实验结果表明,核主成分分析与核Fisher判别分析相结合的方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率。     

基于横摇过程的舰船破损模式识别算法

在舰船破损进水过程的横摇运动时域模型的基础上,求解得到横摇运动的时域曲线;对此时域曲线通过特征提取得到其破损模式的识别属性;通过案例推理技术建立舰船破损模式识别算法.该识别算法的实现可为舰船抗沉决策提供准确的破损信息,有利于舰船的防沉抗沉.     

基于特征提取的齿轮箱震动故障信号检测

齿轮箱是汽轮机、发电机等船舶机械设备的重要组成部分,其在机械设备中通常负责力的传递,是当前各种机械中最为常见和关键的构件,通常情况下,齿轮箱能否正常工作,将直接影响到相关的机械设备能否正常工作。因此对于齿轮箱故障的检测和排除至关重要,当前,通过齿轮箱震动信号对齿轮箱的运转状态进行判断,是最为常用的方法,然而这一方法至今仍然需要较多的人工经验,难以利用计算机进行自动的探测和判断,一方面效率较低,另一方面精度较差,在实际操作中应用的并不广泛。为此,本文提出一种基于特征提取的齿轮箱震动故障信号检测方法,通过自动化的信号检测和判断技术,对齿轮箱的当前状态进行判断,并能够对出现的故障进行自动化的检测。     

一种基于小波分解的信号特征提取方法

利用目标信号功率主要集中在低频部分的特点，对信号进行小波分解，提取在不同频率带内信号的能量作为特征，用费歇判别方法对目标进行检测．通过不同浪级情况下海洋水压力场的仿真信号数据，对某型目标舰船的水压力信号进行了检测计算，验证了该方法的有效性，尤其是在高海况、低信噪比条件下，达到了比较好的效果．     

小波变换与HHT在HVDC系统故障特征提取中的对比研究

介绍了高压直流输电(HVDC)系统的特点及小波变换与希尔伯特-黄变换的原理。针对高压直流输电系统,利用MATLAB/Simulink对其进行交直流侧短路接地故障的仿真,分别通过小波变换和希尔伯特-黄变换对其进行故障特征的提取。分析结果,得到了在HVDC系统的短路故障特征提取中,小波变换有一定的局限性,而希尔伯特-黄变换更有效直观的结论。     

基于弹性网格和方向线素特征的脱机手写汉字识别

弹性网格和方向线素特征已广泛应用于许多手写汉字识别系统中,并认为是目前较成熟和有效的手写体汉字特征.本文将传统弹性网格特征和方向线素特征相结合然后运用BP神经网络对其进行识别.实验证明,本文特征提取方法在识别率上优于传统的弹性网格方法.     

基于机器视觉的船舶吃水线自动检测方法分析

传统的船舶吃水线自动检测方法自动化水平较低,无法获取精准的检测结果。为了解决该问题,提出基于机器视觉的船舶吃水线自动检测方法。从机器视觉系统提取吃水异常数据,在采用修正思想对船舶吃水异常数据进行补偿,在此基础上,应用定量分析表,设置船舶吃水线自动检测标准,待完成上述操作步骤后,对船舶吃水线进行自动检测,由此完成基于机器视觉的船舶吃水线自动检测方法的设计。实验选择在水质较为清晰的水域,并随机选取8个实验参数,对2种检测方法进行实验对比,实验结果表明,所提方法的自动检测结果更精准。     

基于Hu不变矩的船舶焊缝缺陷图像特征提取

介绍基于Hu不变矩的船舶焊缝缺陷图像特征提取方法,实验表明所提取的Hu不变矩满足缩放、平移和旋转上的几何不变性,同时具有较高的抗噪能力。对于复杂的焊缝缺陷图像,不变矩特征能有效的表征图像的特征信息,在一定程度上可以作为缺陷识别的重要依据。