提出了一种数学形态学与GG(Gath-Geva)模糊聚类相结合的旋转机械故障诊断方法,通过对滚动轴承信号的多尺度形态运算得到信号的形态谱,定量反映了信号在不同尺度下的形态变化特征。为进一步对滚动轴承信号进行故障识别,提取出基于形态学...提出了一种数学形态学与GG(Gath-Geva)模糊聚类相结合的旋转机械故障诊断方法,通过对滚动轴承信号的多尺度形态运算得到信号的形态谱,定量反映了信号在不同尺度下的形态变化特征。为进一步对滚动轴承信号进行故障识别,提取出基于形态学操作的分形维数和描述不同信号形态特征的指标即形态谱熵,并把这2个参数作为GG聚类的故障特征向量,进行聚类分析,同时对GG聚类与FCM(fuzzy center means)聚类和GK(Gustafaon-Kessel)聚类进行了比较。实验证明了基于数学形态学与GG聚类相结合的机械故障诊断方法的有效性,且证明了GG聚类更适合对不同形状、大小和密度的空间故障数据模糊聚类,聚类效果更好。展开更多
文摘提出了一种数学形态学与GG(Gath-Geva)模糊聚类相结合的旋转机械故障诊断方法,通过对滚动轴承信号的多尺度形态运算得到信号的形态谱,定量反映了信号在不同尺度下的形态变化特征。为进一步对滚动轴承信号进行故障识别,提取出基于形态学操作的分形维数和描述不同信号形态特征的指标即形态谱熵,并把这2个参数作为GG聚类的故障特征向量,进行聚类分析,同时对GG聚类与FCM(fuzzy center means)聚类和GK(Gustafaon-Kessel)聚类进行了比较。实验证明了基于数学形态学与GG聚类相结合的机械故障诊断方法的有效性,且证明了GG聚类更适合对不同形状、大小和密度的空间故障数据模糊聚类,聚类效果更好。
文摘针对货车心盘螺栓故障图像,提出一种基于韦伯局部描述符(Weber Local Descriptor, WLD)特征和局部相位量化(Local Phase Quantization, LPQ)特征融合的故障图像检测算法。该算法分为螺栓定位与识别2个步骤,采用间接定位法逐步定位感兴趣区域(Region of Interest, ROI),通过最大类间方差法(Otsu)和改进的Canny算法与图像投影结合定位螺栓部位;利用WLD特征和LPQ特征分别提取螺栓纹理,对其归一化,使用PCA降维特征向量,串行联合为WLD-LPQ特征,通过支持向量机SVM自动检测识别。研究结果表明:本文算法能快速准确定位,空间域与频率域结合的WLD-LPQ特征提高了检测识别率,平均检测识别率达到98%以上。
