基于信息融合的时频分析方法及其在故障诊断中的应用研究!

!""#年!月

第$%卷第!期

机床与液压

&’()*+,-../0)123’4/*(5

6789!""#

:;<9$%+;9!

基于信息融合的时频分析方法及其在故障诊断中的应用研究!

王胜春=!!!韩捷!

"=9山东大学机械工程学院!济南!%""@=#!9郑州大学振动工程研究所!郑州?%"""!$

摘要!将全矢谱技术分别与短时傅立叶变换"A F L K7Q分布"模糊函数相结合!提出了短时矢谱"全信息A F L K7Q分布"全信息模糊函数的新概念!并分别阐述了它们的算法及特点#仿真算例与实验表明!基于信息融合的上述三种时频分析方法与单通道的信号分析相比!前者均能体现信息融合的优越性!大大提高旋转机械故障识别的准确率和可靠性#其中!全信息模糊函数在时频定位性"抑制交叉项"去噪方面又更优于短时矢谱和全信息A F L K7Q分布!是一种行之有效的故障诊断的时频分析方法#

关键词!短时矢谱$全信息A F L K7Q分布$全信息模糊函数$故障诊断

中图分类号!-)=#$-G$"@$-X%$BB文献标识码!’BB文章编号!=""=C$>>="!""##!C!=?C?

@.$#/-)#M,#%04!%+D4"."2+"#1’%*,D D F%-’)$+&.’%+%1&A#!99D.0+&.’%&’*+,D&C.+6%’"."

A’+M5O7KL T OEK=!!!)’+k F7!

%=95T O;;<;N&7T OI KF T I<,KL F K77Q F KL!5OI KV;KL4KF W7Q U F R J!k F KI K!%""@=!(OF KI$ !937U7I Q T O*KU R F R ER7;N:F8Q I R F;K,KL F K77Q F KL!D O7KL_O;E4KF W7Q U F R J!D O7KL_O;E?%"""!!(OF KI& !:"&)+0&’(;S8F K7V W7T R;Q U P7T R Q ES R O7;Q J]F R O U O;Q R[R F S7N;EQ F7Q R Q I KU N;Q S!]F L K7Q VF U R Q F8ER F;K I KV I S8F L EF R J N EKT R F;K!K7] T;KT7PR U!F979U O;Q R[R F S7W7T R;Q U P7T R Q ES%5-:G&!N E<

;#4<’)1"’5O;Q R[R F S7W7T R;Q U P7T R Q ES$6E<

!"引言

旋转机械是机械设备的主要组成部分!在石油"化工"机械"冶金"电力等行业中的应用极为广泛!是动力系统的核心设备!一旦发生事故!将造成巨大损失!所以工程上对旋转机械的故障识别和诊断技术的要求越来越高#

由于转子的涡动特性!某一探头检测到的信息无论在振动的量值和结构方面均不能反映机组运行的实际状况#在很多情况下!差异是很大的!甚至直接影响诊断结果!造成误判"漏判#因此!采用基于同源数据信息融合方式的全信息分析方法对旋转机械进行状态监测与故障诊断!可以真正实现旋转机械检测信息的无遗漏!大大提高旋转机械故障识别的准确率和可靠性#

而传统的基于时域和频域的诊断方法对大量的非平稳信号的分析难于反映其局部性质!无法起到时频定位作用#因此!本文利用全信息分析理念!将其向时频分析领域进一步延伸和拓展!将实践证明有巨大优越性的全矢谱技术分别与短时傅立叶变换"A F L K7Q 分布"模糊函数相结合!阐述了它们的算法及特点#通过仿真算例与实验验证表明!基于信息融合的上述三种时频分析方法与单通道的信号分析相比!前者均能体现信息融合的可行性和优越性!可以更全面地反映信号特征#其中!全信息模糊函数在时频定位性"抑制交叉项"去噪方面优于短时矢谱和矢AF L K7Q分布!是一种行之有效的故障诊断的时频分析方法# #"全信息时频分析方法

=9=B短时矢谱

对于同源信息的双通道非平稳信号!将矢谱技术与短时傅立叶变换结合形成的短时矢谱定义为’Y>*>

A

%$!+&O-A%0&V!%0^$&V0%=&其中!A%0&为利用全矢谱快速融合算法形成的矢量信号#

A%0&e?%0&f#!@%0&

对于有限长的离散数据融合信号A%,&!则’

Y>*>

A

%5!/&e$

+C=

,e"

A%,&V!%,C5K&7\P%C#!+,/4 +&B/e"!=!0!+C=%!&式中K为时间轴上窗函数移动的步长#

!基金项目!国家自然科学基金资助项目%+;’%"@#%!"d&$河南省杰出人才创新基金项目%+;9"@!="""%""&$河南省重大科技攻关资助项目%+;9"=!!"!!"""&

=9!B 全信息A F L K7Q 分布

?%$&为一连续时间信号!则该信号的AF L K7Q 分布的02?定义为’02?

%$!+&O -_z

^z

?%$_04!&?!%$^04!&G ^#+0

V $%$&

式中?!

%$&是?%$&的共轭#AF

L K7Q 分布是时间与频率的两元函数!因此可以表现瞬时频率随时间的变化情况#

将单通道信号的AF L K7Q 分布定义推广到矢量振动信号上!得到了全信息A F L K7Q 分布!其定义为’

02A

%$!+&O -_z

^z

;A

%$

!0&G ^#+0

V $%?&

式中;A

%$!0&为融合了?"@方向能量的矢量能量’;A

%$!0&e ?%$f 04!&?!

%$C 04!&f #!

@%$f 04!&@!

%$C 0

4!&全信息AF L K7Q 分布的离散表达式’

0A %,!5&e !$/

;A

%,!/&7\P %C #?/5+4&&其中’

;A

%,!/&e -?%,!/&f #!

-@%,!/&-?

%,!/&e ?%,f /&?!%,C /&-@%,!/&e @%,f /&@!%,C /&

%%&

?%,&"@%,&为?"@方向信号经)F <87Q R 变换后的解析信号#采用解析信号的原因是避免按+J iEF U R 要求采样时处理结果发生较多的频谱混迭#

=9$B 全信息模糊函数

模糊函数’6的定义不很统一!本文采用如下定义’

6?

%,!0&O -_z

^z

?

%$_04!&?!

%$^04!&G ^#!+,

$V $

类似于全信息A F L K7Q 分布!全信息模糊函数的

定义为’

6A

%,!0&O -_z

^z

;A %$

!0&G ^#!+,

$V $%@&

将全信息模糊函数乘一核函数#

%,!0&进行低通滤波!转换到时频域!得到时频分布的公式为’02A %$!+&O -_z ^z

-_z

^z

6A

%,

!0&G #!+%,$^+0

&#

%,!0&V ,V 0%#&对于有限长的离散采样数据!首先将公式离散化

并加窗处理’

6*%K !/&e !$!E C =

H e ";A

%H !/&G C #K H !+

!E

%>&

02%,!5&e !$

+C

=/eC +[

f

=$!E C =K

e "#

%K !/(

&!$!E C

=H e

";A

%H !/&-G

C

#K H !+!)E

G

#!+

K ,!]

E

-)%/&)!

%C /&G

C #!+

/5!+C =

%d &

式中’)%/&为窗函数!!+C

=为窗的长度#利用?"@方向的解析信号?%,&"@%,&!根据式%%&将同源信息融合后!由式%>&"%d &经过一次傅立叶变换求出全信息模糊函数6*A %K !/&!通过"4=截断的核函数作低通滤波!然后经过二维傅立叶变换和反变换即可得到该截面同源信号融合后的时频分布#

本文定义的三种时频分析方法均继承了全矢谱的优点!由于融合了?"@方向的信号!因而可以更全面"更准确地反映信号特征!避免了依据单通道信号进行故障诊断时可能造成的误判"漏判#

$"仿真研究

为了验证上述全信息时频分析的有效性及特点!下面通过一仿真算例进行阐述#

?"@方向的同源信号?%,&"@%,&均由$个分量叠加而成’

?=e %T ;U %!+%=,4%7f "9"%@&BB 其它"BBBBBBBBBBB ,#{

=""?!e

dT ;U %!+%!,4%7f "9"#=&BB 其它"BBBBBBBBBBB ,#{=""?%,&e ?=f ?!f =!T ;U %!+%$,4%7f "9=#&@=e >T ;U %!+%=,4%7f "9">=&BB 其它"BBBBBBBBBBB ,#{=""@!e

?T ;U %!+%!,4%7f "9==!&BB 其它"BBBBBBBBBBB ,#{

=""

@%,&e @=f @!f ="T ;U %!+%$,4%7f

"9!"=&式中’%=e ="")_!%!e ?"")_!%$e !"")_!%7e $!"")_

!采样点数为%=!#!9=B 信息融合特性研究

单通道短时傅立叶变换如图=%I &"%8&所示!基于全信息的短时矢谱如图=%T

&所示#对比图=%I

&"%8&可见!?方向信号的="")_频率成分较弱!?"")_与!"")_频率成分明显!而@方向的信号?"")_频率成分却远小于="")_的频率成分!这样一个截面上不同方向所测得信号的特征不唯一!容易引起误判!而全信息融合后的短时矢谱图=%T &则清楚地显示了$个信号成分!且?"")_成分稍强于="")_#

单通道信号的AF L K7Q 分布见图!%I &"%8&!全信息AF L K7Q 分布如图!%T &所示#对比此图同样可以发现!在图!%8&中?"")_频率已无法显示!而信息融合后的图?%T &则可以体现原信号的$个频率成分#

单通道模糊函数与全信息模糊函数滤波厚的时频分布如图$所示!对比可见全信息模糊函数不仅清楚

地反映了$个信号成分!而且$个成分的强弱也很好地得以体现#综合上述三图可以得出!基于信息融合的时频分析方法优于孤立的单通道分析方法#

-

T O =-第!期王胜春等’基于信息融合的时频分析方法及其在故障诊断中的应用研究

BBB

图=

图!

图$

!9!B 时频分辨率研究

对比图="图!"图$短时傅立叶变换"AF L K7Q 分布"模糊函数方法所对应的单通道信号及全信息融合信号的时频分布图可见!短时傅立叶变换时频分辨率较差!而A F L K7Q 分布和模糊函数方法则具有良好的时间定位能力和较高的时频分辨率!正确反映了!"")_成分和,e =""数据点对应的"9"$!U 以后出现的="")_"?"")_的信号分量#

但是!A F L K7Q 分布图中由于多信号分量的存在!除了$个信号分量外!还出现了%")_"=%")_"$"")_等大量虚假频率!造成交叉干扰#更为严重的是!交叉项与自项混叠在一起!干扰模式更为复杂!如图!所示!此处低频交叉干扰项的幅值较大!且与低频处自项混叠!造成?"")_的分量远小于="")_自项的假象!在信号较弱时!更容易被淹没!最后将难以识别其AF L K7Q 分布中有物理意义的谱分布!使故障特征无法提取#

图$全信息模糊函数则继承了模糊函数的特点!

有效地抑制了A F L K7Q 分布的交叉干扰项!清楚地再现了信号的时频特征#将同一截面的双通道信息融合后!使信号变换至表示时延C 频偏的模糊域!利用信号的能量主要集中于原点附近的特点!低通滤波后得到反映信号全面信息的时频分布!既滤除了干扰项!又克服了信号源不足的问题#

!9$B 抗噪性能研究

在上述仿真信号的基础上!加一信噪比为$VX 的随机噪声!比较基于信息融合的短时矢谱"全信息AF L K7Q 分布"全信息模糊函数的抗噪性能!如图?%I &"%8&"%T &所示!可见!全信息AF L K7Q 分布对噪声最敏感!噪声的存在使得微弱的自项信号完全被淹没!而全信息模糊函数由于首先将信号变换到时延C 频偏平面!在时延C 频偏模糊平面中!6?%,!0&的最大值始终在%,!0&平面的原点附近!且该最大

值即是信号的能量#经过低通滤波时!在滤除交叉项的同时!也将绝大部分的噪声滤除!因而它的抗噪能力最强#

图?

-

H O =-机床与液压第$%卷

%"试验研究

图%

为进一步验证全信息时频分析方法在故障诊断中的应用!在转子试验台上进行了转子裂纹的模拟实验!每周采样@?点!共采>个周期!转子转速为!>>"Q a S F K!对应?>)_的基频#由于篇幅有限!仅列出转子裂纹故障信号的全信息短时矢谱图%%I&"全信息A F L K7Q 分布图%%8&!转子裂纹故障信号的单通道模糊函数与全信息模糊函数的时频图见图@%I&"%8&"%T&#对比图%%I&"图%%8&与图@%T&可见!由于短时矢谱的时频分辨率较低!在图%%I&中仅反映了?>)_的基频#全信息AF L K7Q分布可以较好的反映?>)_的基频和d@)_的二次谐波成分!但同时存在较多的虚假频率!且三次谐波已被淹没!在没有故障先验知识信息的前提下!故障特征无法提取#图@ %T&全信息模糊函数滤波后的时频分布中则完全消除了交叉干扰项!清楚的体现了?>)_的基频"d@)_的二次谐波"=??)_的三次谐波成分#

比较转子裂纹故障信号的单通道模糊函数与全信息模糊函数的时频图@%I&"%8&"%T&可见!?方向振动信号的二次谐波成分已非常微弱!而将同一截面的双通道信息融合后的图@%T&则准确反映了?>)_基频"d@)_的二次谐波"=??)_三次谐波的故障特征#可见信息融合的时频分析可以为故障诊断提供更为准确的依据!在上述三种时频分析方法中!全信息模糊函数最为优越#

图@

&"结论

将全矢谱技术在时频领域进一步延伸和拓展!分别研究了基于信息融合的短时傅立叶变换"AF L K7Q 分布"模糊函数全信息时频分析方法!通过仿真算例和试验证明了全信息时频分析方法的可行性及优越性#

对三种全信息时频分析方法进行研究比较!短时矢谱对噪声不敏感!但因受)7F U7K87Q L测不准原理的限制!时频分辨率较低#全信息AF L K7Q分布时频分辨率高!但多分量信号的全信息AF L K7Q分布图中交叉干扰严重!此外它对工程噪声反应敏感!这两个弱点致使故障特征提取困难#全信息模糊函数将同一截面的双通道信息融合以后!变换至模糊域进行滤波!不仅抑制了交叉干扰项!而且滤除了噪声的干扰!同时又克服了孤立的单通道信号源不足的问题!更全面的反映出截面上信号的特征!准确反映了信号的时间C频率关系!是故障诊断中行之有效的一种方法#

参考文献

4=5韩捷!石来德9旋转机械的全信息能量谱分析方法研究*k+9机械强度!!""$!!%%?&’$@?C$@>9

4!5韩捷!董辛旻!郝伟!李凌均9旋转机械同源数据全信息倒频谱分析与应用*k+9机械强度!!""%!!#

%?&’?%!C?%%94$5纪跃波!秦树人!汤宝平9A F L K7Q分布干扰项抑制及其算法*k+9重庆大学学报!!""=!!?%?&’!@C$"9 4?5k T;KL k!A F<

%!&’?"!C?=!9

4%5k T;KLk!A F<

*,,,!=dd=’$=>d C$=d!j

作者简介!王胜春!女!=d@>年>月生!山东邹平人!汉族!博士研究生!山东建筑工程学院副教授!研究方向为时频分析与故障诊断#电话’=$d$>%$d$==!,C S I F<’U T]I KL m">"#l=@$9T;S#

收稿日期% ))))))))))))))))))))))

!""@C"!C"d

"上接第!!>页$

参考文献

4=5雷天觉9新编液压工程手册*&+9北京’北京理工大学出版社!!"""9

4!5夏志新9液压系统污染控制*&+9北京’机械工业出版社!=dd!9=!9

作者简介!刘峰璧%=d@!,&!佛山科学技术学院机电及信息技术分院副教授#主要从事设备油液监测和故障诊断等方面的研究工作#,C S I F<’$d>">@$lR;S9T;S#

收稿日期%!""@C"=C=>

-

I O=

-

第!期王胜春等’基于信息融合的时频分析方法及其在故障诊断中的应用研究BBB

第5章频域分析法习题解答

第5章频域分析法 学习要点 1 频率特性的概念，常用数学描述与图形表示方法； 2 典型环节的幅相频率特性与对数频率特性表示及特点； 3 系统开环幅相频率特性与对数频率特性的图示要点； 4 应用乃奎斯特判据判断控制系统的稳定性方法； 5 对数频率特性三频段与系统性能的关系； 6 计算频域参数与性能指标； 思考与习题祥解 题判断下列概念的正确性 ω的正弦信号加入线性系统，这个系统的稳态输出也将是同 (1) 将频率为 一频率的。 M仅与阻尼比ξ有关。 (2) 对于典型二阶系统，谐振峰值 p (3) 在开环传递函数中增加零点总是增加闭环系统的带宽。 (4) 在开环传递函数中增加极点通常将减少闭环系统的带宽并同时降低稳定性。 (5) 对于最小相位系统，如果相位裕量是负值，闭环系统总是不稳定的。 (6) 对于最小相位系统，如果幅值裕量大于1，闭环系统总是稳定的。 (7) 对于最小相位系统，如果幅值裕量是负分贝值，闭环系统总是不稳定的。 (8) 对于非最小相位系统，如果幅值裕量大于1，闭环系统总是稳定的。 (9) 对于非最小相位系统，须幅值裕量大于1且相位裕量大于0，闭环系统才是稳定的。 (10) 相位穿越频率是在这一频率处的相位为0。 (11) 幅值穿越频率是在这一频率处的幅值为0dB。 (12) 幅值裕量在相位穿越频率处测量。 (13) 相位裕量在幅值穿越频率处测量。 (14) 某系统稳定的开环放大系数25 K<，这是一个条件稳定系统。 (15) 对于（-2/ -1/ -2)特性的对称最佳系统，具有最大相位裕量。 (16) 对于（-2/ -1/ -3)特性的系统，存在一个对应最大相位裕量的开环放大系数值。 (17) 开环中具有纯时滞的闭环系统通常比没有时滞的系统稳定性低些。 (18) 开环对数幅频特性过0分贝线的渐近线斜率通常表明了闭环系统的相对稳定性。 M和频带宽BW (19) Nichols图可以用于找到一个闭环系统的谐振峰值 p 的信息。

故障诊断专家系统及其发展

综述与评论 计算机测量与控制.2008.16(9) C omputer Measurement &Control 1217 中华测控网https://www.wendangku.net/doc/506535748.html, 收稿日期:2008-06-08; 修回日期:2008-07-16。 作者简介:安茂春(1967-),山东莱阳人,副研究员,主要从事测试与故障诊断技术的管理工作。 文章编号:1671-4598(2008)09-1217-03 中图分类号:TP182 文献标识码:A 故障诊断专家系统及其发展 安茂春 (北京系统工程研究所,北京 100101) 摘要:文章对主要的故障诊断专家系统进行了系统的归纳和分类,主要关注故障诊断专家系统在军事领域的应用;重点讨论了基于规则的诊断专家系统、基于模型的诊断专家系统、基于人工神经网络的诊断专家系统、基于模糊推理的诊断专家系统和基于事例的诊断专家系统的技术要点、发展现状、优缺点及其在军事方面的应用;最后,对该学科的发展做出了预测,指出基于多种模型结合的诊断专家系统、分布式诊断专家系统、实时诊断专家系统是今后的发展方向。 关键词:专家系统;故障诊断;军事应用;基于规则推理;建模技术;人工神经网络;模糊推理;基于事例推理 A Survey on Fault Diagnosis Expert Systems An M ao chun (Beijing Institute o f System and Eng ineering ,Beijing 100101,China) Abstract:In this article w e present a s urvey of fault diagnosis expert system s,and categorize them into 5different types according to know ledge organiz ation m ethod and reasoning m ech anis m,w hich are ru le-b as ed fault diagn osis expert system,model-based fault diagnosis ex pert system,n eural netw ork fault diagnosis exp ert sy stem,fuz zy fault diagn osis expert system and cas e-based fault diagn os is expert sys -tem,for each type w e describ e its techn ical pr op erties,curren t status,ad vantag es and disadvantages,and application s in military field.At the end of th is article,w e point out that hybrid model-based,distributed and real-time diagnosis expert sys tems are fu tu re direction s. Key words:ex pert sys tem;fault diagnosis ;military application;rule -b as ed reasoning;modelin g;artificial neural netw or k;fuzzy reasonin g;ease-b as ed reasoning 1 故障诊断专家系统及其分类 专家系统(Ex per t Sy st em,ES)是人工智能技术(A rt if-i cial I ntelligence,A I)的一个重要分支,其智能化主要表现为能够在特定的领域内模仿人类专家思维来求解复杂问题。专家系统必须包含领域专家的大量知识,拥有类似人类专家思维的推理能力,并能用这些知识来解决实际问题。 故障诊断技术是一门应用型边缘学科,其理论基础涉及多门学科,如现代控制理论、计算机工程、数理统计、模糊集理论、信号处理、模式识别等。故障诊断的任务是在系统发生故障时,根据系统中的各种量(可测的或不可测的)或其中部分量表现出的与正常状态不同的特性,找出故障的特征描述并进行故障的检测与隔离。 故障诊断专家系统是将专家系统应用到故障诊断之中,可以利用领域知识和专家经验提高故障诊断的效率[1]。目前专家系统在故障诊断领域的应用非常广泛,如美空军研制的用于飞机喷气发动机故障诊断专家系统XM AN [2],N A SA 与M IT 合作开发的用于动力系统诊断的专家系统,英国某公司为英美军方开发的直升机发动机转子监控与诊断专家系统[3]等,此外在电力、机械、化工、船舶等许多领域中也大量应用了故障诊断专家系统。 根据知识组织方式与推理机制的不同,可将目前常用的故障诊断专家系统大致分为基于规则的诊断专家系统、基于模型 的诊断专家系统、基于人工神经网络的诊断专家系统、基于模糊推理的诊断专家系统和基于事例的诊断专家系统。 2 故障诊断专家系统对比分析 2 1 基于规则的诊断专家系统 在基于规则的诊断专家系统中,领域专家的知识与经验被 表示成产生式规则,一般形式是:if<前提>then<结论>其中前提部分表示能与数据匹配的任何模型,结论部分表示满足前提时可以得出的结论。基于规则的推理是先根据推理策略从规则库中选择相应的规则,再匹配规则的前提部分,最后根据匹配结果得出结论。 基于规则的诊断知识表达方式直观、形式统一,在求解小规模问题时效率较高,并且具有易于理解与实现的优点,因而取得了一定成功。20世纪90年代,国外在军用水压系统、电力供应网络等方面进行了应用。 但是,对于复杂系统,所观测到的症状与对应的诊断之间的联系是相当复杂的,通过归纳专家经验来获取规则有着相当的难度,且诊断时只能对事先预想到的并能与规则前提匹配的事件进行推理,存在知识获取的瓶颈问题。2 2 基于模型的诊断专家系统 在基于模型的诊断专家系统中,领域专家的专业知识包含在建立的系统模型中,这种基于模型的诊断更多地利用系统的结构、功能与行为等知识。相比基于规则的诊断专家系统,这种诊断方式能够处理预先没有想到的情况,并且可能检测到系统存在的潜在故障。这类系统的知识库相对容易建立并且具有一定的灵活性,已应用于航天器动力燃烧系统故障诊断等方面。

故障诊断技术发展现状

安全检测与故障诊断 题目：故障诊断技术发展现状 导师：魏秀琨 学生姓名：刘典 学号：14114263

目录 1 引言 (3) 2 故障诊断的研究现状 (3) 1.1基于物理和化学分析的诊断方法 (3) 1.2基于信号处理的诊断方法对 (3) 1.3基于模型的诊断方法 (3) 1.4基于人工智能的诊断方法 (4) 2故障诊断研究存在的问题 (6) 2.1故障分辨率不高 (7) 2.2信息来源不充分 (7) 2.3自动获取知识能力差 (7) 2.4知识结合能力差 (7) 2.5对不确定知识的处理能力差 (7) 3发展方向 (8) 3.1多源信息的融合 (8) 3.2经验知识与原理知识紧密结合 (8) 3.3混合智能故障诊断技术研究 (9) 3.4基于物联网的远程协作诊断技术研究 (9) 4发展方向 (9)

1 引言 故障可以定义为系统至少有一个特性或参数偏离正常的范围，难于完成系统预期功能的行为。故障诊断技术是一种通过监测设备的状态参数，发现设备的异常情况，分析设备的故障原因，并预测预报设备未来状态的技术，其宗旨是运用当代一切科技的新成就发现设备的隐患，以达到对设备事故防患于未然的目的，是控制领域的一个热点研究方向。它包括故障检测、故障分离和故障辨识。故障诊断能够定位故障并判断故障的类型及发生时刻，进一步分析后可确定故障的程度。故障检测与诊断技术涉及多个学科，包括信号处理、模式识别、人工智能、神经网络、计算机工程、现代控制理论和模糊数学等，并应用了多种新的理论和算法。 2 故障诊断的研究现状 1.1基于物理和化学分析的诊断方法 通过观察故障设备运行过程中的物理、化学状态来进行故障诊断，分析其声、光、气味及温度的变化，再与正常状态进行比较，凭借经验来判断设备是否故障。如对柴油机常见的诊断方法有油液分析法，运用铁谱、光谱等分析方法，分析油液中金属磨粒的大小、组成及含量来判断发动机磨损情况。对柴油机排出的尾气(包含有NOX，COX 等气体) 进行化学成分分析，即可判断出柴油机的工作状态。 1.2基于信号处理的诊断方法对 故障设备工作状态下的信号进行诊断，当超出一定的范围即判断出现了故障。信号处理的对象主要包括时域、频域以及峰值等指标。运用相关分析、频域及小波分析等信号分析方法，提取方差、幅值和频率等特征值，从而检测出故障。如在发动机故障领域中常用的检测信号是振动信号和转速波动信号。如以现代检测技术、信号处理及模式识别为基础，在频域范围内，进行快速傅里叶变换分析等方法，描述故障特征的特征值，通过采集到的发动机振动信号，确定了试验测量位置，利用加速传感器、高速采集卡等采集了发动机的振动信号，并根据小波包技术，提取了发动机故障信号的特征值。该诊断方法的缺点在于只能对单个或者少数的振动部件进行分析和诊断。而发动机振动源很多，用这种方法有一定的局限性。 1.3基于模型的诊断方法 基于模型的诊断方法，是在建立诊断对象数学模型的基础上，根据模型获得的预测形态和所测量的形态之间的差异，计算出最小冲突集即为诊断系统的最小诊断。其中，最小诊断就是关于故障元件的假设，基于模型的诊断方法具有不依赖于被诊断系统的诊断实例和经验。将系统的模型和实际系统冗余运行，通过对比产生残差信号，可有效的剔除控制信号对

实验二连续时间信的频域分析

实验二连续时间信号的频域分析 一、实验目的 1、掌握连续时间周期信号的傅里叶级数的物理意义和分析方法； 2、观察截短傅里叶级数而产生的“Gibbs现象”，了解其特点以及产生的原因； 3、掌握连续时间傅里叶变换的分析方法及其物理意义； 4、掌握各种典型的连续时间非周期信号的频谱特征以及傅里叶变换的主要性质； 5、学习掌握利用Matlab语言编写计算CTFS、CTFT和DTFT的仿真程序，并能利用这些程序对一些典型信号进行频谱分析，验证CTFT、DTFT的若干重要性质。 基本要求：掌握并深刻理傅里叶变换的物理意义，掌握信号的傅里叶变换的计算方法，掌握利用Matlab编程完成相关的傅里叶变换的计算。 二、原理说明 1、连续时间周期信号的傅里叶级数CTFS分析 任何一个周期为T 1 的正弦周期信号，只要满足狄利克利条件，就可以展开成傅里叶级数。 三角傅里叶级数为： ∑∞=+ + = 1 0 0 )] sin( ) cos( [ )( k k k t k b t k a a t xω ω 2.1

或： ∑∞ =++=100)cos()(k k k t k c a t x ?ω 2.2 其中1 02T πω=，称为信号的基本频率（Fundamental frequency ），k k b a a ，和，0分别是信号)(t x 的直流分量、余弦分量幅度和正弦分量幅度，k k c ?、为合并同频率项之后各正弦谐波分量的幅度和初相位，它们都是频率0ωk 的函数，绘制出它们与0ωk 之间的图像，称为信号的频谱图（简称“频谱”），k c －0ωk 图像为幅度谱，k ?－0ωk 图像为相位谱。 三角形式傅里叶级数表明，如果一个周期信号x(t)，满足狄里克利条件，就可以被看作是由很多不同频率的互为谐波关系（harmonically related ）的正弦信号所组成，其中每一个不同频率的正弦信号称为正弦谐波分量 (Sinusoid component)，其幅度（amplitude ）为k c 。也可以反过来理解三角傅里叶级数：用无限多个正弦谐波分量可以合成一个任意的非正弦周期信号。 指数形式的傅里叶级数为： ∑∞-∞== k t jk k e a t x 0)(ω 2.3 其中，k a 为指数形式的傅里叶级数的系数，按如下公式计算： ? --=2/2/1110)(1T T t jk k dt e t x T a ω 2.4 指数形式的傅里叶级数告诉我们，如果一个周期信号x(t)，满足狄里克利条件，那么，它就可以被看作是由很多不同频率的互为谐波关系（harmonically related ）的周期复指数信号所组成，其中每一个不同频率的周期复指数信号称为基本频率分量，其复幅度

多模态医学图像的融合研究

第22卷　第2期2004年6月 广西师范大学学报(自然科学版)JOU RNAL O F GUAN GX INORM AL UN I V ERS ITY V o l .22 N o.2June 2004收稿日期:2004203218 基金项目:广西教育厅科研基金资助项目 作者简介:王修信(1963—),男,广西桂林人,广西师范大学副教授,硕士. 多模态医学图像的融合研究 王修信1,张大力2 (11广西师范大学物理与信息工程学院,广西桂林541004;21清华大学自动化系,北京100084) 摘　要:图像融合作为一种有效的信息融合的技术,已广泛用于医学图像、军事、遥感、机器视觉等领域.基于 小波变换的图像融合是一种新的多尺度分解像素级融合方法,利用小波变换分别对CT ,M R I 医学图像进行 分解处理,按照融合规则构造融合图像对应的各小波系数,再根据融合图像的各小波系数重构融合图像,重构 后的融合图像完好地显示源图像各自的信息.实验图像使用互信息量化判据来评价融合效果,结果表明小波 变换比传统的像素级加权平均融合算法效果更好. 关键词:医学图像;融合;小波变换 中图分类号:T P 391141 文献标识码:A 文章编号:100126600(2004)022******* 医学影像学为临床提供了超声图像、X 射线、 电子计算机体层扫描(CT )、磁共振成像(M R I )、数字减影成像(D SA )、正电子发射体层扫描(PET )、单光子发射断层成像(SPECT )等多种模态影像信息[1～3].不同的医学影像可以提供人体相关脏器和组织的不同信息,如CT 和M R I 提供解剖结构信息,而PET 和 SPECT 提供功能信息 .在实际临床应用中,单一模态图像往往不能提供医生所需要的足够信息,通常需要将不同模态图像融合在一起,得到更丰富的信息以便了解病变组织或器官的综合信息,从而做出准确的诊断或制订出合适的治疗方案.例如,CT 利用各种组织器官对X 射线吸收系数的不同和计算机断层技术对人体进行成像,它对于骨、软组织和血管的组合成像效果很好,而对软组织则近乎无能为力.M R I 利用水质子信息成像,对软组织和血管的显像灵敏度比CT 高得多,但对骨组织则几乎不显像.由此可见不同成像技术对人体同一解剖结构所得到的形态和功能信息是互为差异、互为补充的,因此对不同影像信息进行适当的集成便成为临床医生诊断和治疗疾病的迫切需要. 小波变换具有多分辨率分析特点,可聚焦到分析对象的任意细节,特别适合图像信号非平稳信源的处理[4].基于小波变换的图像融合是一种新的多尺度分解像素级融合方法,已有的应用研究主要是热图像和可视图像的融合[5,6].本文利用小波变换分别对CT ,M R I 医学图像进行分解处理,按照融合规则构造融合图像对应的各小波系数,再根据融合图像的各小波系数重构融合图像,重构后的融合图像完好地显示源图像各自的信息.实验图像使用互信息量化判据来评价融合效果,结果表明小波变换比传统的像素级加权平均融合算法效果更好. 1　基于小波变换的图像融合原理 小波变换是用一族小波函数系去逼近一信号,而小波函数系是通过一个基本小波函数在不同尺度下经伸缩和平移构成[7]. 7a ,b (x )=1?a ? 7x -b a ,　a ,b ∈R ,a ≠0其中a 为伸缩因子,b 为平移因子. 对于二维情况,设V 2j (j ∈Z )是空间L 2(R 2)的一个可分离多分辨率分析,对每一个j (j ∈Z )来说,尺度

智能故障诊断技术知识总结复习课程

智能故障诊断技术知 识总结

智能故障诊断技术知识总结 一、绪论 □智能： ■智能的概念 智能是指能随内、外部条件的变化，具有运用知识解决问题和确定正确行为的能力。 ■低级智能和高级智能的概念 低级智能——感知环境、做出决策和控制行为 高级智能——不仅具有感知能力，更重要的是具有学习、分析、比较 和推理能力，能根据复杂环境变化做出正确决策和适应 环境变化 ■智能的三要素及其含义 三个基本要素：推理、学习、联想 推理——从一个或几个已知的判断（前提），逻辑地推断出一个新判断（结论）的思维形式 学习——根据环境变化，动态地改变知识结构 联想——通过与其它知识的联系，能正确地认识客观事物和解决实际问题 □故障： ■故障的概念 故障是指设备在规定条件下不能完成其规定功能的一种状态。可分为以下几种情况：

1.设备在规定的条件下丧失功能； 2.设备的某些性能参数达不到设计要求，超出允许范围； 3.设备的某些零部件发生磨损、断裂、损坏等，致使设备不能正常工作； 4.设备工作失灵，或发生结构性破坏，导致严重事故甚至灾难性事故。 ■故障的性质及其理解 1层次性——系统是有层次的，故障的产生对应于系统的不同层次表 现出层次性。一般可分为系统级、子系统级、部件级、 元件级等多个层次；高层故障可由低层故障引起，而低 层故障必定引起高层故障。诊断时可采用层次诊断模型 和诊断策略。 2相关性——故障一般不会孤立存在，它们之间通常相互依存和相互 影响，如系统故障常常由相关联的子系统传播所致。表 现为，一种故障可能对应多种征兆，而一种征兆可能对 应多种故障。这种故障与征兆间的复杂关系导致了故障 诊断的困难。 3随机性——故障的发生常常是一个与时间相关的随机过程，突发性 故障的出现通常都没有规律性，再加上某些信息的模糊 性和不确定性，就构成了故障的随机性。

几种常见的生物特征识别方式

生物识别技术主要是指通过人类生物特征进行身份认证的一种技术，这里的生物特征通常具有唯一的(与他人不同)、可以测量或可自动识别和验证、遗传性或终身不变等特点。所谓生物识别的核心在于如何获取这些生物特征，并将之转换为数字信息，存储于计算机中，利用可靠的匹配算法来完成验证与识别个人身份的过程。 方法/步骤 1.指纹识别 指纹是指人的手指末端正面皮肤上凸凹不平产生的纹线。纹线有规律的排列形成不同的纹型。纹线的起点、终点、结合点和分叉点，称为指纹的细节特征点。指纹识别即指通过比较不同指纹的细节特征点来进行鉴别。由于每个人的指纹不同，就是同一人的十指之间，指纹也有明显区别，因此指纹可用于身份鉴定。 指纹识别技术是目前最成熟且价格便宜的生物特征识别技术。目前来说指纹识别的技术应用最为广泛，我们不仅在门禁、考勤系统中可以看到指纹识别技术的身影，市场上有了更多指纹识别的应用：如笔记本电脑、手机、汽车、银行支付都可应用指纹识别的技术。 2.静脉识别 静脉识别系统就是首先通过静脉识别仪取得个人静脉分布图，从静脉分布图依据专用比对算法提取特征值，通过红外线CMOS摄像头获取手指静脉、手掌静脉、手背静脉的图像，将静脉的数字图像存贮在计算机系统中，将特征值存储。静脉比对时，实时采取静脉图，提取特征值，运用先进的滤波、图像二值化、细化手段对数字图像提取特征，同存储在主机中静脉特征值比对，采用复杂的匹配算法对静脉特征进行匹配，从而对个人进行身份鉴定，确认身份。全过程采用非接触式。 3.虹膜识别 虹膜是位于人眼表面黑色瞳孔和白色巩膜之间的圆环状区域，在红外光下呈现出丰富的纹理信息，如斑点、条纹、细丝、冠状、隐窝等细节特征。虹膜从婴儿胚胎期的第3个月起开始发育，到第8个月虹膜的主要纹理结构已经成形。除非经历危及眼睛的外科手术，此后几乎终生不变。 虹膜识别通过对比虹膜图像特征之间的相似性来确定人们的身份，其核心是使用模式识别、图像处理等方法对人眼睛的虹膜特征进行描述和匹配，从而实现自动的个人身份认证。英国国家物理实验室的测试结果表明：虹膜识别是各种生物特征识别方法中错误率最低的。从普通家庭门禁、单位考勤到银行保险柜、金融交易确认，应用后都可有效简化通行验证手续、确保安全。如果手机加载“虹膜识别”，即使丢失也不用担心信息泄露。机场通关安检中采用虹膜识别技术，将缩短通关时间，提高安全等级。 4.视网膜识别 视网膜是眼睛底部的血液细胞层。视网膜扫描是采用低密度的红外线去捕捉视网膜的独特特征，血液细胞的唯一模式就因此被捕捉下来。视网膜识别的优点就在于它是一种极其固定的生物特征，因为它是“隐藏”的，故而不可能受到磨损，老化等影响;使用者也无需和设备进行直接的接触;同时它是一个最难欺骗的系统，因为视网膜是不可见的，故而不会被伪造。另一方面，视网膜识别也有一些不完善的，如：视网膜技术可能会给使用者带来健康的损坏，这需要进一步的研究;设备投入较为昂贵，识别过程的要求也高，因此角膜扫描识别在普遍推广应用上具有一定的难度。 5.面部识别 面部识别是根据人的面部特征来进行身份识别的技术，包括标准视频识别和热成像技术两种。 标准视频识别是透过普通摄像头记录下被拍摄者眼睛、鼻子、嘴的形状及相对位置等面部特征，然后将其转换成数字信号，再利用计算机进行身份识别。视频面部识别是一种常见

电力系统故障的智能诊断综述

电力系统故障的智能诊断综述 发表时间：2016-06-30T14:34:41.580Z 来源：《电力设备》2016年第9期作者：李艳君蒋杰李玉玲李飞翔 [导读] 在电力系统中，设备故障诊断和厂站级的故障诊断经过了几十年的发展和改革，现今已经较为成熟，而电力系统层面的故障才刚刚开始。 李艳君蒋杰李玉玲李飞翔 （国网新疆检修公司新疆乌鲁木齐 830000） 摘要：常用的智能故障诊断技术有专家系统、人工神经网络、决策树、数据挖掘等，专家系统技术应用最广，最为成熟，但是也需要结合使用其他智能技术来克服专家系统技术自身的缺点。智能故障诊断技术的发展趋势主要有多信息融合、多智能体协同、多种算法结合等，并向提高智能性、快速性、全局性、协同性的方向发展。基于此，本文就针对电力系统故障的智能诊断进行分析。 关键词：电力系统；故障；智能诊断 引言 文章对电力系统故障的智能诊断进行了详细的阐述，通过对电力系统的简介，和对故障诊断的发展阶段进行了简要的分析，并阐述了电力系统故障的智能诊断实际应用存在的问题及对策，文章最后指出了电力系统故障的智能诊断的发展趋势。望文章的阐述推动电力系统故障的智能诊断的发展。 1电力系统概述 电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统。电力系统的主要功能是将自然界中的能源，通过先进的发电动力装置，将能源转换为电能。在通过输电线路和变压系统，将电能传送到各个用户。为了实现这一功能，电力系统在各个环节和不同层次还具有相应的信息与控制系统，对电能的生产过程进行测量、调节、控制、保护、通信和调度，以保证用户获得安全、优质的电能。 2电力系统故障智能诊断技术及发展现状 2.1智能故障诊断技术 传统的故障诊断方法分为基于信号处理和基于数据模型，均需要人工进行信息的处理和分析，缺乏自主学习能力。随着人工智能技术这一新方法的产生及发展，为故障诊断提供了初步的自动分析和学习的途径。人工智能技术能够存储和利用故障诊断长期积累的专家经验，通过模拟人大脑的逻辑思维进行推理，从而解决复杂的诊断问题。 目前在电网故障诊断领域出现了包括专家系统、人工神经网络、决策树理论、数据挖掘、模糊理论、粗糙集理论、贝叶斯网络、支持向量机及多智能体系统等技术以及上述方法的综合应用。 目前，在对电网故障智能诊断领域的研究中，依靠单一智能技术的系统多，信息的综合利用研究较少，协同技术的研究应用更少；投入运行的诊断系统多为专家系统，但是离线运行的多，在线运行的很少。即使广泛投入使用的专家系统也同样存在着：（1）知识的获取和管理问题，难以获取较高适应度和准确度的知识。（2）推理的效率问题。（3）故障诊断的在线应用问题，目前仅限于离线故障诊断，该结论不能指导对电网的实际控制。（4）故障诊断的动态分析问题，缺乏故障的动态分析，从而屏蔽了很多有用的细节，尤其是各元件之间的相互关联关系等。基于以上问题，采用决策树方法可以对系统信息进行归类梳理，可以提高专家系统的速度；通过粗糙集方法建立清晰的数学模型；采用数据挖掘和关联性规则可以提高故障诊断分析的准确度。这几种方法的结合应用有助于提高故障诊断的智能水平、效率和准确度。 2.2电力系统故障智能诊断发展现状 电力系统连锁故障分析理论与应用中提到，电力系统故障智能诊断是相对传统的故障诊断而言的。在传统的故障诊断方法可划分为两类。其一是关于信号出路的方法。其二是数学模型的方法。这些都需要人为地区判断和分析，这些方法应用是没有自动化的处理能力。故障的智能诊断是将传统的方法，与当下先进的计算机技术有效的结合，形成的人工智能技术的新方法，对电力系统的故障进行智能的诊断，这是故障诊断技术发展的新时期。 3智能故障诊断面临的问题和对策 3.1智能故障诊断面临的问题 知识的获取和管理问题，也可以说是规则的表达和维护问题。知识是专家系统行为的核心，如何根据系统的变化，获取具有较高适应度和准确度的知识（规则）。对知识的一致性、冗余性、矛盾性和完备性进行检验、维护和管理，是专家系统亟需解决的首要问题。 推理的效率问题，也可以说是如何解决规则组合爆炸的问题。规则库的规模增大以后，搜索的运算量迅速增长，尽管人们提出了许多算法，规则组合爆炸的问题还是没有得到满意的解决。 故障诊断的在线应用问题。以往的故障诊断离线运行，只能告诉调度员已有故障是如何发展的，因为运行方式的多变性，离线故障诊断结论不一定能够指导调度员对电网的实际控制；只有做到在线运行，才能及时帮助调度员进行控制决策。 故障诊断的动态分析问题。以往的故障诊断只能进行静态分析，忽略了故障动态过程的大量有用的细节，尤其是采用了高速保护的大型电网，更加需要分析动态过程，例如快速相继开断过程中的顺序和相互关系、复杂故障中各元件之间的相互影响、电压崩溃的动态过程、运行方式切换或调度控制过程对电网的影响等。 3.2智能故障诊断面临问题的解决对策 对于知识的获取和管理问题，可以采用提高故障诊断系统的学习能力的方法，如 ANN、数据挖掘、仿生学方法等。这些智能方法都有其优点和局限性，需要有针对性地应用。 对于推理的效率问题，可以采用计算速度更快的计算机硬件和软件算法，通信速度更快的数据采集和传输手段；数据挖掘是从各种复杂故障中发现最常见的故障或分解出简单故障的有力手段；建立系统的故障案例库，可以降低决策分析的计算量，提高诊断推理的效率。 对于故障诊断的在线应用和动态分析问题，可以采用更能够反映电网实时运行状态的信息，如广域量测系统、高速保护信息系统和故障录波信息系统、稳定控制系统等提供的动态数据；实时进行电网的灵敏度分析，动态分析电网的健康状况；增量挖掘技术只处理实时的

多模态图像融合算法综述

多模态图像融合算法综述 多模态图像融合能最大限度地提取各模态的图像信息，同时减少冗余信息。文章提出一种新的图像融合算法的分类体系，在分析新体系的基础上，阐述了各体系下的代表性算法，论述图像融合的研究背景及研究进展，最后提出了未来趋势的新目标。 标签：图像融合；像素级；特征级；决策级；图像融合算法 引言 不同模态传感器关于同一场景所采集到的图像数据经过相关技术处理相融合的过程称为多模态图像融合，本文站在新的角度，提出一种新的分类体系，同时阐述各体系下的代表性算法，论述图像融合领域的发展现状。 1 图像融合的体系 根据融合的对象，图像融合一般分为三个等级：像素级、特征级及决策级[1]。像素级的处理对象是像素，最简单直接，特征级建立在抽取输入源图像特征的基础上，决策级是对图像信息更高要求的抽象处理，本文在此基础上提出一种不同的的分类体系，即直接融合和间接融合。 1.1 直接图像融合算法 直接图像融合算法分基于像素点和基于特征向量的融合方法，基于像素点的融合主要针对初始图像数据而进行[2]，是对各图像像素点信息的综合处理[3]。 1.2 间接图像融合算法类 间接图像融合算法是指对图像进行变换、分解重构或经神经网络处理后，通过逻辑推理来分析多幅图像的信息。 2 直接图像融合算法类 直接图像融合算法分基于像素点和基于特征向量的图像融合算法。 2.1 基于像素点的直接图像融合算法 设待融合图像X、Y，且X（i，j）、Y（i，j）为图像X、图像Y在位置（i，j）的灰度值，则融合后的图像Z（i，j）=x X（i，j）+y Y（i，j），x、y是加权系数且x+y=1。算法简单、融合速度快，但减弱了图像的对比度[4]。 2.2 基于特征向量的直接图像融合算法

第五章 频域分析法

第五章 频域分析法 时域分析法具有直观、准确的优点。如果描述系统的微分方程是一阶或二阶的，求解后可利用时域指标直接评估系统的性能。然而实际系统往往都是高阶的，要建立和求解高阶系统的微分方程比较困难。而且，按照给定的时域指标设计高阶系统也不是一件容易的事。 本章介绍的频域分析法，可以弥补时域分析法的不足。因为频域法是基于频率特性或频率响应对系统进行分析和设计的一种图解方法，故其与时域分析法相比有较多的优点。首先，只要求出系统的开环频率特性，就可以判断闭环系统是否稳定。其次，由系统的频率特性所确定的频域指标与系统的时域指标之间存在着一定的对应关系，而系统的频率特性又很容易和它的结构、参数联系起来。因而可以根据频率特性曲线的形状去选择系统的结构和参数，使之满足时域指标的要求。此外，频率特性不但可由微分方程或传递函数求得，而且还可以用实验方法求得。对于某些难以用机理分析方法建立微分方程或传递函数的元件(或系统)来说，具有重要的意义。因此，频率法得到了广泛的应用，它也是经典控制理论中的重点内容。 5.1 频率特性 对于线性定常系统，若输入端作用一个正弦信号 t U t u ωsin )(= (5—1) 则系统的稳态输出y(t)也为正弦信号，且频率与输人信号的频率相同，即 ) t Y t y ?ω+=sin()( (5—2) u(t)和y(t)虽然频率相同，但幅值和相位不同，并且随着输入信号的角频率ω的改变，两者之间的振幅与相位关系也随之改变。这种基于频率ω的系统输入和输出之间的关系称之为系统的频率特性。 不失一般性，设线性定常系统的传递函数G(s)可以写成如下形式 ) () () () () ())(() ()()()(1 21s A s B p s s B p s p s p s s B s U s Y s G n j j n = +=+++== ∏=Λ (5—3) 式中B(s)——传递函数G(s)的m 阶分子多项式，s 为复变量； A(s)——传递函数G(s)的n 阶分母多项式 (n ≥m)； n p p p ---,,,21Λ—传递函数G(s)的极点，这些极点可能是实数，也可能是复数，对稳定的系统采说，它们都应该有负的实部。 由式(5—1)，正弦输入信号u(t)的拉氏变换为(查拉氏变换表) ) )(()(22ωωω ωωj s j s U s U s U -+=+= （5—4）

基于多模态融合的情感识别研究

基于多模态融合的情感识别研究 多模态情感识别在情感计算中是一个具有挑战性的课题,因为从多模态数据中提取出具有判别性的特征来识别人类情感中的细微差 距仍有很高的难度。当前的研究中,基于现有的三种多模态融合的策略:特征层融合、决策层融合和模型层融合提出的算法都是偏向浅层的特征融合方案,容易造成联合特征表达的判别性不足。而设计精巧的融合模型或大型神经网络由于复杂的设计和庞大的参数,又使得特征提取的耗时过长。为了解决多模态联合特征判别性不足和特征提取耗时之间的矛盾,本文提出了一种深度模态融合的网络模型来完成多模态数据融合的情感识别任务。该模型首先利用滑动窗口将音视频信号切割成数据片段,获得最小边框标记的人脸关键帧图像和语音信号的三维梅尔倒频谱,对两路输入信号分别使用带残差的深度方向可分离的卷积核进行特征提取和特征融合,最后在联合特征上训练分类器,实现包括喜悦、悲伤、惊喜、厌恶、愤怒、恐惧和正常在内的七种不同情感的分类任务。本文在RML、eNTERFACE05和BAUM-ls音视频情感识别公开数据集上进行了训练和测试,实验结果取得了较好的分类效果。为了能够拓宽情感识别技术在各个领域中的应用,本文设计并实现了一个多模态情感识别分析系统,系统包含了数据采集输入、数据预处理、情感识别算法、数据分析计算、前端可视化和系统管理等六个模块。该系统可以根据数据模态的不同,选择不同的识别算法, 实现对离线图片、音频、视频文件等多种模态数据的情感识别,支持对视频数据进行视频情感成分分析和实时视频情感识别两类任务。本

文对该系统进行了详细的设计和实现,测试了系统各项功能,并将系 统应用于社交媒体中的视频观点分析和医疗康复中的视频识别辅助。

智能故障诊断技术知识总结

智能故障诊断技术知识总结 一、绪论 □智能： ■智能的概念 智能是指能随、外部条件的变化，具有运用知识解决问题和确定正确行为的能力。 ■低级智能和高级智能的概念 低级智能——感知环境、做出决策和控制行为 高级智能——不仅具有感知能力，更重要的是具有学习、分析、比较和推理能力， 能根据复杂环境变化做出正确决策和适应环境变化 ■智能的三要素及其含义 三个基本要素：推理、学习、联想 推理——从一个或几个已知的判断（前提），逻辑地推断出一个新判断（结论）的思维形式 学习——根据环境变化，动态地改变知识结构 联想——通过与其它知识的联系，能正确地认识客观事物和解决实际问题 □故障： ■故障的概念 故障是指设备在规定条件下不能完成其规定功能的一种状态。可分为以下几种情况： 1.设备在规定的条件下丧失功能； 2.设备的某些性能参数达不到设计要求，超出允许围； 3.设备的某些零部件发生磨损、断裂、损坏等，致使设备不能正常工作； 4.设备工作失灵，或发生结构性破坏，导致严重事故甚至灾难性事故。 ■故障的性质及其理解 1层次性——系统是有层次的，故障的产生对应于系统的不同层次表现出层次性。 一般可分为系统级、子系统级、部件级、元件级等多个层次；高层故 障可由低层故障引起，而低层故障必定引起高层故障。诊断时可采用 层次诊断模型和诊断策略。 2相关性——故障一般不会孤立存在，它们之间通常相互依存和相互影响，如系统 故障常常由相关联的子系统传播所致。表现为，一种故障可能对应多 种征兆，而一种征兆可能对应多种故障。这种故障与征兆间的复杂关 系导致了故障诊断的困难。 3随机性——故障的发生常常是一个与时间相关的随机过程，突发性故障的出现通 常都没有规律性，再加上某些信息的模糊性和不确定性，就构成了故 障的随机性。 4可预测性——设备大部分故障在出现之前通常有一定先兆，只要及时捕捉这些征 兆信息，就可以对故障进行预测和防。 □故障诊断： ■故障诊断的概念 故障诊断就是对设备运行状态和异常情况做出判断。具体说来，就是在设备没有发 生故障之前，要对设备的运行状态进行预测和预报；在设备发生故障之后，要对故 障的原因、部位、类型、程度等做出判断；并进行维修决策。 ■故障诊断的实质及其理解 故障诊断的实质——模式识别（分类）问题

生物特征识别技术的发展趋势

生物特征识别技术的发展趋势 随着信息社会对个人身份认证与管理需求的不断增长，生物特征识别技术及其相关产品已经大量地进入到了社会生活的各个方面，为不断提高人类生活的品质做出了贡献。但是，生物特征识别技术在实际的应用过程中也出现了一些问题，同时，人们针对目前已经得到广泛应用的一些生物特征识别技术也提出了的质疑与挑战。例如，人体指纹可以比较容易地被复制与伪造，从而存在利用伪造的指纹副本对指纹识别系统进行欺骗的可能性。而且，通过一定的技术手段获取人体指纹进行伪造的难度并不大。2006年，美国的科普节目MythBusters利用一种模仿人体组织特性的凝胶材料制作了人体的指纹副本，然后利用这个伪造的指纹副本成功地通过了指纹识别系统的认证。在2009年，Duc Nguyen更是非常容易地利用一张真人大小的黑白图片通过了联想笔记本所用的人脸识别系统的用户登录认证。 为什么会出现这样的问题呢？首先需要从生物特征识别技术的原理谈起。生物特征（这里特指人体的生物特征）之所以能够作为个人身份鉴别与识别的有效手段，这是由其自身所具有的四个特点所决定的：普遍性、唯一性、稳定性和不可复制性。生物特征的普遍性与唯一性在多数情况下可以得到满足，而稳定性和不可复制性则因各种生物特征的自身特点而有所不同。而且，受限于传感器与生物特征识别算法的性能，生物识别系统在识别精度与防伪性能上将会有所下降。例如，在理论上，只要人体面部细节特征足够多，那么即使是双胞胎也可以进行区分。实际上，对于一个现实的生物识别系统而言，要做到这点几乎是不可能的。但是也没有必要太过悲观，人们可以通过采取多种生物特征相融合的识别方式，即多模态识别来提高系统的精度和保证系统防伪性。未来生物特征识别技术的发展趋势大致可分为三个方向：多模态、非接触和网络化。 多模态：采用多模态生物特征融合技术可以获得比单一生物特征识别系统更好的识别性能和可靠性，并增加伪造人体生物特征的难度与复杂性，提高系统的安全性。多模态生物特征识别技术是指综合利用来自同一生物特征的多种识别技术，或者来自不同生物特征的多种识别技术，对个人身份进行判断的生物特征识

嵌入式智能故障诊断系统设计

嵌入式智能故障诊断系统设计 摘要：针对传统的故障诊断方法精度不高，实时性不好的问题，在嵌入式系统 环境下进行故障实时诊断系统的优化设计。本文首先分析了机械状态监测及故障 诊断的相关理论，然后详细分析了嵌入式智能故障诊断系统的设计与实现。实验 结果表明，采用该故障诊断系统进行滚动轴承故障实时检测非常便捷实用又适于 后续联网管理。 关键词：嵌入式系统；滚动轴承；故障诊断；硬件系统 引言 随着现代科技的不断发展，机械设备早已不是一个纯机械装备，而是融合了自动控制、 液压与气压传动等技术的结构和功能都十分复杂的系统。这给机械运行状态的监测和故障诊 断提出了越来越高的要求。机械运行过程中发生的故障不仅会导致重大经济损失，还可能给 人身安全带来极大威胁。因此，实时监测机械设备的运行工况并及时诊断故障，对经济效益 和社会效益的提高都有极其重要的意义。 1 机械状态监测和故障诊断的相关理论 机械诊断技术是通过监测机械设备运行状况，发现故障并预报故障发展趋势，诊断故障 类型及故障原因，确保机器正常运转的技术。目前，普遍采用的机械诊断技术有振动监测、 油液监测、噪声监测和无损探伤等。油液光谱分析技术通过分析机油中的金属颗粒物浓度， 能准确判断机械设备传动系统是否存在磨损型故障隐患。无损探伤技术利用物质的光、磁和 电等特性，能够在不损坏工件或改变机械设备运行状态的前提下准确完成机械部件工况的监测。 故障机理分析是机械诊断的关键。故障机理是在理论研究和实验分析的基础上得到的反 映故障信号和机器参数关系的表达式。从采集到的机械设备的状态信号，它能方便诊断出故 障的位置。这些状态信号通常是机械设备运行过程中表现出来的物理或化学现象，如机械振动、运行噪声、机器温度、油压波动、功耗增多和异常气味等。机械运行状态监测是通过各 种传感器采集机械设备运行过程中的物理或化学状态信号，并据此诊断故障的类型及原因。 故障信号的提取与处理是机械诊断中的重要步骤。通过分析传感器采集到的反映机械设备运 行状态的信号，提取出机械故障特征信息，从而为故障类型和故障原因的准确诊断提供可靠 的依据。信号处理方法经历了从时域分析到频域分析，再由频域分析到时频域分析的发展过程。频域分析将采集到的机械状态信号从时域变换到频域。典型的频域分析法有基于快速傅 里叶变换的经典谱估计法和现代谱估计法。时频分析技术同时在时域和频域分析机械非平稳 信号，其中Wigner-Ville时频分布等时频分析技术在机械诊断中得到了普遍应用。 2 嵌入式智能故障诊断系统设计 本系统将整体结构分为四层，包括管理层、功能层、推理层和数据层。管理层主要负责 整个系统的管理机制与通信机制。决策需要通信的Agent双方需要对话，还是需要进行知识 的交换。二是要Agent之间的关系作出判断。Agent之间的交互有两种关系：正关系和负关系。正关系表示Agent的规划有重叠的部分，或某个Agent具备其他Agent不具备的能力， 各Agent可通过管理层的协调获得帮助，负关系会导致冲突。管理层要进行协调，达到冲突 的消解的目的。功能层是多Agent诊断系统的核心层。主要包括知识处理、特征提取、实时 监控、故障诊断与故障决策等功能组件。推理层处于数据层和功能层之间。主要提供各功能 组件所需的知识或数据，并对推理机制进行定义。数据层包括数据库、知识库与扩展知识库 三个方面。数据库主要用于存储由传感器获得的各种信息，知识库为众多相关领域的专家的 经验总和。扩展知识库主要是为系统的日后扩展诊断功能留下接口。在管理层中主要有两个Agent：管理Agent和数据传输Agent。管理 Agent负责协调各Agent和通信，数据传输Agent 负责与后台计算机上的通信Agent之间传输巡检数据。具体诊断时，数据采集子系统将被诊 断设备的运行状态、参数等数据采集输入到诊断系统，一方面提供给PC端显示，另一方面，将数据提供给诊断方法 Agent，形成诊断请求。管理Agent对诊断请求进行任务分解，得出 多个子任务，再根据对诊断Agent的认识，将诊断任务分配给适当的诊断Agent。管理Agent 还要负责诊断Agent间的工作协调、协作和借助于KQML语言通信，以及将各诊断Agent的