当前位置：文档之家› 基于轴心轨迹的转子升速过程故障特征提取方法研究

基于轴心轨迹的转子升速过程故障特征提取方法研究

2018年9月

第46卷第17期

机床与液压

MACHINE TOOL ＆HYDRAULICS

Sep.2018

Vol.46No.17

DOI ：10.3969／j.issn.1001-3881.2018.17.038

收稿日期：2017-04-12

基金项目：新疆维吾尔自治区自然科学基金项目（2015211C256）；自治区科技援疆项目（201404071245）

作者简介：冉祥锋（1991 ），男，硕士研究生，主要研究方向为旋转机械的故障诊断与信号处理三E -mail：rxf_9106＠

https://www.doczj.com/doc/6216196327.html,三

基于轴心轨迹的转子升速过程故障特征提取方法研究

冉祥锋，姜宏，周建平，章翔峰

（新疆大学机械工程学院，新疆乌鲁木齐830047）

摘要：针对升速过程中转子故障诊断所面临的复杂分析问题，在传统轴心轨迹的基础上提出瞬态倍频轴心轨迹的分析方法三利用Vold -Kalman 阶比跟踪方法提取出各故障特征频率；然后将特征频率进行重构，合成随转速变化的瞬态倍频轴心轨迹；利用几何矩方法提取瞬态倍频轴心轨迹的故障特征，并将几何矩特征集进行MDS 降维三经实验验证，该方法在转子升速过程中的故障特征提取及诊断方面取得了良好的效果三

关键词：转子；升速过程；轴心轨迹；故障特征提取

中图分类号：TH17 文献标志码：A 文章编号：1001-3881（2018）17-173-4

Study on Fault Feature Extraction Method in Rotor Acceleration Process Ｂased on Axis Orbit

RAN Xiangfeng，JIANG Hong，ZHOU Jianping，ZHANG Xiangfeng

（College of Mechanical Engineering of Xinjiang University，Urumqi Xinjiang 830047，China）

Abstract ：Based on the complex analysis problems for rotor fault diagnosis during acceleration，the method of transient frequency doubling axis trajectory analysis was proposed on the basis of the traditional axis trajectory.The Vold -Kalman order tracking method was used to extract the fault characteristic frequency and then the fault characteristic frequency was reconstructed to compound a transi-ent frequency doubling axis trajectory changing with speed.The geometric moment method was used to extract the fault characteristics of the transient frequency doubling axis trajectory and the dimensions of such geometric moment was reduced.The relevant experiments show that by using this method，good effect has been achieved in extraction and diagnosis of the fault characteristics during acceleration

of the rotor.

Ｋeywords ：Rotor；Acceleration process；Axis orbit；Fault feature extraction

０前言

转子作为大型旋转机械的关键部件，已成为故障

高发部位三转子故障的识别与诊断具有重大意义［1］三现有的转子故障诊断方法大多都是基于转子运行在某

一稳定转速下的振动信息，很少利用转子升降速等非平稳过程的振动信息三目前，对于非平稳信号处理较为常用的方法有：短时傅里叶变换（Short -Time Fou-rier Transform，STFT ）二小波变换二魏格纳分布（Wigner -Ville Distribution，WVD）和经验模式分解（Empirical Mode Decomposition，EMD）等三STFT ［2］将非平稳信号看成短时窗内的平稳信号，利用短时傅里叶变换和内插技术求出各时窗信号的幅值和相位，必

然存在误差三小波变换［3］也是采用类似STFT 加窗处理思想，克服了窗口不可变的缺点，但是受测不准原理的制约，不能在时域和频域同时达到较高的分辨率，且对于小波基的选择尚无明确的选择标准三WVD ［4］具有处理非平稳信号的能力，但是却存在明显的交叉项，容易引入虚假信号，这无疑影响了分析

精度三EMD ［5］已经在升降速过程信号处理和特征提取方面取得成功应用，然而EMD 方法在分解时容易产生没有实际物理意义的分量三

轴心轨迹作为转子故障诊断中重要的图形特征，形象二直观地表现了转子的运动情况三利用轴心估计来进行故障诊断是典型的图像识别问题三在图像处理领域出现了一种重要的图像特征提取方法几何矩［6］三因为几何矩在图像旋转二平移二缩放时均不发生改变，因此也被称为不变矩三如文献［7］中将几何矩特征用于轴心轨迹的特征提取，取得了较好的效果三

近年兴起的Vold -Kalman 阶比跟踪方法［8-9］可以有效地分解复杂的多分量信号，且对于分解出的单分量信号能够保留很好的时变特征，为解决非平稳信号频率交错问题提供了一种行之有效的手段三针对升速过程中转子故障诊断所面临的复杂分析问题，作者将Vold -Kalman 阶比跟踪方法用于轴心轨迹的合成中，提出了一种合成瞬态倍频轴心轨迹的方法，并提取几

万方数据

基于LabVIEW转子轴心轨迹测量与识别系统开发毕业设计

基于LabVIEW转子轴心轨迹测量与识别系统开发摘要转子轴心轨迹作为转子振动状态的一类重要图形征兆，包含了大量的故障信息，是诊断专家在诊断过程中采用的一项不可缺少的故障征兆信息，由于轴心轨迹的提纯效果、轴心轨迹的特征自动提取和形状自动识别的水平，都直接影响着故障诊断专家系统的智能化水平，因此我们需要对轴心轨迹全面的进行研究。首先搭建了转子故障实验台,在该实验台上能够模拟一些典型的转子故障,如不平衡、不对中、转子弯曲等。在此基础上，搭建信号测量电路，包括传感器、电荷放大器、滤波器、数据采集卡等器件，能够测量转子旋转时的两个相互垂直方向的径向位移。其次编制轴心轨迹测量及识别程序，该程序能够实时显示轴心轨迹，并进行频谱分析，也可以进行数据的存储。为了给轴心轨迹识别提供标准，进而编制了轴心轨迹仿真程序，对几种典型故障的轴心轨迹进行了仿真。根据不变矩理论，编制了不变矩计算程序，通过对传统算法的改进，实现了对离散数据的不变矩计算，改进算法能够自动识别轴心轨迹。通过连接实验台、测量装置和软件应用程序，对整个系统进行了整合，可实时显示轴心轨迹，同时计算不变矩。通过大量实验确定识别临界值，使程序既满足灵活性又满足准确性，有效实现在线自动识别。关键词：轴心轨迹;虚拟仪器；LabVIEW；不变矩

Development of measurement and identification of axis orbit system on LabVIEW Abstract The rotor axis path as a kind of important graphic sign of rotor vibration state contains a large number of fault information is used in the process of diagnosis expert in the diagnosis of an indispensable fault symptom information.Axis path due to the effect of purification, the axis trajectory characteristics of the level of automatic extraction and automatic shape identification, directly affects the level of intelligent fault diagnosis expert system,So we need the axis trajectory comprehensive research. First set the rotor fault test-bed in the laboratory bench to simulate some of the typical rotor faults, such as imbalance, in the wrong, rotor bending, etc. On this basis, the structures, signal measuring circuit, including the data acquisition card, sensor, charge amplifier and filter device, to measure the axis trajectory radial displacement of two directions. Second axis trajectory measurement program, the program can real-time display the axis trajectory, and spectrum analysis, can also for data storage. To provide standards for axis path identification, and then compiled the axis trajectory simulation program, the axis trajectory of several typical faults are simulated.The recognition system is used as a

文本特征提取方法

https://www.doczj.com/doc/6216196327.html,/u2/80678/showart_1931389.html 一、课题背景概述文本挖掘是一门交叉性学科,涉及数据挖掘、机器学习、模式识别、人工智能、统计学、计算机语言学、计算机网络技术、信息学等多个领域。文本挖掘就是从大量的文档中发现隐含知识和模式的一种方法和工具,它从数据挖掘发展而来,但与传统的数据挖掘又有许多不同。文本挖掘的对象是海量、异构、分布的文档(web);文档内容是人类所使用的自然语言,缺乏计算机可理解的语义。传统数据挖掘所处理的数据是结构化的,而文档(web)都是半结构或无结构的。所以,文本挖掘面临的首要问题是如何在计算机中合理地表示文本,使之既要包含足够的信息以反映文本的特征,又不至于过于复杂使学习算法无法处理。在浩如烟海的网络信息中,80%的信息是以文本的形式存放的，WEB文本挖掘是WEB内容挖掘的一种重要形式。文本的表示及其特征项的选取是文本挖掘、信息检索的一个基本问题，它把从文本中抽取出的特征词进行量化来表示文本信息。将它们从一个无结构的原始文本转化为结构化的计算机可以识别处理的信息，即对文本进行科学的抽象，建立它的数学模型，用以描述和代替文本。使计算机能够通过对这种模型的计算和操作来实现对文本的识别。由于文本是非结构化的数据,要想从大量的文本中挖掘有用的信息就必须首先将文本转化为可处理的结构化形式。目前人们通常采用向量空间模型来描述文本向量,但是如果直接用分词算法和词频统计方法得到的特征项来表示文本向量中的各个维,那么这个向量的维度将是非常的大。这种未经处理的文本矢量不仅给后续工作带来巨大的计算开销,使整个处理过程的效率非常低下,而且会损害分类、聚类算法的精确性,从而使所得到的结果很难令人满意。因此,必须对文本向量做进一步净化处理,在保证原文含义的基础上,找出对文本特征类别最具代表性的文本特征。为了解决这个问题,最有效的办法就是通过特征选择来降维。目前有关文本表示的研究主要集中于文本表示模型的选择和特征词选择算法的选取上。用于表示文本的基本单位通常称为文本的特征或特征项。特征项必须具备一定的特性:1)特征项要能够确实标识文本内容;2)特征项具有将目标文本与其他文本相区分的能力;3)特征项的个数不能太多;4)特征项分离要比较容易实现。在中文文本中可以采用字、词或短语作为表示文本的特征项。相比较而言，词比字具有更强的表达能力，而词和短语相比，词的切分难度比短语的切分难度小得多。因此，目前大多数中文文本分类系统都采用词作为特征项，称作特征词。这些特征词作为文档的中间表示形式，用来实现文档与文档、文档与用户目标之间的相似度计算。如果把所有的词都作为特征项，那么特征向量的维数将过于巨大，从而导致计算量太大，在这样的情况下，要完成文本分类几乎是不可能的。特征抽取的主要功能是在不损伤文本核心信息的情况下尽量减少要处理的单词数，以此来降低向量空间维数，从而简化计算，提高文本处理的速度和效率。文本特征选择对文本内容的过滤和分类、聚类处理、自动摘要以及用户兴趣模式发现、知识发现等有关方面的研究都有非常重要的影响。通常根据某个特征评估函数计算各个特征的评分值，然后按评分值对这些特征进行排序，选取若干个评分值最高的作为特征词，这就是特征抽取(Feature Selection)。

转子轴心轨迹测量及控制台运动控制资料

综合测试实验报告题目：转子轴心轨迹测量控制台运动控制指导老师：弢班级：姓名：XXX姓名：XXX 学号：学号： 20XX年X月

目录第一章轴心轨迹测量 1.实验台简介 (5) 2.实验原理 (5) 3.实验仪器和设备 (5) 4.实验基础 (6) 4.1Simulink动态仿真 (6) 4.2S-function的工作机制 (7) 4.3C MEX-file S-function (7) 5.数据采集程序设计 (8) 5.1创建DDL文件 (8) 5.2mdl文件示意图 (11) 5.3GUI设计 (11) 5.4信号处理 (13) 5.4.1 未滤波getdata代码 (13) 5.4.2 低通滤波getdata代码 (14) 6.实验结果 (15) 6.1采集信号前后示波器scope波形分析 (15) 6.2采用滤波器前后波形分析 (16) 6.3应用Bufferworth低通滤波器处理的实验结果 (17) 6.3.1不同采样频率波形比较 (17) 6.3.2不同低通区间的波形比较 (19) 6.3.3不同截取长度波形比较 (21) 6.3.4不同运转速度时波形比较 (22) 7.实验结论 (23) 8. 低通滤波的进一步尝试与研究 (24) 8.1建立界面的m文件 (24) 8.2 设计界面的效果图 (28) 8.3 低通滤波结果 (29)

第二章控制台运动控制 1.实验原理 (30) 2.实验基本要求 (31) 3.实验基础 (31) 3.1控制运动模块 (31) 3.2 模块功能具体实现 (32) 4. 实验结果 (33) 4.1 重要参数设计 (33) 4.2 程序图解 (34) 5. 功能理解 (34) 6. 分析 (36) 7. 实验过程 (37) 7.1 尝试一 (37) 7.1.1 功能描述 (37) 7.1.2 结论一 (37) 7.2 尝试二 (38) 7.2.1 功能描述 (39) 7.2.2 结论二 (39) 心得体会 (40) ●XXX (40) ●XXX (42) 附录 (44)

语音信号特征参数提取方法

语音信号特征参数提取方法阮雄飞微电子学与固体电子学摘要：在语音技术的发展过程中使用了大量的语音信号特征参数, 好的语音信号特征参数能对语音识别起至关重要的作用。本文对语音信号特征参数提取方法以及国内外研究现状进行了介绍,最后介绍了Hilbert-Huang 这一新兴理论成果以及在特征提取中的应用。关键词：语音技术特征提取HHT 1 引言语音信号是一种短时平稳信号，即时变的，十分复杂，携带很多有用的信息，这些信息包括语义、个人特征等，其特征参数的准确性和唯一性将直接影响语音识别率的高低，并且这也是语音识别的基础[1]。特征参数应该能够比较准确地表达语音信号的特征具有一定的唯一性。上世纪40年代，potter等人提出了“visiblespeech”的概念，指出语谱图对语音信号有很强的描述能力，并且试着用语谱信息进行语音识别，这就形成了最早的语音特征，直到现在仍有很多的人用语谱特征来进行语音识别[2]。后来，人们发现利用语音信号的时域特征可以从语音波形中提取某些反映语音特性的参数，比如：幅度、短时帧平均能量、短时帧过零率、短时自相关系数、平均幅度差函数等。这些参数不但能减小模板数目运算量及存储量而且还可以滤除语音信号中无用的冗余信息。语音信号特征参数是分帧提取的, 每帧特征参数一般构成一个矢量, 所以语音信号特征是一个矢量序列。我们将语音信号切成一帧一帧, 每帧大小大约是20-30ms。帧太大就不能得到语音信号随时间变化的特性, 帧太小就不能提取出语音信号的特征, 每帧语音信号中包含数个语音信号的基本周期。有时希望相邻帧之间的变化不是太大, 帧之间就要有重叠, 帧叠往往是帧长的1/2或1/3。帧叠大, 相应的计算量也大[3]。随着语音识别技术的不断发展时域特征参数的种种不足逐渐暴露出来，如这些特征参数缺乏较好稳定性且区分能力不好。于是频域参数开始作为语音信号的特征比如频谱共振峰等。经典的特征提取方法主要有LPCC（线性预测倒谱系数）、MFCC（美尔频率倒谱系数）、HMM（隐马尔科夫模型）、DTW（动态时间规整）等。 2 语音信号特征参数提取方法

微机故障常见的检测方法与处理方法

平时常见的微机故障现象中,有很多并不是真正的硬件故障,而是由于某些设置或系统特性不为人知而造成的假故障现象。认识下面的微机假故障现象有利于快速地确认故障原因，避免不必要的故障检索工作。 1、电源插座、开关很多外围设备都是独立供电的，运行微机时只打开计算机主机电源是不够的。例如：显示器电源开关未打开，会造成“黑屏”和“死机”的假象；外置式MODEM电源开关未打开或电源插头未插好则不能拨号、上网、传送文件，甚至连MODEM都不能被识别。打印机、扫描仪等都是独立供电设备，碰到独立供电的外设故障现象时，首先应检查设备电源是否正常、电源插头/插座是否接触良好、电源开关是否打开。 2、连线问题外设跟计算机之间是通过数据线连接的，数据线脱落、接触不良均会导致该外设工作异常。如：显示器接头松动会导致屏幕偏色、无显示等故障；又如：打印机放在计算机旁并不意味着打印机连接到了计算机上，应亲自检查各设备间的线缆连接是否正确。 3、设置问题例如：显示器无显示很可能是行频调乱、宽度被压缩，甚至只是亮度被调至最暗；音箱放不出声音也许只是音量开关被关掉；硬盘不被识别也许只是主、从盘跳线位置不对……。详细了解该外设的设置情况，并动手试一下，有助于发现一些原本以为非更换零件才能解决的问题。 4、系统新特性很多“故障”现象其实是硬件设备或操作系统的新特性。如：带节能功能的主机，在间隔一段时间无人使用计算机或无程序运行后会自动关闭显示器、硬盘的电源，在你敲一下键盘后就能恢复正常。如果你不知道这一特征，就可能会认为显示器、硬盘出了毛病。再如Windows、NC的屏幕保护程序常让人误以为病毒发作……多了解微机、外设、应用软件的新特性、多向专家请教，有助于增加知识、减少无谓的恐慌。 \[] 5、其它易疏忽的地方 CD-ROM的读盘错误也许只是你无意中将光盘正、反面放倒了；软盘不能写入也许只是写保护滑到了“只读”的位置。发生了故障，首先应先判断自身操作是否有疏忽之处，而不要盲目断言某设备出了问题。微机故障常见的检测方法

图像特征提取方法

图像特征提取方法摘要特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。至今为止特征没有万能和精确的图像特征定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。当光差图像时，常常看到的是连续的纹理与灰度级相似的区域，他们相结合形成物体。但如果物体的尺寸很小或者对比度不高，通常要采用较高的分辨率观察：如果物体的尺寸很大或对比度很强，只需要降低分辨率。如果物体尺寸有大有小，或对比有强有弱的情况下同事存在，这时提取图像的特征对进行图像研究有优势。常用的特征提取方法有：Fourier变换法、窗口Fourier变换（Gabor)、小波变换法、最小二乘法、边界方向直方图法、基于Tamura纹理特征的纹理特征提取等。

设计内容课程设计的内容与要求（包括原始数据、技术参数、条件、设计要求等）：一、课程设计的内容本设计采用边界方向直方图法、基于PCA的图像数据特征提取、基于Tamura纹理特征的纹理特征提取、颜色直方图提取颜色特征等等四种方法设计。（1）边界方向直方图法由于单一特征不足以准确地描述图像特征,提出了一种结合颜色特征和边界方向特征的图像检索方法.针对传统颜色直方图中图像对所有像素具有相同重要性的问题进行了改进,提出了像素加权的改进颜色直方图方法;然后采用非分割图像的边界方向直方图方法提取图像的形状特征,该方法相对分割方法具有简单、有效等特点,并对图像的缩放、旋转以及视角具有不变性.为进一步提高图像检索的质量引入相关反馈机制,动态调整两幅图像相似度中颜色特征和方向特征的权值系数,并给出了相应的权值调整算法.实验结果表明,上述方法明显地优于其它方法.小波理论和几个其他课题相关。所有小波变换可以视为时域频域的形式，所以和调和分析相关。所有实际有用的离散小波变换使用包含有限脉冲响应滤波器的滤波器段(filterbank)。构成CWT的小波受海森堡的测不准原理制约，或者说，离散小波基可以在测不准原理的其他形式的上下文中考虑。通过边缘检测，把图像分为边缘区域和非边缘区域，然后在边缘区域内进行边缘定位．根据局部区域内边缘的直线特性，求得小邻域内直线段的高精度位置；再根据边缘区域内边缘的全局直线特性，用线段的中点来拟合整个直线边缘，得到亚像素精度的图像边缘．在拟合的过程中，根据直线段转角的变化剔除了噪声点，提高了定位精度．并且，根据角度和距离区分出不同直线和它们的交点，给出了图像精确的矢量化结果图像的边界是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合，边界广泛的存在于物体和背景之间、物体和物体之间，它是图像分割所依赖的重要特征．边界方向直方图具有尺度不变性，能够比较好的描述图像的大体形状．边界直方图一般是通过边界算子提取边界，得到边界信息后，需要表征这些图像的边界，对于每一个边界点，根据图像中该点的梯度方向计算出该边界点处法向量的方向角，将空间量化为M级，计算每个边界点处法向量的方向角落在M级中的频率，这样便得到了边界方向直方图．图像中像素的梯度向量可以表示为[ ( ，)，)，( ，)，)] ，其中Gx( ，)，)，G ( ，)，)可以用下面的

轴心轨迹 - 2. 图形解读

轴心轨迹- 2. 图形解读轴心轨迹的本身能够提供很多重要的信息。概括来说有下列的6项： 1.X和Y方向的各种变量的振动幅值，包括通频幅值、过滤分量幅值等 2.X和Y方向的各种过滤分量的绝对相位角 3.X和Y方向的同频各种过滤分量的相对相位角 4.X和Y方向包含的频率分量组成和阶次 5.进动方向 6.形状先说振动幅值。从Orbit图中看到的幅值，与组成Orbit的波形有关，而波形长度、分辨率等是由采样定义决定的；采样又分为同步采样和异步采样，它们各有各的不同，各有各的用途。根据这些不同的样本得到的幅值，甚至与波形或者Orbit图形的题头显示的幅值不同，很多人为此困惑，甚至怀疑系统的可靠性。其实，只要明白了这些不同的值来源- 采样的方式不同，因为信号的复杂性，特别是存在低频和冲击信号时，它们之间的差异就好理解了，并进而能利用它们发现机器的某些特定故障。关于不同硬件、软件系统对同一对象为什么读数不同的问题，以后再行详细讨论。总之，善于综合利用不同的数据源和不同的图形，是一个合格振动分析师的基本技能。

上图是对于一个简单的Orbit计算/测量其X方向的振动幅值的步骤，很容易理解，这里就不多解释了。再说说绝对相位角和相对相位角。凡是谈到相位角，都是指的跟踪窄带滤波后的单频率波形的相位角，也就是所谓的过滤波形的相位角。通频或者多频率合成波形是没有相位角意义的。另外，在Orbit 中去看相位关系，无论是绝对相位还是相对相位角，并不直接和精确，下图是示意方法、步骤。精确的测量还是用时基图更好些。通过Orbit图分别看X/Y方向包含的频率分量也不是很方便的，用频谱图更好。但对于某些应用，比如要确定振动频率是否是精确的半倍频，以便确认是摩擦还是流体诱导失稳，但现有的频谱图的分辨率不

故障特征提取的方法研究(1)解析

故障特征提取的方法研究(1) 摘要：针对常规特征提取方法存在着问题不足，提出了基于BP神经网络和基于互信息熵的特征提取方法，并通过特征提取实例加以说明。结果表明这两种方法是可行和有效的。关键词：特征提取故障诊断神经网络互信息熵随着科学技术的发展，现代设备的结构日趋复杂，其故障类型越来越多，反映故障的状态、特征也相应增加。在实际故障诊断过程中，为了使诊断准确可靠，总要采集尽可能多的样本，以获得足够的故障信息。但样本太多，会占用大量的存储空间和计算时间，太多的特征输入也会引起训练过程耗时费工，甚至妨碍训练网络的收敛，最终影响分类精度。因此要从样本中提取对诊断故障贡献大的有用信息。这一工作就是特征提取。特征提取就是利用已有特征参数构造一个较低维数的特征空间，将原始特征中蕴含的有用信息映射到少数几个特征上，忽略多余的不相干信息。从数学意义上讲，就是对一个n维向量X＝[x1，x2，…，xn]T进行降维，变换为低维向量Y＝[y1，y2，…，ym]T，m

步态识别方法的分类及各类方法的比较

步态识别方法的分类及各类方法的比较程汝珍1,2 1河海大学计算机及信息工程学院，江苏南京(210098) 2水文水资源与水利工程科学国家重点实验室，江苏南京(210098) E-mail：chengruzhen@https://www.doczj.com/doc/6216196327.html, 摘要：步态识别是生物特征识别技术中的一个新兴领域，它旨在根据个体的行走方式识别身份。步态识别主要是针对含有人的运动图像序列进行分析处理,所涉及到的几项关键技术包括:视频处理、图像处理、模式识别。步态识别分析可以划分为特征抽取、特征处理和识别分类三个阶段。在最近的文献中已经有许多研究尝试，提出了许多步态识别的具体方法。但国内外尚无将步态识别技术分类，本文提出了步态识别的六类分类法，且初步比较了每类方法的适用范围和优缺点，使读者较为全面了解步态识别技术现状。关键词：步态识别；分类；适用范围；优缺点；比较中图分类号：TP391.4 1.引言步态识别是生物特征识别技术中的一个新兴领域，它旨在根据个体的行走方式识别身份[1]。根据早期的医学研究[2]人的步态有24个不同的分量，在考虑所有的步态运动分量的情况下步态是唯一的。精神物理学[3]中的研究结果显示即使通过受损的步态信息人们也能够识别出身份，这表明在步态信号中存在身份信息。步态识别主要是针对含有人的运动图像序列进行分析处理,所涉及到的几项关键技术包括:视频处理、图像处理、模式识别[4]。步态识别分析可以划分为特征抽取、特征处理和识别分类三个阶段[5]。步态识别部分图1 步态自动识别系统框图 Fig1 the framework of gait automatic recognition system 步态识别系统的一般框架如图所示[6]。监控摄像机首先捕捉监控领域来人的行走视频，然后送入计算机进行检测和跟踪，提取人的步态特征，最后结合已经存储的步态模式进行身份识别。若发现该人是罪犯或嫌疑人，系统将自动发出警告。

主要电力设备故障图像特征及识别方法研究改

摘要摘要内容伴随着我国电网规模的日益加大,各类变电设备的运作状态是促使其安全高效运行的最为主要的因素之一。对于各类变电设备的在线状态监测系统的推广越来越发普及。研究基于图像特征的电力设备自动故障识别具有重要意义。本文对各类主要电力设备，研究各类变电设备故障识别分类及相应故障的图像特征，以及基于红外与紫外图像特征的故障识别方法。对于紫外放电成像技术图像的处理与特征提取，本文从紫外成像技术的基本原理出发，在讲解紫外放电图片特性的基础上，对紫外放电图像使用灰度化预处理，以及应用中值滤波等方法对图像进行降噪。并通过canny算子边缘检测计算紫外光斑面积判断是否发生放电故障。针对红外故障图像，本文在红外成像原理的基础上，对红外图像进行超像素分割及HSV空间颜色提取，对应用卷积神经网络对红外故障图像故障区域检测进行理论上的研究。关键词：红外成像紫外成像图像处理

ABSTRACT With the increasing scale of China's power grid, the operation of various types of substation equipment is one of the most important factors to promote the safe and efficient operation. The popularization of the on-line condition monitoring system for all kinds of transformer equipment is becoming more and more popular. Research on image feature based automatic fault recognition of power equipment is of great significance. In this paper, various types of main power equipment, the study of various types of substation equipment fault identification and classification of image features, as well as infrared and ultraviolet image features based on fault identification method. For ultraviolet discharge imaging technique to image processing and feature extraction, this paper from the basic principle of UV imaging technology of on the explanation of the ultraviolet discharge picture characteristics based and discharge on the UV image using grayscale preprocessing and application of median filtering method of image in noise reduction. And through the Canny operator edge detection to determine whether the area of the UV spot to determine whether the discharge fault. Aiming at the

17.电涡流传感器轴心轨迹测量实验

实验十七电涡流传感器轴心轨迹测量实验一. 实验目的通过本实验了解和掌握电涡流传感器测量的原理和方法。二. 实验原理电涡流传感器就是能静态和动态地非接触，高线性度，高分辨力地测量被测金属导体距探头表面的距离。它是一种非接触的线性化计量工具。电涡流位移传感器能准确测量被测体（必须是金属导体）与探头端面之间的静态和动态距离及其变化。探头、(延伸电缆)、前置器以及被测体构成基本工作系统。前置器中高频振荡电流通过延伸电缆流入探头线圈，在探头头部的线圈中产生交变的磁场。如果在这一交变磁场的有效范围内没有金属材料靠近，则这一磁场能量会全部损失；当有被测金属体靠近这一磁场，则在此金属表面产生感应电流，电磁学上称之为电涡流，与此同时该电涡流场也产生一个方向与头部线圈方向相反的交变磁场，由于其反作用，使头部线圈高频电流的幅度和相位得到改变（线圈的有效阻抗），这一变化与金属体磁导率、电导率、线圈的几何形状、几何尺寸、电流频率以及头部线圈到金属导体表面的距离等参数有关。通常假定金属导体材质均匀且性能是线性和各项同性，则线圈和金属导体系统的物理性质可由金属导体的电导率б、磁导率ξ、尺寸因子τ、头部体线圈与金属导体表面的距离d、电流强度i和频率ω参数来描述。则线圈特征阻抗可用z=f(τ, ξ, б, d, i, ω)函数来表示。通常我们能做到控制τ, ξ, б, i, ω这几个参数在一定范围内不变，则线圈的特征阻抗z就成为距离d的单值函数，虽然它整个函数是一非线性的，其函数特征为"s"型曲线，但可以选取它近似为线性的一段。于此，通过前置器电子线路的处理，将线圈阻抗z的变化，即头部体线圈与金属导体的距离d的变化转化成电压或电流的变化。输出信号的大小随探头到被测体表面之间的间距而变化，电涡流传感器就是根据这一原理实现对金属物体的位移、振动等参数的测量。涡流检测不需要改变试件的形状，也不会影响试件的使用性能，因此，是一种无损地评定试件有关性能和发现试件有无缺陷等的检测方法。涡流检测只适用于能产生涡流的导电材料。同时，由于涡流是电磁感应产生的，在检测时，不必要求线圈与试件紧密接触，也不必在线圈和试件之间充填满合剂，从而容易实现自动化检验。对管、棒、丝材表面缺陷，涡流检查法有很高的速度和效率。涡流及其反作用磁场对代表金属试件物理和工艺性能的多种参数有反应，因此是一种多用途的试验方法。然而，正是由于对多种试验参数有敏感反应，也就会给试验结果带来干扰信息，影响检测的正确进行。涡流检测设备用于各种金属管、棒、线、丝材的在线、离线探伤。在探伤过程中，能同时兼顾长通伤、缓变伤等长缺陷和短小缺陷（如通孔）；能够有效抑制管道在线、离线检测时的某些干扰信号（如材质不均、晃动等），对金属管道内外壁缺陷检测都具有较高的灵敏度；还可用于机械零部件混料分选，渗碳深度和热处理状态评价，硬度测量等。三. 实验仪器和设备 1. 计算机n台 2. drvi快速可重组虚拟仪器平台1套 3. 转子实验台1套 4. 开关电源（ldy-a）1台 5. 并口数据采集仪（lepp-daq2）1台 6. 电涡流传感器2套

文本特征提取方法研究

文本特征提取方法研究 ______________________________________________________ 一、课题背景概述文本挖掘是一门交叉性学科,涉及数据挖掘、机器学习、模式识别、人工智能、统计学、计算机语言学、计算机网络技术、信息学等多个领域。文本挖掘就是从大量的文档中发现隐含知识和模式的一种方法和工具,它从数据挖掘发展而来,但与传统的数据挖掘又有许多不同。文本挖掘的对象是海量、异构、分布的文档(web);文档内容是人类所使用的自然语言,缺乏计算机可理解的语义。传统数据挖掘所处理的数据是结构化的,而文档(web)都是半结构或无结构的。所以,文本挖掘面临的首要问题是如何在计算机中合理地表示文本,使之既要包含足够的信息以反映文本的特征,又不至于过于复杂使学习算法无法处理。在浩如烟海的网络信息中,80%的信息是以文本的形式存放的，WEB文本挖掘是WEB内容挖掘的一种重要形式。文本的表示及其特征项的选取是文本挖掘、信息检索的一个基本问题，它把从文本中抽取出的特征词进行量化来表示文本信息。将它们从一个无结构的原始文本转化为结构化的计算机可以识别处理的信息，即对文本进行科学的抽象，建立它的数学模型，用以描述和代替文本。使计算机能够通过对这种模型的计算和操作来实现对文本的识别。由于文本是非结构化的数据,要想从大量的文本中挖掘有用的信息就必须首先将文本转化为可处理的结构化形式。目前人们通常采用向量空间模型来描述文本向量,但是如果直接用分词算法和词频统计方法得到的特征项来表示文本向量中的各个维,那么这个向量的维度将是非常的大。这种未经处理的文本矢量不仅给后续工作带来巨大的计算开销,使整个处理过程的效率非常低下,而且会损害分类、聚类算法的精确性,从而使所得到的结果很难令人满意。因此,必须对文本向量做进一步净化处理,在保证原文含义的基础上,找出对文本特征类别最具代表性的文本特征。为了解决这个问题,最有效的办法就是通过特征选择来降维。目前有关文本表示的研究主要集中于文本表示模型的选择和特征词选择算法的选取上。用于表示文本的基本单位通常称为文本的特征或特征项。特征项必须具备一定的特性:1)特征项要能够确实标识文本内容;2)特征项具有将目标文本与其他文本相区分的能力;3)特征项的个数不能太多;4)特征项分离要比较容易实现。在中文文本中可以采用字、词或短语作为表示文本的特征项。相比较而言，词比字具有更强的表达能力，而词和短语相比，词的切分难度比短语的切分难度小得多。因此，目前大多数中文文本分类系统都采用词作为特征项，称作特征词。这些特征词作为文档的中间表示形式，用来实现文档与文档、文档与用户目标之间的相似度计算。如果把所有的词都作为特征项，那么特征向量的维数将过于巨大，从而导致计算量太大，在这样的情况下，要完成文本分类几乎是不可能的。特征抽取的主要功能是在不损伤文本核心信息的情况下尽量减少要处理的单词数，以此来降低向量空间维数，从而简化计算，提高文本处理的速度和效率。文本特征选择对文本内容的过滤和分类、聚类处理、自动摘要以及用户兴趣模式发现、知识发现等有关方面的研究都有非常重要的影响。通常根据某个特征评估函数计算各个特征的评分值，然后按评分值对这些特征进行排序，选取若干个评分

脑电信号特征提取及分类

第 1 章绪论 1.1引言大脑又称端脑，是脊椎动物脑的高级的主要部分，由左右两半球组成及连接两个半球的中间部分，即第三脑室前端的终板组成。它是控制运动、产生感觉及实现高级脑功能的高级神经中枢[1]。大脑是人的身体中高级神经活动中枢，控制着人体这个复杂而精密的系统，对人脑神经机制及高级功能进行多层次、多学科的综合研究已经成为当代脑科学发展的热点方向之一。人的思维、语言、感知和运动能力都是通过大脑对人体器官和相应肌肉群的有效控制来实现的[2]。人的大脑由大约1011个互相连接的单元体组成，其中每个单元体有大约104个连接，这些单元体称做神经元。在生物学中，神经元是由三个部分组成：树突、轴突和细胞体。神经元的树突和其他神经元的轴突相连，连接部分称为突触。神经元之间的信号传递就是通过这些突触进行的。生物电信号的本质是离子跨膜流动而不是电子的流动。每有一个足够大的刺激去极化神经元细胞时，可以记录到一个持续1-2ERP的沿轴突波形传导的峰形电位-动作电位。动作电位上升到顶端后开始下降，产生一些小的超极化波动后恢复到静息电位（静息电位（Resting Potential，RP）是指细胞未受刺激时，存在于细胞膜内外两侧的外正内负的电位差）。人的神经细胞的静息电位为-70mV（就是膜内比膜外电位低70mV）。这个变化过程的电位是局部电位。局部电位是神经系统分析整合信息的基础。细胞膜的电特性决定着神经元的电活动[3]。当神经元受到外界刺激时，神经细胞膜内外两侧的电位差被降低从而提高了膜的兴奋性，当兴奋性超过特定阈值时就会产生神经冲动或兴奋，神经冲动或兴奋通过突触传递给下一个神经元。由上述可知，膜电位是神经组织实现正常功能的基本条件，是兴奋产生的本质。膜电位使神经元能够接收刺激信号并将这一刺激信号沿神经束传递下去。在神经元内部，树突的外形就像树根一样发散，由很多细小的神经纤维丝组成，可以接收电信号，然后传递给细胞体。如果说树突是树根的话，那么细胞体就是树桩，对树突传递进来的信号进行处理，如果信号超过特定的阈值，细胞体就把信号继续传递给轴突。轴突的形状像树干，是一根细长的纤维体，它把细胞体传递过来的信号通过突触发送给相邻神经元的树突。突触的连接强度和神经元的排列方式都影响着神经组织的输出结果。而正是这种错综复杂的神经组织结构和复杂的信息处理机制，才使得人脑拥有高度的智慧。我们的大脑无时无刻不在产生着脑电波，对脑来说，脑细胞就像是脑内一个个“微小的发电站”。早在1857年，英国的青年生理科学工作者卡通（R.Caton）就在猴脑和兔脑上记录

故障特征提取的方法研究.

故障特征提取的方法研究 2008-01-20 摘要：针对常规特征提取方法存在着问题不足，提出了基于BP神经网络和基于互信息熵的特征提取方法，并通过特征提取实例加以说明。结果表明这两种方法是可行和有效的。关键词：特征提取故障诊断神经网络互信息熵随着科学技术的发展，现代设备的结构日趋复杂，其故障类型越来越多，反映故障的状态、特征也相应增加。在实际故障诊断过程中，为了使诊断准确可靠，总要采集尽可能多的样本，以获得足够的故障信息。但样本太多，会占用大量的存储空间和计算时间，太多的特征输入也会引起训练过程耗时费工，甚至妨碍训练网络的收敛，最终影响分类精度。因此要从样本中提取对诊断故障贡献大的有用信息。这一工作就是特征提取。特征提取就是利用已有特征参数构造一个较低维数的特征空间，将原始特征中蕴含的有用信息映射到少数几个特征上，忽略多余的不相干信息。从数学意义上讲，就是对一个n维向量X＝[x1，x2，…，xn]T进行降维，变换为低维向量Y＝[y1，y2，…，ym]T，m