为解决电池模组极柱焊接缺陷检测精度低、效率低的问题,提出了一种基于机器视觉的焊接缺陷检测算法。首先,对采集图像进行预处理操作;其次,通过组件筛选结合改进的Canny算法获取目标区域的无干扰边缘轮廓,为了改善拟合干扰现象,利用基...为解决电池模组极柱焊接缺陷检测精度低、效率低的问题,提出了一种基于机器视觉的焊接缺陷检测算法。首先,对采集图像进行预处理操作;其次,通过组件筛选结合改进的Canny算法获取目标区域的无干扰边缘轮廓,为了改善拟合干扰现象,利用基于密度的聚类(density-based spatial clustering of applications with noise,DBSCAN)算法对焊接区域的内外圆边缘点集进行分离;然后,采用改进的最小二乘法对内外圆点集分别进行拟合得到精准的焊接区域;最后,以焊接区域内外圆的面积差和同心度来检测焊接面积缺陷和焊偏,通过双向扫面检测法进行焊接区域灰度值遍历,根据对应的灰度值范围和区域大小来检测焊穿和炸点缺陷。实验表明,该算法能够精确拟合焊接区域并准确识别出焊接缺陷,具有较高的检测精度和效率,能够满足工业生产需求。展开更多
为了解决滚动轴承故障诊断中样本分布差异大、有效故障样本少以及不同故障样本数量不均衡所导致的诊断精度较低的问题;提出基于个性化联邦迁移学习(personalized federated transfer learning,PFTL)的滚动轴承故障诊断方法。在所提出的P...为了解决滚动轴承故障诊断中样本分布差异大、有效故障样本少以及不同故障样本数量不均衡所导致的诊断精度较低的问题;提出基于个性化联邦迁移学习(personalized federated transfer learning,PFTL)的滚动轴承故障诊断方法。在所提出的PFTL中,首先在预训练阶段,将不同分布的各类型故障样本作为联邦学习的各个客户端的输入,并引入贝叶斯层级模型对联邦学习的本地训练和聚合规则进行个性化调整,从而使得预训练模型在避免过拟合问题的同时具有较强的泛化能力;其次引入模型补丁,对预训练模型结构进行调整,并利用目标任务样本对模型进一步微调;最后在CWRU轴承数据集上进行故障诊断实验。实验结果证明所提方法的有效性。展开更多
针对故障诊断中单一来源信号特征信息表征不充分以及深度神经网络调参复杂、构建难度大等问题,提出了一种基于声振特征融合和改进级联森林的离心泵故障诊断方法。首先,对多个传感器采集的声振信号进行小波包去噪,提取降噪信号的时域特...针对故障诊断中单一来源信号特征信息表征不充分以及深度神经网络调参复杂、构建难度大等问题,提出了一种基于声振特征融合和改进级联森林的离心泵故障诊断方法。首先,对多个传感器采集的声振信号进行小波包去噪,提取降噪信号的时域特征、频域特征和小波包能量特征。利用核主成分分析(kernel principal component analysis,KPCA)对声振信号特征进行特征融合与数据降维,得到特征矩阵。在深度级联森林的基础上引入极端随机森林构建级联层,并添加XGBoost预测器提升模型性能,得到改进级联森林模型。利用改进的级联森林模型进行故障分类,试验结果表明,该方法能够有效识别离心泵的故障类型,并且声振信号特征融合相比于单源信号特征能够有效提升诊断精度。展开更多
文摘为解决电池模组极柱焊接缺陷检测精度低、效率低的问题,提出了一种基于机器视觉的焊接缺陷检测算法。首先,对采集图像进行预处理操作;其次,通过组件筛选结合改进的Canny算法获取目标区域的无干扰边缘轮廓,为了改善拟合干扰现象,利用基于密度的聚类(density-based spatial clustering of applications with noise,DBSCAN)算法对焊接区域的内外圆边缘点集进行分离;然后,采用改进的最小二乘法对内外圆点集分别进行拟合得到精准的焊接区域;最后,以焊接区域内外圆的面积差和同心度来检测焊接面积缺陷和焊偏,通过双向扫面检测法进行焊接区域灰度值遍历,根据对应的灰度值范围和区域大小来检测焊穿和炸点缺陷。实验表明,该算法能够精确拟合焊接区域并准确识别出焊接缺陷,具有较高的检测精度和效率,能够满足工业生产需求。
文摘为了解决滚动轴承故障诊断中样本分布差异大、有效故障样本少以及不同故障样本数量不均衡所导致的诊断精度较低的问题;提出基于个性化联邦迁移学习(personalized federated transfer learning,PFTL)的滚动轴承故障诊断方法。在所提出的PFTL中,首先在预训练阶段,将不同分布的各类型故障样本作为联邦学习的各个客户端的输入,并引入贝叶斯层级模型对联邦学习的本地训练和聚合规则进行个性化调整,从而使得预训练模型在避免过拟合问题的同时具有较强的泛化能力;其次引入模型补丁,对预训练模型结构进行调整,并利用目标任务样本对模型进一步微调;最后在CWRU轴承数据集上进行故障诊断实验。实验结果证明所提方法的有效性。
文摘针对故障诊断中单一来源信号特征信息表征不充分以及深度神经网络调参复杂、构建难度大等问题,提出了一种基于声振特征融合和改进级联森林的离心泵故障诊断方法。首先,对多个传感器采集的声振信号进行小波包去噪,提取降噪信号的时域特征、频域特征和小波包能量特征。利用核主成分分析(kernel principal component analysis,KPCA)对声振信号特征进行特征融合与数据降维,得到特征矩阵。在深度级联森林的基础上引入极端随机森林构建级联层,并添加XGBoost预测器提升模型性能,得到改进级联森林模型。利用改进的级联森林模型进行故障分类,试验结果表明,该方法能够有效识别离心泵的故障类型,并且声振信号特征融合相比于单源信号特征能够有效提升诊断精度。
