宋涛
- 作品数：7 被引量：64H指数：6
- 供职机构：重庆大学机械工程学院机械传动国家重点实验室更多>>
- 发文基金：国家自然科学基金重庆市自然科学基金国家教育部博士点基金更多>>
- 相关领域：机械工程电子电信自动化与计算机技术更多>>
- 基于流形学习和K-最近邻分类器的旋转机械故障诊断方法被引量：30
- 2013年
- 针对旋转机械故障诊断需人工干预、精度低、故障样本难以获取等问题,提出基于流形学习和K-最近邻分类器(KNNC)的故障诊断模型。提取振动信号多域信息熵以全面反映设备运行状态并构造高维特征集;利用正交邻域保持嵌入(ONPE)非线性流形学习算法的二次特征提取特性进行维数约简使特征具有更好的聚类特性;基于改进的更适用于小样本分类KNNC进行模式识别,用轴承故障诊断案例证明该模型的有效性。
- 宋涛汤宝平李锋
- 关键词：流形学习信息熵维数约简模式识别
- 双目立体视觉空间火灾定位方法的改进被引量：3
- 2012年
- 针对室内空间火灾早期自动定位的需要,基于机器视觉技术对传统空间定位方法进行改进。设计简单实用的平面标定板进行摄像机标定,利用HALCON解决快速自动提取标定板上特征点像素坐标的问题。针对传统标定算法只校正径向畸变的不足,建立了更全面的摄像机畸变模型。通过迭代法利用成像模型和畸变模型求解并优化摄像机的单应性矩阵和畸变系数并通过三维重建实现空间定位。将此方法应用于消防炮工程项目,结果表明该改进方法具有有效性、快速性和准确性。
- 宋涛汤宝平习建民
- 关键词：立体视觉
- 归一Laplacian矩阵有监督最优局部保持映射故障辨识被引量：7
- 2013年
- 提出基于归一化Laplacian矩阵有监督最优局部保持映射(Normalized Laplacian-based supervised optimal localitypreserving projection,NL-SOLPP)维数化简的故障辨识方法。构造全面表征不同故障特性的时频域特征集,利用NL-SOLPP将高维时频域特征集自动约简为区分度更好的低维特征矢量,并输入到Shannon小波支持向量机中进行故障模式辨识。NL-SOLPP结合流形局部结构和类标签来设计相似加权矩阵,并使输出基矢量统计不相关和相互正交,提高了故障辨识精度。深沟球轴承故障诊断和空间轴承寿命状态辨识实例验证了该方法的有效性。
- 李锋汤宝平宋涛丁行武
- 关键词：局部保持映射流形学习故障辨识
- 基于Shannon小波支持矢量机二级决策的故障诊断被引量：8
- 2010年
- 提出一种基于Shannon小波支持矢量机(Shannon wavelet support vector machine,SWSVM)二级决策的故障诊断模型。先求出原信号的双谱相关值特征矩阵奇异值谱,并用BP神经网络对主分量分析(Principal component analysis,PCA)后的奇异值谱调维得到可分性更高的三维模式矢量,再将该三维模式矢量用SWSVM进行二级故障诊断。SWSVM可以对BP网络因陷入局部极值﹑欠/过学习输出的低分辨率进行校正,获得更高的故障识别精度和自适应识别能力。本模型实现了BP网络和SWSVM优势互补。一滚动轴承故障诊断实例验证了该模型的有效性。
- 李锋汤宝平宋涛
- 关键词：双谱BP神经网络故障诊断
- 基于自适应本征维数估计流形学习的相空间重构降噪方法被引量：9
- 2015年
- 针对实际工程领域振动信号噪声干扰大、具有强烈非线性等问题,提出了基于自适应本征维数估计流形学习的相空间重构降噪方法。利用相空间重构将一维含噪时间序列重构到高维相空间;基于极大似然估计法(maximum likelihood estimate,MLE)估计相空间中每个样本点的本征维数并使用自适应加权平均法计算全局本征维数;采用局部切空间排列(Local tangent space Alignment,LTSA)流形学习方法将含噪信号从高维相空间投影到有用信号的本征维空间中,剔除分布在高维空间中的噪声后,重构回一维时间序列。通过Lorenz仿真实验和风电机组振动信号降噪实例,证实了该方法具有良好的非线性降噪性能。
- 马婧华汤宝平宋涛
- 关键词：流形学习极大似然估计自适应加权
- 改进投票策略的Morlet小波核支持向量机及应用被引量：6
- 2011年
- 主要研究了现有支持向量机存在的问题,提出基于贝叶斯优化投票策略和Morlet小波作为核函数的改进方法。通过贝叶斯优化改进支持向量机分类投票策略,实现对不可分区域数据的有效分类。通过建立Morlet小波核支持向量机,使向量机更加适合冲击非线性信号的分类,并用一个滚动轴承的实例说明方法的鲁棒性和可靠性。
- 董绍江汤宝平宋涛
- 关键词：投票策略支持向量机故障诊断
- 动态增殖流形学习算法在机械故障诊断中的应用被引量：8
- 2014年
- 针对现有的批量式流形学习算法无法利用已学习的流形结构实现新增样本的快速约简的缺点,提出增殖正交邻域保持嵌入(Incremental Orthogonal Neighborhood Preserving Embedding,IONPE)流形学习算法。该算法在正交邻域保持嵌入算法基础上利用分块处理思想实现新增样本子集的动态约简。从原始样本中选取部分重叠点合并至新增样本,对重叠点和新增样本子集不依赖原始样本使用正交邻域保持嵌入(ONPE)进行独立约简获取低维嵌入坐标子集,并基于重叠点坐标差值最小化原则,将新增样本低维嵌入坐标通过旋转平移缩放整合到原样本子集中。齿轮箱故障诊断案例证实了IONPE算法具有良好的增量学习能力,在继承ONPE优良聚类特性的同时有效提高了新增样本约简效率。
- 宋涛汤宝平邓蕾
- 关键词：动态约简分块处理故障诊断
