关键词：
多重识别（精选四篇）
多重识别 篇1
国内外学术界广泛关注着企业技术创新过程中的技术机会问题, 而技术创新实际上就是对技术机会的认识和实现的过程, 企业技术创新链中包含了对某些尚未利用的技术机会的感知、识别和利用。由于企业所面临的技术机会并不是以预先包装好的形式出现的, 研究企业根据自身的对外技术依存度, 在技术机会窗口、技术成熟度、技术环境、技术集成度等多个方面进行技术机会识别的过程对企业技术创新具有很重要的意义。然而当前技术的发展呈现出的技术范式变革、技术复杂性、技术多样化、技术快变性等特征, 使得技术机会的识别必须依靠企业强有力的技术管理体制和运行机制, 对企业内部资源、能力和环境进行合理的匹配和有效的优化, 通过商业与技术机会的智能化, 掌握大量技术信息、资料, 然后对其进行辩识、整合和分析而实现的。在技术多重因素影响下提高企业的技术机会识别能力, 才能使企业能够及时把握技术机会通向商业机会的战略转折点, 减少因为技术转型、变换和升级而增加的成本, 从而指导企业能够在技术创新的实践中提高成功率[2]。本文将着重论述企业技术机会识别在企业技术创新战略中的重要作用, 研究企业技术的多重影响因素及其特点, 探讨在企业技术多重因素影响下如何识别技术机会和提高企业技术机会的识别能力, 进而对企业的技术创新产生作用的过程。
1 技术机会的识别和利用对实施企业技术战略的重要性
国内外研究者均认为技术本身具有资源特性和知识特性, 技术是客观存在的, 随着技术水平的不断提高, 日趋显示其动态性、复杂性及其不确定性。技术变化可以是渐变的, 也可能是突变的, 对企业的影响既可能是及时的, 也可能具有一定的时滞。技术机会是一种稀缺资源, 是企业取得递增回报的来源。最早技术机会概念是尼尔森 (Nelson) 和温特 (Winter) 在演化经济学的研究过程中提出的, 他们认为技术机会越大, 潜在的生产增长率就越高。在此基础上布伦思 (Breschi) 研究了技术机会识别对于研究开发上投入资金和实施技术创新产生影响的可能性。在当今创新理论中, 也存在着很多内涵相互重叠的技术机会的概念, 从产生物的角度可以是新的技术范式、新的主导设计、新的技术路线和新的技术领域。当某种技术沿着特定的路径 (轨迹) 发展时, 就代表着一定程度的技术机会。由于自然发展规律和人的认知能力的有限性, 在特定的技术发展路径上, 随着某种技术发展接近极限时, 技术机会将会越来越少, 可能就会诞生出完全不同于原有技术特征的新技术[3]。
技术机会识别是非常重要的技术创新管理工具, 企业有效地识别由于技术变化带来的机会, 可以帮助企业减少技术开发的风险与不确定性, 能够充分的利用技术机会实现技术跟踪、技术转型或技术跨越等技术战略, 抓住发展的机遇赢得未来的主动和占领未来的技术前沿。
首先, 通过技术机会识别, 可以发现潜在的、有价值的企业发展机遇, 为企业的技术管理工作提供必要的决策支持和信息保障, 促进企业的技术创新, 从而实现增强创新能力、提高创新效率、降低创新成本的目标。正确识别企业的技术机会, 是制定企业的技术发展战略提高企业技术创新能力的基础, 可以使企业主动地选择应变措施而不是被动地适应竞争者的挑战, 有利于企业围绕着识别出的技术机会, 及时对企业内各项创新资源进行优化配置, 使具有战略发展目标的企业组织真正成为新技术开发主体和创新主体。
再则, 通过技术机会识别, 能够使企业实现正确、科学的技术战略定位。创新活动的制度安排通常是高起点、远目标和多效应的, 任何技术的变化都有可能导致行业、区域和市场的重新定位, 代表未来技术发展方向的技术完全有可能拓展行业的边界, 改变产业链条的长度和结构, 增加企业生存和发展的空间。企业在广泛收集外部信息的基础上, 正确判断企业所在技术环境的变动趋势, 利用技术预测和技术预见的成果, 结合企业的技术现状识别出符合企业实际能力的技术机会, 从而决定了企业的技术发展目标。
最后, 由于企业的技术战略是要通过制定获取和利用技术的方针策略, 为企业在增强满足客户某种需求的产品和服务的战略等方面发挥作用。技术机会的识别是企业技术战略的重要步骤, 它是贯穿于技术战略制定、技术战略控制和技术战略实施三个环节之中的。技术变化导致新过程、新产品、新市场和新的组织方式, 任何有利的技术机会都可能产生一系列的商业机会。机会对于每个企业来讲, 其明显度和清晰度并不一样, 发现技术机会的过程与企业所拥有的关于技术信息的显性知识和隐性知识有关。所以企业为了利用新的技术机会, 需要组建专门机构进行技术扫描活动, 以便能够及时地从外部技术环境中获得相关的判断和认识等环节即对技术机会识别后, 企业再进行技术创新的选择决策。企业特别是高层管理者建立在对自身技术能力的基础上对外部技术环境、技术信息和技术市场的感知, 通过技术扫描的手段和机制来实现对技术机会的把握。同样在组织企业技术战略实施过程中, 一方面需要不断地进行技术战略控制, 动态地对企业技术战略实现技术监控, 同时还要通过反馈机制, 不断地调整、修正技术战略的制定和决策。例如与渐进性技术不同, 突变性技术变化具有高度复杂性特征, 相关研究显示, 当突变性变化的机会窗口时间短于三年, 而企业不能很好地识别技术机会时造成进入机会窗口的时机抉择不恰当时, 创新失败率高达80%。为了有效把握技术机会的有关规律和技术机会窗口演变的特征, 企业现有的在已知的技术领域内跟踪渐进性变化的技术信息技术监控方式, 在监控突变性技术变化方面就存在较大的战略信息盲区, 需要以现实需求为导向, 把类似于突变性技术变化的技术机会发现、技术监控与研发决策纳入一个体系内实现动态匹配, 保证企业的技术监控活动对组织结构、决策机制的适应性。所以提升企业技术机会识别的地位对于成功地实施企业技术战略, 具有重要的现实意义[2]。
2 企业技术发展的多重影响因素
技术在决定企业的市场成功方面具有关键性的作用。相关研究者对于技术的理解是一个不断变化的过程, 随着全球技术发展的变化和时间的推移, 技术被赋予的内涵在不断的发生变化, 除了共性技术与专有技术, 传统技术与新兴技术等分类外, 在企业层面上对于企业发展具有战略性意义的技术越来越呈现出技术范式变化、技术多样性和技术快变性等多重因素变化的特征。
第一, 技术范式是企业作为组织的外部环境因素之一, 其本质上是一种技术问题的解决方案的模式, 同时兼具有技术性和竞争性的双重特征, 是推动企业战略变革的关键性因素。研究者发现新的技术范式在其支撑的新产品商业化的最初阶段往往并不是应用于主流市场, 而是从发现新的利基市场开始的。在新技术发展的初级阶段, 新的技术范式在性能上和结构上往往劣于现有技术, 通过将新技术运用于利基市场, 产品性能的逐步提高, 就会完成市场的转换和技术范式的替代。把描述技术的生命周期、技术S曲线和技术范式的变化将企业技术变革的诸方面整合到一个框架中, 如图2所示。正因为在技术和市场的共同作用下会呈现出不同的生命周期形态, 两者非均衡非稳定的发展也诱发了新技术的出现, 使技术演化呈现出了不一样的技术动态性特征, 体现在新技术范式提供的技术机会。从企业层面上讲, 要密切关注技术的演化情况, 通过技术范式变革中识别出宝贵的技术机会[4]。
第二, 在当今技术变革不断加速的时代, 产品的多技术特征日益明显, 产品和服务创新加速复杂化, 许多 (互补的和相关的) 技术被同时用来制造某一个产品 (如复杂产品) 或被企业用于开拓新的产品和服务市场, 技术能力单一的企业开展全面的技术创新已经困难重重, 不少企业开始实施了从技术专业化到技术多样化的转变。在通过要素驱动至创新驱动的战略转换过程中, 企业更关注在多个技术领域中积累能力以有效开展产品与服务创新战略。
技术多样化通常是指企业的技术资源 (技术知识、技术能力和技术投资等) 在某一时点的多样性, 这样企业的技术创新活动涉足到多个不同的技术领域。由于企业的竞争优势在很大程度上来源于推出新产品和新服务的能力, 包括进入新产品新服务领域的多样化战略, 专注于已有产品和服务领域的系列化战略。在竞争全球化环境下, 实行企业技术多样化的企业通过内部研发或外部获取方式, 在多个技术领域中拥有多样性的技术知识和技术能力, 作为一类显著异于业务多样化和市场多样化的多样化战略, 对企业提高基于技术的产品和服务创新的竞争能力意义重大[5]。
第三, 当前全球技术环境的发展状态是由于技术的迅猛发展导致新技术、专有技术及技术诀窍的供给量快速增加, 除了技术开发的创新资源跨国界的全球化趋势和技术集成的广泛应用使得产品的商业化外, 一个显著的特征就是时间紧缩, 技术开发的时间减少, 产品生命周期和回报周期缩短, 技术的快变性增强, 体现出技术知识的快速变化的速度, 往往在这个时候, 企业会偏重于对内外知识的整合, 倾向性的组织更多的资源、力量和精力, 以便获取更多的技术信息, 避免错失新技术开发的机会。
3 多重因素影响下的企业技术机会识别
正如前述, 技术机会是企业在技术创新过程中, 通过对某产业或技术领域内已有技术的发展趋势及相关关系的挖掘, 发现最新的技术动向, 推断该领域可能出现的技术形态或技术发展点, 而技术机会识别与外部技术信息的收集、加工和处理是息息相关的。在技术本身受到多重因素影响的条件下, 技术的开发能否成功的运用于生产中, 以及技术运用于生产后能够给企业带来的经济效益, 在国家层面的技术预测、产业层面的技术预见的基础上, 企业还要正确判断所在技术环境的变动趋势, 必须注重自身的实际能力来识别自己的技术发展机会, 是企业进行技术战略决策时必须考虑的一个重要问题。
企业的技术能力被认为是企业实施技术创新、获取竞争优势的一种重要的战略资源, 包括研发和生产相关的技术知识、诀窍, 与技术相关的智力资本、专利和商业秘密等, 这些都是有价值的、竞争对手难以模仿的资源。企业技术能力体现着企业的动态竞争优势, 技术能力越高则技术创新成功的可能性越高。技术能力包含的知识具有隐性、复杂性和技巧性的特点, 使得竞争者难以模仿, 能够给企业带来持久的竞争优势。相对竞争对手而言, 企业可以创造更多的价值, 得到高于行业平均水平的收益。几乎能力的积累来源于动态学习过程, 内部积累技术能力受到限制时, 企业应该与其他企业建立合作关系, 从外部获取并积累技术能力。技术机会能否被企业利用, 企业战略目标对技术战略的要求能否达到, 都取决于企业的技术能力与机会之间的匹配。例如企业的技术能力能否解决关键技术问题等。企业要对这些匹配关系进行合理的分析与判断。技术选择就是在企业技术能力与技术机会匹配的基础上识别出企业所要投资的技术[6]。
技术机会的大小与企业的技术能力的强弱的相互匹配关系如图3所示。当企业本身技术能力比较强, 通过技术机会识别, 预测到技术也能给企业带来比较大的经济效益时, 企业应该调动自身的技术能力, 积极推进技术的发展;而当企业技术能力较差, 经过技术机会识别后知道技术可能给企业带来的经济效益也不具有明显优势时, 企业就不宜采用加快该技术的推进和实施。特别在技术多样化的影响下, 企业不断投入技术资源, 持续拓展其技术知识的范围, 进行超前的技术储备, 以谋取长期优势, 从而导致企业技术宽度增加, 企业的技术活动或技术知识存量延伸到了新的技术领域, 要求发展新的技术能力或增强现有的技术能力, 构建企业多样性的技术能力[7]。
技术机会是技术系统内各种作用力相互作用的结果, 它为企业技术创新决策和实现提供了强大的动机, 其存在的客观性也要求企业自觉、主动的运用技术机会, 提高技术机会识别的能力, 及时地获得和分析外部技术信息, 做到潜在的有利机会不被忽视, 及时发现别人忽视的机会, 敏锐地跟踪主流技术的发展。通过针对特殊需求和竞争特性的技术机会与企业创新资源本身的禀赋相匹配, 与企业所具有的技术能力和管理水平相适应, 才能实现较高的技术创新成功率。
企业对于技术机会的识别, 会受到技术机会本身特点的限制。从技术机会的识别主体来看, 能否识别并进而利用机会有其自身的主客观原因。首先技术机会作为一种具有偶然性和环境依赖性的存在, 其本质的体现有一个过程, 企业技术识别及创新主体对其的识别会受到客观条件和科技发展水平的限制, 还有信息不完全、非对称性和不确定性的影响造成的差异性, 对技术机会的理解会出现多样化的现象。另外是主观条件的限制, 对技术机会的敏感性、基本特质、先验知识、信息搜索能力、认知学习能力。例如由于管理者个人的认知、感知、知识和经验等具有局限性, 加上个人偏好, 所以在进行技术识别过程中的差异性, 可能会忽视关注感知和选择所有可能影响企业的技术环境要素和技术信息来源, 不同的管理者对于同一个事件会做出不同的判断和选择, 会有不同的技术机会识别结果。如果企业没有一定的机制 (约束、制衡、运作和导入) , 缺乏一整套技术环境信息系统传导机制, 企业对机会的识别就会缺乏保障, 错失良机。再则就是认识的无限性使得企业的技术创新主体的认知能力的提高也是无限的, 通过不断加强对技术机会的认识, 基于技术环境与认知的互动协同, 并在战略-机会-环境耦合的基础上, 围绕该技术机会展开技术创新实践活动。最后就是技术机会识别应该是具体的历史统一。技术机会识别和技术客观过程是符合技术发展的历史条件下的, 本质上是变化的技术机会, 不能脱离具体的历史阶段, 技术创新是在一定的技术范式下利用技术变迁的技术解决技术问题的过程[8]。
企业的决策活动是基于机会的行为驱动过程, 是可控资源匮乏前提下的机会追求过程。技术机会识别表现为企业以感知机会、识别能为企业创造新价值的创新性产品或服务概念为基础, 引发企业家和企业高层管理者把握机会, 并最终实现企业生存与成长的行为过程。技术机会是企业递增回报的来源, 对企业技术机会识别的要求, 在下限上要求能获取趋势性技术信息以超前应变, 上限上要能够识别技术的机会性信息以主动进取, 同时以市场需求为导向, 通过积极捕捉各种信息资源, 善于预测、识别和利用各种技术机会, 立足企业技术情境和技术基础, 适应技术发展的大势, 创造符合技术创新规律并适应企业发展的技术发展模式, 有效地配置人力、财力、物力资源, 使企业走出符合企业实际需求和具有企业自身特色的技术发展道路。
摘要：论述了企业技术机会识别在企业技术创新中的重要作用, 研究了企业技术的多重影响因素及其特点, 在基于技术战略决策对企业技术机会识别进行概念性定义的前提下, 探讨了在企业技术多重因素影响下如何识别技术机会和提高企业技术机会的识别能力, 进而对企业的技术创新产生作用的过程。
关键词：技术机会识别,多重因素,影响
参考文献
[1]李垣.技术管理[M].北京:高等教育出版社, 2011:39-45.
[2]姜黎辉, 张朋柱, 彭诗金.技术机会识别能力与企业网络合作能力关系研究[J].科技进步与对策, 2006 (7) :8-12.
[3]张妍.从技术机会的观点看技术创新过程[J].开发研究, 2009 (4) :146-149.
[4]陈劲.技术管理[M].北京:科学出版社, 2008:43-67.
[5]罗仲伟, 卢彬彬.技术范式变革环境下组织的战略适应性[J].经济管理, 2011, 33 (12) :33-42.
[6]李玲.嵌入性对企业技术机会识别能力影响的实证分析[J].科技管理研究, 2009 (10) :393-395.
[7]高建华.小众化消费时代的营销之道[J].管理学家, 2012 (6) :35-47.
多重识别 篇2
关键词：往复压缩机；多重分形；故障提取
引言
在工业领域当中往复压缩机具有极大的适用范围，因此对其故障进行研究分析具有十分重要的意义。利用多重分形理论对往复压缩机故障进行分析可从一定程度上克服单一分形维数的缺陷从而获得更为精确的特征信息[1]。在此类压缩机出现故障的过程中一般会表现为非线性故障，而分形理论则与之相契合，因此可对故障进行准确提取从而获得理想的诊断效果。总之多重分形理论为往复压缩机的故障提取与识别提供了良好的基础，应给予关注。
1.往复式压缩机概述
往复式压缩机作为使用作为广泛的一类机械设备在交通运输、油田开采、化工生产等行业均有着较为重要的地位。在实际工作过程中它通过往复运动可对气体进行压缩，此时曲柄被电机所带动而连杆则被曲柄所带动，在这种作用下使得旋转运动被转变为往复运动。在连杆的作用下使得机器内部的其他组件如活塞以及十字头运动。单从活塞来看，活塞先处于上死点并从该点向下死点运动，此时气缸容积将不断提升，并且外界气体将顶开阀片并进入于气缸当中。在活塞反复运动过程中会使得气压不断升高，当活塞至某一位置时那么气压也会表现为某一数值，当超过临界时气体将冲开排气阀由排气管道输出直至活塞至上死点。在此期间活塞的气压水平将维持不变。而活塞从上死点再次向下死点运动时，气阀将处于关闭状态，此时将终止排气。这时候吸气阀则敞开，那么外部气体将吸入其中。基于以上所述可以看出在压缩机工作过程中实际上就是一个气体不断吸入、排出的过程。
2.以多重分形为基础的往复压缩机故障提取、识别方法分析
从分形角度上来看它具有自相似性、无标度性两大特点。所谓的自相似性就是指该形体的某个结构无论是处于何种空间或时间都是自相似的，无标度性则说明了分形结构或存在分形性质的物体对其进行局部区域放大化则可将原图的形态特性表现出来，而所反映的形态、复杂度以及不规则性均与原图相同即被称为无标度性。从算法角度来看分形与分维度具有极大的联系，一般有以下几类：改变可视化程度求取维数的方法、根据测度关系求维数的方法、根据相关函数求维数的方法、根据分布函数求维数的方法以及根据波谱求维数的方法[2]。基于上述理论及特性即可将多重分形理论运用到实际故障以及识别当中。在具体应用过程中遵循以下原则，对往复压缩机振动信号的多重分形谱和广义维数谱采取多重分形理论进行计算。在参数选择可对多个特征参数进行提取来匹配相应的数据。通过采用与向量机契合的模式识别功能对信号多重分形特征进行识别并在此基础上进行归类整合。
在实际应用过程中首先需要对数据进行预处理，也就是说现实信号中必然会存在一定量的其他信号，那么所测定的信号即为复合信号，其中涵盖了一定程度的干扰信息。为了让信号处理到较好的效果并保证数据的有效性就必然需要对数字信号进行处理。在本研究中采取小波分析手段對信号进行处理，以此来达到消噪效果。
在实际参数优选过程中先要对参数进行有效提取即从原有参数当中得到一个数量少的优良特征集合，而在本研究当中优选参数即为多重分形的特征参数。这样不但可以让向量机具备较为理想的识别率同时也能够将往复压缩机的工作情况清晰、彻底的反映出来。需要注意的是优选参数并不是以量来衡量质量，尽管可用信息是建立在特征提取之上，倘若特征数目超限时就会使得彼此间的关联性加强，这样反而会导致信息累赘，使得特征无法体现出差异性或者说部分重要特征无法充分体现反而制约了信息的有效性。在多重分形过程中主要是采取不同的 q取值让分形体转变为具有差异性的层次区域，计算时则利用函数Li（q，D）是对概率进行q次方与对概率进行q次方加权求和之商来达到目的[3]。在实际参数优选过程中由于选择的是多重分形特征参数，要保证程序计算量不大的前提下将往复压缩机的工作状态清晰地反映出来，就需要让向量机保持较高的识别率。
3.结语
多重分形为往复压缩机故障提取及识别提供了有效的理论支持，通过该方法克服了单一分形维数难以全面刻画信号特征的缺陷，让故障提取效率以及精确度均得到了提升，值得推广。
参考文献：
[1]唐友福，刘树林，刘颖慧.基于非线性复杂测度的往复压缩机故障诊断[J].机械工程学报. 2012（03）
[2]李兵，张培林，任国全.形态学广义分形维数在发动机故障诊断中的应用[J].振动与冲击. 2011（10）
多重识别 篇3
随着经济科技的发展,科技与人们的生活越来越贴近,智能门禁系统就是这么一个科技产物,但是这也是使用市场要求而产生的。因为近年来盗贼的猖獗和盗贼盗窃技术的提升,传统的门和锁已经完全无法阻挡他们的偷窃脚步,他们登堂入室至如无人之境。因此人们对防盗门的要求是越来越高,对智能门禁系统的技术要求也是要求越来越高。智能门禁系统可分为几类:如人脸识别、指纹识别、视网膜扫描等几类。随着科技产品的发展与普及,许多国外在智能门禁系统方面的发展已经相当成熟,国外的许多私人住宅都安装了如人脸识别、指纹识别的智能门禁系统。 而随着我国经济科技的发展,这项技术也越来越提升,这就为市场的供应提供了保证。
1人脸识别门禁系统
1.1系统结构
以一款,门禁系统为例,这是一款人脸识别系统的多功能门禁系统,采用了Inter嵌入之星EC5-1719CLDNA嵌入式双核处理器平台,主要功能有;人脸检测并识别、自动照明、无人状态、语音提示、 来访申请等功能,组织功能图如下
其工作流程主要如下:当系统检测到走廊有人后,摄像头第一时间进行了图像采集,通过摄像头传来的图片亮度分析,来判断是否需要开灯照明,如果光线较暗,发出信号给控制器,控制走廊的开关打开照明;然后系统通过图像处理并进行识别判断,根据图片信息库的信息来比对跟来访者相似的照片,判断来人是否认识,然后提醒主人有客来访,或是如果识别为陌生人,发出警告的声音;当主人出门无人在家时或是不想接待来访者,可设置为无人模式。无人模式下,来访者可以根据系统提示提出来访申请,系统通过摄像头记录下来访者的图像信息,并将照片发送之固定的电子邮箱中,好让主人回来看到来访者的信息;语音提示,系统分别会根据不同情况录入三种语音,一是主人回家时的欢迎音乐,二是客人来访时的提示音,三是警告的声音。
1.2硬件设施
本文所讨论的嵌入式多功能门禁系统,其实就是计算机对图像处理的应用, 它不仅采用了最新的计算机系统应用,更采用了最新了处理器核心。这款人脸识别门禁系统采用的是EC5-1719CLDNA嵌入式双核处理器,以EC5-1719CLDNA嵌入式双核处理器为核心,并配有硬件接口和多种外围设备,从而实现对众多上层应用的底层硬件支持。EC5-1719CLDNA嵌入式双核处理器是一种多功能的处理器, 目前它广泛的应用于军事、网络平台、多媒体查询等各种嵌入式领域,嵌入之星支持以下功能:高性能Inter Core Duo2/Core Duo,单核Celeron M处理器;支持LGB的DDR2 533和667MHz频率内存;显示器方面接口;支持如VGA,LVDS,DVI,TV。本系统由于在图像处理方面工作量比较大, 故而采用1GB DDR2内存,足以满足任何的图像处理需要。显示器采用了LVDS显示器,其分辨率高达800*600,尺寸为8英寸。本系统由于具备语音提示功能, 故在声卡方面采用了兼容AC97标准的ALC655声卡芯片。而在通信方面则是用以太局域网,足以满足数据传输的要求, 还有RS232串口。另外考虑到系统需要存储大量的图像信息,所以在接口上又接入了CF卡,用来存储大量的图像文件。而照明系统则才哟很难过单片机来控制。
1.3系统软件
硬件是为系统功能的实现提供了基础,软件却系统功能实现的灵魂。在安装完成后,首先进行系统初始化,初始化完成后,摄像头开始进行监控,系统程序是通过物体是否移动的物体来进行监控的。本系统最核心的功能就是实现人脸的自动识别,要完成这项工作,得分为三个步骤 :第一是图像信息的采集,由于光线等因素,导致图像的采集工作难度很大,因为系统的摄像机毕竟不是专业的摄像机,而且图像的处理是个非常复杂的工作。一般系统采用效果比较好的中值滤波法完成图像的处理工作。二是人脸检测,人脸检测功能是从拍摄的图像经过数据传输来后确定人脸的大小和位置,并搜索出人的脸部特征,本系统采用的是灰度图像中眼睛梯度特征来检测人脸的方法来进行人脸的检测和定位。三是人脸识别通过之前就输入系统的图像来进行照片的比对,如果和之前某一张的相似度较高,然后再进行身份确认,从而进行人脸的识别功能,本系统采用的是对光照及人脸的表情变化都不敏感的Fisherface法。
2指纹识别门禁系统
指纹系统门禁系统是一种比人脸识别更为安全的门禁防护设置,由于指纹的唯一性使得其更在识别方面更准确。公元前7000-6000年开始,在中国和叙利亚地区就开始用指纹作为辨别人身份的方法了。到了现代由于科技的发展,由于指纹采集技术的提高,指纹分类和指纹匹配都得到了前所未有的发展,指纹的唯一性更是成为了公安系统的好帮手,帮助破获了许多特大案件。同时随着电子计算机技术的应用和发展,指纹取得的效率越来越高,目前此技术已大量应用到了门禁系统当中。指纹识别的智能门禁系统在欧美等发达国家的应用已相当广泛,各种小区的大门,银行保险库的门等。
指纹识别门禁系统最主要的功能就是通过指纹图像的采集,通过计算机的识别处理,进行身份的辨别,因此图像的质量直接影响到cpu对图像的处理速度,而且因为指纹在日常生活中会有磨损、或手指受伤等原因会直接影响到指纹的采集工作。
根据指纹的采集系统不同可分为三种。光学指纹采集是发展历史比较长、由于其经济性和实用性得到较为广泛的推广,光学指纹采集是通过吧手指放在光学镜片上,在镜片内置光源照射下,通过棱镜将指纹图像投射在电荷耦合器件上,从而形成多灰度指纹图像。虽然光学指纹采集技术发展比较成熟,而且经济性好,但是由于其指纹采集受诸多客观以因素的限制,如手指的磨损度比较大的话,指纹就比较难以采集,还有手指的干湿度对指纹的采集工作影响也比较大。这就导致了下面两种指纹采集的产生。
半导体指纹采集技术又名硅电容器指纹传感器,这是一种通过半导体上阵列的大约100000个和电容传感器,通过手指的接触产生的电子度量来捕捉指纹,由于手指与其接触产生了两极的介电层,导致电容阵列的各个电容值不同,通过测量并记录各点的电容值,就可以得到有灰度级的指纹图像。半导体指纹采集由于其体积小、且采集精确度高,立即得到广大用户的青睐。
超声波指纹采集技术,这是一种正在试验发展的技术。它是通过声波扫描过手指,通过指纹的脊线和谷线反射的图像, 得出灰度图像。该种技术有可能成为最为精确的指纹采集器。但是由于这种技术发展尚未成熟,而且开发成本高,因此目前还不普及。
3结语
多重识别 篇4
关键词：多重分形去趋势波动分析,滚动轴承,损伤,程度识别
0 引言
滚动轴承是非常复杂的动力学系统。当轴承出现故障时, 其动力学行为通常表现出比较复杂的非线性特征。在这种情况下, 要从非平稳的轴承振动信号中提取表征轴承动力学行为的特征参数, 从而识别轴承损伤的严重程度就变得非常困难。
现有的文献大多集中于对不同类型的轴承故障进行诊断[1], 只有少数文献针对轴承损伤程度的识别问题进行了研究[2,3]。包络解调等谱分析方法只能确定轴承的故障类型, 难以有效评价轴承损伤的严重程度[4]。峰峰值、有效值、偏斜度和峭度等时域统计参数可以用来监测滚动轴承的运行状态[5], 但是峰峰值只能粗略地表达振动信号能量的大小, 有效值对早期的故障状态不敏感, 偏斜度和峭度参数缺乏足够的稳定性[5]。魏格纳分布[6]、小波变换 (wavelet transform, WT) [7]和经验模态分解 (empirical mode decomposition, EMD) [8]等非平稳信号处理方法在机械故障诊断中得到了广泛的应用, 但是这些方法都存在着各自的缺点[9,10], 这些缺点影响了这些方法在轴承故障诊断中的应用效果。
复杂系统的动态演化过程可以通过时间序列来描述。由于非线性因素的作用, 复杂时间序列往往具有长记忆特性, 长记忆特性可以通过标度指数来刻画[11]。去趋势波动分析 (detrended fluctuation analysis, DFA) 可以有效地估计非平稳时间序列的标度指数[11]。Demoura等[2]首先将DFA应用于轴承振动信号的标度分析。然而, DFA方法只适合于分析单重分形时间序列, 而现实世界中的非平稳时间序列往往具有多重分形特征, 因此DFA方法不能充分描述这些时间序列的全部动力学行为[12]。
许多学者已经将经典的多重分形理论应用于故障信号的特征提取[13,14]。但是传统的多重分形理论容易受到时间序列非平稳趋势的干扰而不能准确揭示隐藏在非平稳时间序列中的多重分形特征[12]。多重分形去趋势波动分析 (multifractal detrended fluctuation analysis, MFDFA) 是DFA方法的拓展, 它可以有效地分析非平稳时间序列的多重分形特征[12]。目前, MFDFA已经被初步应用于复杂化学系统的状态识别及预测[15]和非线性模拟电路的故障诊断[16]等领域。文献[17]采用MFDFA分析了包含着不同故障类型和损伤程度的滚动轴承故障数据。由于文献[17]是将不同故障类型和损伤程度放在一起进行识别, 因此从文献[17]不能判定MFDFA在单独区分轴承损伤程度方面的性能。
本文采用马氏距离判别法、BP神经网络和支持向量机 (support vector machine, SVM) 分别评估了WT、EMD和MFDFA在轴承损伤程度识别方面的性能。结果表明, MFDFA与马氏距离判别法的组合以及WT或EMD与支持向量机的组合可以获得较好的轴承损伤程度识别效果。另外, 与文献[17]结果的对比证明了基于MFDFA与马氏距离判别法的方法在轴承故障诊断中具有较强的鲁棒性。
1 多重分形去趋势波动分析
下面给出非平稳时间序列xk (k=1, 2, …, N) 的多重分形去趋势波动分析过程[12]。
(1) 首先构造信号xk的轮廓Y (i) :
(2) 将信号轮廓Y (i) 以相同的长度s分成不重叠的Ns段数据, 这里Ns=int (N/s) 。为了充分利用数据的长度, 再从数据的反方向以相同的长度分段, 这样一共有2 Ns段数据。
(3) 利用最小二乘法拟合每段数据的多项式趋势, 然后计算每段数据的方差:
其中, yv (i) 代表第v段数据上的第i点所对应的趋势。
(4) 计算第q阶波动函数:
(5) 改变s的大小, 重复步骤 (1) ~ (4) 。若时间序列xk存在长程相关性, 则第q阶波动函数Fq (s) 与时间尺度s之间存在标度律关系Fq (s) ∝sH (q) 。如果xk是多重分形时间序列, 则广义Hurst指数H (q) 是阶数q的函数;如果xk是单重分形时间序列, 则H (q) 是一个常数。当q=2时, MFDFA方法退化为DFA方法。当q=0时, 式 (3) 发散, 这时H (0) 将通过下式所定义的对数平均过程来确定:
2 分类方法
2.1 马氏距离
数据矩阵U= (uij) m×n的协方差矩阵定义为
样本x= (x1, x2, …, xN) T与第k组数据Uk (均值为, 协方差矩阵为Ck) 之间的马氏距离定义为[18]
如果样本x与第k组数据Uk之间的马氏距离满足
则判别样本x属于第k组数据所代表的类别。当协方差矩阵为单位阵时, 马氏距离退化为欧氏距离。
2.2 BP神经网络
神经网络理论认为, 任何一个连续函数或映射可以由一个三层神经网络来实现[19]。BP神经网络是一类多层前馈神经网络, 其算法的核心是通过不断向前传递误差参数的方法来调节网络连接权重从而使得网络输出达到最优, 它系统地解决了多层网络中隐单元连接权值的学习问题, 在工程实践中得到了广泛的应用。然而, BP神经网络的隐含层节点数如何确定是个难题, 目前尚缺乏严格理论的指导, 只能依靠经验公式来解决。假设BP神经网络的输入层和输出层节点数分别为m和n, 则确定隐含层节点数h的经验公式[20]为
2.3 支持向量机
机械故障样本的数量通常是非常有限的, 因此在这种情况下基于经验风险最小化原则的传统机器学习理论难以获得令人满意的结果。支持向量机是在统计学习理论的基础上发展起来的一种性能优良的学习算法, 它能够较好地解决小样本的学习问题[21]。SVM首先通过非线性变换将输入向量映射到高维的空间里, 并在该高维空间里寻找最大间隔超平面, 然后再通过选择合适的核函数将高维空间里的内积运算转换为原空间中的函数运算, 从而既可以获得良好的分类效果, 又可以避免“维数灾难”问题的出现[22]。
SVM只能用于二分类问题。对于多分类问题, 必须构造多分类SVM, 目前构造多分类SVM的方法主要有直接法和间接法[23]。直接法通过优化过程直接计算出分类函数, 但是该方法计算量大, 花费的时间长, 实现起来比较困难。间接法主要通过组合多个二分类SVM来解决多分类问题。本文采用间接法来构建多分类SVM。
3 滚动轴承损伤程度识别
3.1 轴承状态特征参数提取
当滚动轴承出现故障时, 在不同的故障类型或损伤程度下, 轴承各部件之间以及轴承与轴承座之间的非线性作用会不同, 因此振动信号的非线性和复杂性特征会有差异。如果能够在一定程度上量化不同故障状态下振动信号的非线性和复杂性特征, 就能够有效地提取这类复杂振动信号的故障特征, 进而正确地识别故障类型和损伤程度[13,14]。
MFDFA是一个有效的非平稳非线性时间序列分析工具, 由它得到的多重分形谱对复杂系统状态的变化非常敏感, 可以精细刻画非平稳时间序列的多重分形特征[12,24]。多重分形谱是一条单峰的光滑凸曲线, 其横坐标 (奇异指数α) 反映了分形体在某小区域内生长概率的大小, 表达了时间序列在局部概率测度分布上的不均匀程度[12,25], 纵坐标 (多重分形谱f (α) ) 代表奇异指数为α的分形子集的分形维, 反映了奇异指数α的分布情况[12,25], 因此多重分形谱包含了大量的有关复杂系统动力学行为的信息。多重分形谱曲线在左端点的斜率q→+∞, 因此左端点的横坐标α (+∞) 对应着最大波动的奇异指数, 纵坐标f (α (+∞) ) 代表奇异指数为α (+∞) 的分形子集的分形维;在右端点处斜率q→-∞, 因此右端点的横坐标α (-∞) 对应着最小波动的奇异指数, 纵坐标f (α (-∞) ) 代表奇异指数为α (-∞) 的分形子集的分形维;在极值点处的斜率q=0, 所以多重分形谱的极值等于Hausdorff维数, 而α (0) 反映了当q=0时时间序列在局部概率测度分布上的不均匀程度。这样, 由多重分形谱的三个特征点的坐标构成的五维特征向量 (α (+∞) 、f (α (+∞) ) 、α (0) 、α (-∞) 和f (α (-∞) ) ) 具有明确的物理意义[3,17], 比较完整地反映了非平稳时间序列的波动状况, 揭示了非平稳时间序列的内在动力学行为, 因此适合作为机械振动信号的特征参数。
由MFDFA方法提取的特征参数构成了一个多维的状态特征空间, 在这个多维空间中, 来自相同故障数据的特征参数之间的距离应该比较小, 而来自不同故障数据的特征参数之间的距离应该比较大, 因此, 可以利用不同特征参数集之间的距离来实现对故障状态的分类。
3.2 工程实例
本文使用的轴承故障数据来自美国凯斯西储大学轴承数据中心, 实验所用轴承是型号为6205-2RS JEM SKF的深沟球轴承, 驱动电机转速为1730r/min, 驱动电机负荷约为2.238kW。通过电火花加工方法在轴承滚动体上加工出深度为0.2794mm, 直径分别为0.1778mm、0.3556mm和0.5334mm的凹坑来模拟不同损伤程度的轴承故障。本文使用符号B007、B014和B021分别代表故障尺寸为0.1778mm、0.3556mm和0.5334mm的轴承滚动体故障。每种故障状态采集20段数据, 每段数据长度为0.5s, 采样频率为12 000Hz。具有不同滚动体故障尺寸的轴承振动信号如图1所示。
首先在时域计算四种轴承故障信号的峰峰值、有效值、峭度和偏斜度。图2是峰峰值和有效值对四种轴承故障状态的分类结果, 图3是峭度和偏斜度对四种轴承故障状态的分类结果。从图2、图3可以看出, 这些时域特征参数都不能有效地区分这些相近的轴承故障状态。
1.正常轴承振动信号2.B007的振动信号3.B014的振动信号4.B021的振动信号
其次, 采用WT和EMD对轴承故障信号进行特征提取 (将数据等分为两部分, 一部分用于特征提取, 另一部分用于测试, 下同) 。依据EMD的自适应分解结果, 将轴承故障信号统一分解为10个分量, 因此信号x可以表达为:, 这里符号cj和r分别代表信号的分量和趋势。构建一个向量 (e1, e2, …, e10) 作为信号x的特征向量, 其中。
然后, 采用MFDFA对轴承故障信号进行分析, 阶数q的范围设为[-5, 5], 得到的广义Hurst指数曲线和多重分形谱曲线分别如图4、图5所示。从图4可以看出, 四种轴承故障信号的广义Hurst指数都是关于q的曲线, 所以这四种轴承振动信号都具有多重分形特征。从图5可以看出, 正常轴承振动信号的多重分形谱与其他三种轴承故障信号的多重分形谱具有明显不同的位置, 而这三种轴承故障信号的多重分形谱存在着位置、形状和分布上的差异。从图5所示的多重分形谱上提取具有明确物理意义的多重分形谱参数α (+∞) 、f (α (+∞) ) 、α (0) 、α (-∞) 和f (α (-∞) ) 作为轴承振动信号的故障特征。
最后, 分别采用马氏距离判别法、BP神经网络 (隐含层节点数设定为10) 和支持向量机 (采用RBF核函数, 利用交叉验证法寻找最佳的参数并训练模型) 对WT、EMD和MFDFA提取的特征参数进行识别, 识别结果如表1所示。
为了进一步评估WT、EMD和MFDFA方法在轴承损伤程度识别中的性能, 再分别采用上述三种分类器对轴承外圈的损伤程度进行识别, 识别结果如表2所示 (模拟轴承外圈故障时的所有设置均与模拟轴承滚动体故障时相同) 。
首先, 从表1、表2可以看出, 由于轴承滚动体具有比轴承外圈更为复杂的运动特性, 因此轴承滚动体损伤程度的识别难度要大于轴承外圈损伤程度的识别难度。
其次, 从表1、表2还可以看出, 当采用MFDFA提取轴承故障特征时, 马氏距离判别法能够获得最好的分类效果, 而当采用WT或EMD提取轴承故障特征时, 支持向量机能够获得最好的分类效果, 但是无论采用上述三种特征提取方法中的哪种方法进行特征提取, BP神经网络都不能获得最好的分类效果。因此, 马氏距离判别法与MFDFA的组合以及支持向量机与WT或EMD的组合能够获得较好的轴承损伤程度识别结果。这里需要注意的是, BP神经网络的初始值和隐含层节点数等参数对网络性能的影响较大, 而核函数及参数的选择对支持向量机性能的影响也较大。与上述两种分类方法相比, 马氏距离判别法不存在模型结构难以确定和核函数及参数难以选择的问题, 具有简单易用和运算速度快等优点。因此, 从分类器设计的难易程度以及特征向量维数大小的角度来说, 基于MFDFA和马氏距离判别法的故障诊断方法更适合工程应用。
另外, 将表1、表2的结果与文献[17]的结果进行对比可以看出, 在面对不同轴承故障类型和损伤程度的组合时, 由MFDFA和马氏距离判别法所构成的故障诊断方法具有较高的故障识别率且性能稳定, 表明该方法在轴承故障诊断中具有较强的鲁棒性。因此, 本文的结果进一步验证了文献[17]的结论。
4 结语
本研究分别采用WT、EMD和MFDFA对包含着不同损伤程度的轴承故障数据进行特征提取, 然后分别利用马氏距离判别法、BP神经网络和支持向量机对上述三种算法所提取的特征参数进行分类。结果表明, MFDFA与马氏距离判别法的组合以及WT或EMD与支持向量机的组合可以获得较好的轴承损伤程度识别结果。然而, 如何根据实际情况选择合适的分类器是一个需要进一步研究的问题。
