基于小波包和双谱的发动机异响模式识别

摩托车发动机异响识别通常采用人工听诊法,受环境因素和经验参差不齐的影响准确率较低。本文旨在寻找一种科学、有效的模式识别法来提高异响类型识别的准确度。利用麦克风采集发动机近场声音信号,首先利用小波空域相关滤波法去除背景噪声;然后分别采用小波包变换和双谱估计提取发动机声信号特征向量,作为发动机异响模式识别支持向量机的输入向量;选取RBF核函数及参数建立分类模型并训练;最后用测试样本检验分类模型的准确率。通过分析,采用本文提出的发动机异响特征提取方法进行模式识别,训练准确率为98%,测试准确率达到100%。     

基于复小波变换和支持向量机的缺陷类型识别

 针对传统缺陷检测存在的工序繁琐、不易在线实施、准确率低、容易受人为因素影响,以及用人工神经网络对小样本事件进行缺陷类型识别时存在泛化能力差和过学习等问题,提出一种基于复小波变换和支持向量机（SVM）模式识别理论的缺陷类型识别新方法．在利用小波对超声缺陷回波信号进行消噪的基础上,采用复小波变换获得缺陷回波信号的包络并提取其特征参数,构成输入特征向量后运用支持向量机进行分类．实验结果表明,该方法具有识别准确率高、泛化能力强、容易实现在线处理等优点．     

基于小波包和双谱的发动机异响模式识别

摩托车发动机异响识别通常采用人工听诊法,受环境因素和经验参差不齐的影响准确率较低,需要寻找一种科学、有效的模式识别法来提高异响类型识别的准确度。利用麦克风采集发动机近场声音信号,首先利用小波空域相关滤波法去除背景噪声;然后分别采用小波包变换和双谱估计提取发动机声信号特征向量,作为发动机异响模式识别支持向量机的输入向量;选取RBF核函数及参数建立分类模型并训练;最后用测试样本检验分类模型的准确率。通过分析发现,采用所提出的发动机异响特征提取方法进行模式识别,训练准确率为98%,测试准确率达到90%。     

基于时频特征的光纤周界振动信号识别

在光纤周界安防系统中,蓄意入侵和环境噪声均能引起光纤传感器振动,在保证系统高灵敏度的前提下区分入侵和非入侵事件极为重要。为了有效识别各种光纤振动信号,本文依据入侵和环境噪声引起的光纤振动信号在时域上的短时特性以及复小波域各尺度上能量分布特征,提出了两级判别法识别光纤信号。第一级用时域特征,短时能量和短时平均过零率判断是否有振动发生;第二级用复小波提取光纤信号的能量分布特征,联合时域特征形成特征矢量,支持向量机(SVM)作为分类器识别是否为入侵信号及入侵类型。实验结果表明,此方法可以有效识别入侵信号和环境噪声引起的非入侵事件,提高了系统报警率,降低了误报率。     

基于时间-小波能量谱熵的滚动轴承故障诊断研究

针对轴承振动信号中存在周期性冲击这一现象,提出了时间-小波能量谱熵的计算方法,用于滚动轴承的故障诊断。首先构造脉冲小波,采用连续小波变换的方法得到时间域内小波能量谱,再沿时间轴计算能量谱熵,定量描述振动信号沿时间的分布情况,不同故障下轴承的冲击振动随时间变化程度不同,其时间-小波能量谱熵值也就不同。将不同故障轴承信号的时间-小波能量谱熵作为向量特征输入建立支持向量机,实现了对轴承的工作状态和故障类型的判断。实验结果表明,时间-小波能量谱熵可以有效地对滚动轴承进行故障诊断。     

基于肌电小波包统计特征的踝关节动作识别

为改善足下垂患者步态,研究了踝关节不同动作的表面肌电信号特征分类.本文采集踝关节在不同动作下,对应胫骨前肌、腓肠肌、腓骨长肌和拇长伸肌的表面肌电信号,采用小波包分解方法进行肌电特征提取,获得小波包系数能量、方差统计特征量;利用支持向量机方法实现踝关节4种不同动作模式的肌电特征分类.实验结果表明,采用具有良好奇异特性的小波包能量、对数方差构成的肌电特征向量,对踝关节动作进行模式识别,其正确率远高于通过提取肌电信号时域或者频域特征进行模式分类的正确率,达到了92.8%的平均分类正确率.该特征提取方法以及支持向量机分类器,可以应用于踝关节动作识别和机器人康复工程.     

基于DT-CWT和SVM的纹理分类算法

提出了一种基于双树复数小波变换(DT-CWT)和支持向量机(SVM)的纹理分类算法.双树复数小波变换不仅具有实数小波的诸多优点,而且还具有近似平移不变性、良好的方向选择性和低冗余度,并且能对图像进行完全重构,能够更好地刻画纹理的特性;支持向量机算法是近年发展起来的性能优越的分类算法,比传统分类器有很大的优越性:避免了局部最优解和"维数灾"问题,其最优分类超平面的思想能够提高分类准确度.该方法用双树复数小波对纹理图像进行滤波并在各方向子带上进行重构,再计算其局部能量函数得到每个像素的特征向量,最后利用支持向量机算法实现对纹理图像像素的分类.将本方法与其它的分类算法进行比较,实验结果表明,提出的算法能有效地提高正确分类率.     

基于MSPCA的缸盖振动信号特征增强方法研究

针对发动机缸盖振动信号信噪比低的问题,提出了基于多尺度主元分析的故障特征增强方法。将缸盖振动信号小波包分解后,利用主成分分析对所有子带系数进行坐标变换,信号重构后再进行小波包分解,计算新坐标系下各子带的能量作为发动机故障的特征向量。仿真信号验证了本文所提算法对微弱冲击信号的增强能力,与支持向量机结合用于发动机十一种故障的诊断实例表明,故障分类准确率可达到98.76%。     

基于支持向量机的齿轮故障诊断方法研究

故障样本的不足从一定程度上制约了基于知识的方法在实际故障诊断中的应用，针对这一问题，利用支持向量机在小样本情况下具有较强分类能力的特点，提出了一种基于支持向量机的齿轮故障诊断方法。该方法采用小波变换对齿轮的振动信号进行处理来构造特征向量，并直接输入到支持向量机的多故障分类器中进行故障识别。试验结果表明该方法是有效、可行的，且在小样本情况下比BP神经网络具有更高的诊断精度。     

电动剃须刀刀片旋转异响的声学检测方法研究

为解决目前电动剃须刀刀片旋转异响声人工检测效率低、经验要求高的问题,提出一种将小波变换和人工鱼群算法优化的支持向量机相结合的声学检测方法。该方法首先通过离散小波变换对电动剃须刀刀片旋转声信号进行小波分解和重构,将获得的各层相对小波能量作为样本特征参量,然后采用人工鱼群算法对支持向量机进行优化,最后使用优化后的模型对样本进行训练和分类识别。研究结果表明,人工鱼群算法优化的支持向量机在识别率方面优于传统支持向量机,样本识别率可达95%以上。     

基于小波能谱和小波信息熵的管道异常振动事件识别方法

提出了基于小波能谱和小波信息熵的油气管道异常振动事件识别方法。基于Mach-Zehnder光纤干涉仪原理的分布式光纤油气管道安全监测系统实时检测管道沿途振动信号,对测量的时间序列进行小波变换,根据小波系数计算小波能谱与小波信息熵,通过小波能谱和小波信息熵值两种测度识别不同的管道安全异常事件。港枣线成品油管道的现场实验结果表明,该方法可以快速有效地识别管道周围发生的泄漏及其他异常情况,其总体识别准确率达到98.5%,有效降低了误报警率,具有较强的在线工况识别能力。     

混沌驱动永磁同步电机系统的故障识别

研究了混沌驱动永磁同步电机系统的故障识别问题,设计了一种小波支持向量机故障识别器。首先对故障恢复信号进行经验模态分解,得到若干个平稳的本征模函数,将本征模函数的能量特征作为输入构建小波支持向量机故障识别器。训练完成后,冻结小波支持向量机结构与内部参数,以白噪声模拟实际运行中的未知扰动,并以加入扰动的故障信号作为测试输入,利用小波支持向量机故障识别器进行故障识别。结果表明,基于小波支持向量机的故障识别器能够较好地识别故障信号,拟合误差均在1%以内。     

分布式光纤传感器的周界安防入侵信号识别

在分布式光纤周界安防系统中,对距离较长、背景环境复杂的边境进行检测时,系统根据光缆沿线发生的事件进行识别.为了区分各种引起光缆振动的激励,本文根据入侵信号与环境引起的振动信号在小波尺度上方差幅值的分布特征,利用小波多尺度分析理论构造了由各尺度下的方差组成的特征向量,提出了根据方差特征向量的不同来识别各种振动信号的“尺度-方差”信号的方法.在实验系统中,光缆总长度为56 km,光源的功率为300 μW,工作波长为1 550 nm.实验结果表明,此方法可以有效区分入侵信号、环境噪声和人为活动引起的非入侵事件,提高了系统的检测概率和降低系统的虚警率.     

基于声发射信号的钢桶泄漏检测

目的研究基于声发射信号的钢桶泄漏检测方法。方法利用声发射传感器、前置放大器、采集卡和计算机搭建采集系统,分析漏孔直径为0.2 mm和无泄漏状况下泄漏频率特点。对采集的声发射信号采用小波包分解,提取了泄漏信号的3个特征频段(16~30 kHz,33~47 kHz,95~102 kHz)的能量特征,将其作为支持向量机的输入特征向量,对已经训练好的支持向量机进行测试,判断钢桶是否泄漏。结果经试验测试,判断准确率达100%。结论通过小波包能量与支持向量机相结合的方法,可以成功地对直径0.2mm及以上漏孔的钢桶泄漏进行检测。     

基于扭振分析方法的齿轮传动系统故障辨识

通过分析齿轮啮合过程的数学模型及典型故障,论证了扭振分析方法在齿轮系统故障诊断上的优越性,并提出一种测量齿轮轴上扭振信息的新方法。在此基础上搭建了齿轮传动系统,通过采用永磁旋转(角)加速度传感器检测齿轮系统各个运行状态下不同轴上的扭振信号;然后,分别对齿轮传动系统轴上的扭振信号和平台的振动信号采用小波包分解,提取各个节点的能量作为特征向量;最后,结合以径向基函数(RBF)为核函数的支持向量机(SVM)分别进行故障的辨识。实验结果表明:轴上的扭振信号在齿轮系统故障诊断上的效果要优于平台振动信号的诊断效果。     

Adaptive Bearing Fault Diagnosis based on Wavelet Packet Decomposition and LMD Permutation Entropy

Bearing fault signal is nonlinear and non-stationary,therefore proposed a fault feature extraction method based on wavelet packet decomposition( WPD) and local mean decomposition( LMD) permutation entropy,which is based on the support vector machine( SVM) as the feature vector pattern recognition device.Firstly,the wavelet packet analysis method is used to denoise the original vibration signal,and the frequency band division and signal reconstruction are carried out according to the characteristic frequency. Then the decomposition of the reconstructed signal is decomposed into a number of product functions( PE) by the local mean decomposition( LMD),and the permutation entropy of the PF component which contains the main fault information is calculated to realize the feature quantization of the PF component. Finally,the entropy feature vector input multi-classification SVM,which is used to determine the type of fault and fault degree of bearing.The experimental results show that the recognition rate of rolling bearing fault diagnosis is 95%. Comparing with other methods,the present this method can effectively extract the features of bearing fault and has a higher recognition accuracy.     

基于声发射信号EMD-WPD特征融合的航天器在轨泄漏辨识方法

长期运行在空间环境中的航天器可能由于撞击、振动、老化等因素而发生气体泄漏,在轨泄漏辨识对航天器安全保障具有重要意义.提出了一种基于声发射信号经验模态分解(empirical mode decomposition,EMD)和小波包分解(wavelet packet decomposition,WPD)特征融合的航天器泄漏...     

基于神经网络的长距离油气管道安全预警系统

提出了一种基于分布式光纤传感和人工神经网络判别的长距离输油管道安全预警系统.该系统利用光纤传感器收集管道周围土壤的振动信号,通过神经网络判断是否存在针对管道的破坏性行为和判别破坏性行为的类别,实现对油气管道的长距离安全预警.系统在预处理阶段对信号大幅度降维,降低数据处理的时间复杂度,以满足实时性的要求.在识别阶段则采用人工神经网络模型,包括反向传播(BP)网络和支持向量机(SVM).试验结果表明,这两种神经网络模型对打夯、镐刨、电钻三类破坏行为的识别率分别达到96.5和97.1%,均优于以往文献中的报道.