BP神经网络在扬声器异常音检测中的应用

提出一种采用人工神经网络判断扬声器是否存在异常音的方法。首先简单介绍了获取扬声器异常音曲线的方法和人工神经网络中的BP模型及其训练方法,并比较了基本BP算法和共轭梯度法两种训练方法的差异。再将所获得的异常音曲线作为人工神经网络的输入向量,将听音员的听测结果作为目标向量,并使用共轭梯度法进行网络的训练。最后通过已训练好的人工神经网络判断扬声器是否存在异常音。实验结果表明,该方法可替代传统的人工设置门限的方法,并可大幅降低扬声器异常音检测的虚警率。     

PEAQ在扬声器异常音检测中的应用

扬声器异常音作为产品音质好坏的一种具体表现形式,其检测问题也属于音质评价的一方面。故本文借鉴国际电信联盟推荐的音频质量感知评价算法PEAQ(Perceptual Evaluation of Audio Quality)的实现原理,将其中的人耳听觉模型应用在扬声器的异常音检测中。取标准扬声器样品的声信号作为参考信号,待测扬声器的声信号作为待测信号,两个信号通过人耳听觉模型逐帧处理后,计算得到信号感知差异曲线,用以区分异常音样品。人耳听觉模型包括了中外耳频率加权、听觉滤波器分组、添加内部噪声以及掩蔽效应模拟。将本文所述方法与人工听音以及国际通用的高阶谐波检测扬声器异常音的方法做了比较,实验室检测结果验证了该方法的可行性。     

基于EEMD与GA-小波神经网络的传动系声品质预测

为了进行车辆传动系声品质预测,实施了传动系整车转鼓试验,并结合主、客观分析量化了影响传动系噪声烦恼度的主要异响指标;同时,通过相关分析揭示了心理声学客观参量与主观评价的内在关系。引入聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法与本征模态函数(Intrinsic Mode Function,IMF)样本熵值对传动系噪声特征进行了提取;在此基础上,以Morlet小波基函数作为隐含层节点的传递函数构建小波神经网络(Wavelet Neural Network,WNN),同时运用遗传算法(Genetic Algorithm,GA)优化小波神经网络的层间权值和层内阈值,构造出GA-小波神经网络模型并用于传动系声品质预测;为了对比所提取的传动系噪声特征性能,将心理声学参量也作为模型输入以进行预测,同时,为了对比GA-小波神经网络模型的预测效果,引入了传统的GA-BP神经网络模型。分析结果表明:GA-小波神经网络较GA-BP神经网络能更准确、有效地对传动系声品质进行预测,并且以本征模态函数样本熵值作为预测模型的输入特征其预测结果较心理声学参量效果更佳。     

基于短时傅里叶变换的异常音检测方法

提出一种基于短时傅里叶变换的扬声器异常音检测方法,该方法首先对由扫频信号激励的扬声器声响应信号进行短时傅里叶变换,然后根据扬声器异常音信号的特点将所获得的时频图分割为若干区域,并提取各个区域内的时频图所对应的矩阵,最后通过计算被测扬声器声响应信号所对应区域内的矩阵与黄金样品所对应的矩阵之间的距离来判断该扬声器是否存在异常音。还简要介绍了基于该方法实现的扬声器异常音在线检测仪,实验室及企业生产线初步检验结果表明,该方法简单有效,可用于部分种类扬声器的异常音在线检测。     

VMD-Hilbert变换在扬声器异常声检测中的应用

针对基于时频分析的扬声器异常声检测方法中短时傅里叶变换、小波包变换存在的不足,提出了一种基于变分模态分解-希尔伯特(Variational Mode Decomposition and Hilbert,VMD-Hilbert)变换的扬声器异常声检测方法。首先通过仿真信号分析,研究了VMD-Hilbert变换的时频特性,并与其他三种时频分析进行了对比,结果表明VMD-Hilbert变换具有更好的自适应性、能量聚焦性与时频分辨率。然后,对实测扬声器声响应信号进行VMD-Hilbert变换,求得被测扬声器单元的时频矩阵与标准时频矩阵之间的特征距离,并与其它三种时频分析下的特征距离进行对比。实验结果表明,VMD-Hilbert变换下的类间特征距离的离散度较大,便于更好地设定阈值,从而验证了VMD-Hilbert变换能更好地表征异常声的时频特征,以及其在处理非线性、非平稳的扬声器声响应信号时的优越性。     

一种新的声发射信号消噪及故障诊断方法

在旋转机械故障诊断中,声发射信号极易受到噪声的干扰。针对经验模态分解(EMD)易产生模态混叠现象,提出了一种基于经验小波变换(Empirical Wavelet Transform,EWT)的消噪和旋转机械声发射碰摩故障诊断的方法。利用了EMD和小波变换的优点,通过对傅里叶频谱进行自适应划分,并构建小波滤波器组来提取声发射信号所包含的不同固有模态分量,可有效消除模态混叠现象,同时对分量进行Hilbert变换从而实现声发射信号的消噪和故障诊断。采用该方法对仿真信号进行加噪声和消噪处理,在同信号源下,对比基于d B4全阈值消噪、d B4默认软阈值消噪、d B4对高频系数处理消噪和EMD消噪效果。并将该方法应用到实际的声发射碰摩信号中。仿真和实验分析结果表明:EWT方法可以有效地分解出信号的固有模态,分解出的模态少,并且不存在难以解释的虚假模态,消噪效果优于其他方法,并且在声发射故障诊断中也有较大的优势。     

换挡加速度信号的EMD和小波阈值降噪方法

针对采集的换挡工况加速度信号中存在的噪声对换挡品质评价指标值提取的准确性和复杂性产生较大影响的问题,提出一种基于经验模态分解(EMD)和小波阈值方法结合的信号降噪方法。首先利用EMD将含噪的原始信号分解为有限个本征模态函数(imf)分量,然后对高频imf分量进行小波阈值降噪,并将降噪后高频分量和低频分量利用EMD进行重构得到降噪后的信号。最后对某一换挡工况的加速度信号进行降噪试验。试验结果表明,在换挡加速度信号降噪方面,基于EMD和小波阈值的降噪方法与传统的EMD分解降噪、小波阈值降噪相比,能够更好地保留原始信号特征形态,降噪效果更明显。该方法为换挡加速度信号的降噪处理提供了一种可行的思路,为后续整车驾驶性评价创造了条件。     

基于EEMD的舰船辐射噪声特征提取方法研究

为了解决复杂海洋环境中水声信号的特征提取问题,提出了一种利用集合经验模态分解(EEMD)研究舰船辐射噪声特征提取的方法。对经验模态分解后的不同类别三类舰船辐射噪声信号各阶固有模态函数(IMF)中心频率可分性进行分析,并讨论了最强IMF中心频率特征参数。通过比较一定数量不同类别的舰船辐射噪声的最强IMF中心频率及高低频能量差特征参数发现,同类舰船的特征参数基本处于同一水平,不同类型的舰船存在一定差异。实验结果表明,采用EEMD的舰船辐射噪声信号的最强IMF中心频率作为特征参数相比高低频能量差特征参数对舰船具有较好的可分性。     

环境激励下大型桥梁模态参数识别的一种方法

提出一种依据环境激励下结构振动响应的大型桥梁模态参数识别方法,该方法以限制带宽的经验模态分解（BREMD）和随机子空间识别（SSI）为基础,首先利用EMD将环境振动响应分解成一系列只含结构某一阶固有模态的本征模态函数（IMF）,然后利用SSI识别桥梁模态参数。针对大型桥梁自振频率低、模态密集的特点,引入屏蔽信号限制EMD过程中带宽以消除模态混叠;运用该法识别了赣龙铁路某特大桥的模态参数,并将其与峰值拾取法、SSI识别结果以及理论计算值进行对比,结果表明：该方法能有效的识别大型桥梁模态参数,屏蔽信号的引入解决了模态混叠问题,稳定图中的虚假模态得到抑制。     

一种基于频响因子的转子系统基础冲击响应计算方法

考查地震或水下非接触爆炸冲击下旋转机械的动态响应特性,一般从研究转子系统基础冲击响应出发。由于陀螺效应和转子-轴承的交互效应,转子系统运动方程系数矩阵呈非对称性,不能在模态坐标下解耦,无法利用常规模态叠加法求解,所以以往的研究一般采用数值积分如Newmark法等进行迭代求解,但数值积分法相对模态叠加法要耗费较多的计算资源。提出了一种复数域内转子系统冲击响应计算方法,无需坐标解耦但仍可以利用线性叠加法进行响应求解。首先将激励和响应傅立叶展开成复数形式,包括正向旋转项和反向旋转项,根据方程左右两边相同频率前系数相等的事实得到特征方程,将特征方程写成简单矩阵束的本征方程形式,求得矩阵束的本征值和本征向量,将本征向量正规化,进一步得到矩阵束的逆阵,将逆阵元素取名为“频响因子”,将逆阵与激励相乘即可得到频率响应幅值,将所有频率响应成分叠加即可得到系统响应。通过一个工程实例,比较了所提方法与数值积分方法的结果,比较分析表明,所提方法满足工程要求,可以作为转子系统基础冲击响应和瞬态响应计算的一种普适方法。     

转子全周碰摩与局部碰摩的识别方法研究

摘 要：超临界汽轮发电机组的结构和工况复杂,容易引起转、静子间的碰摩。根据碰摩诱发因素的不同,可将其分为全周碰摩与局部碰摩。由于两种碰摩故障的时、频特征相似,传统的时、频域分析方法很难准确提取它们的故障特征。本文针对这一不足,提出一种基于经验模式分解-奇异值分解（EMD-SVD）与支持向量机（SVM）的碰摩故障识别方法,用于对转子全周碰摩与局部碰摩故障进行识别。首先,通过EMD获取碰摩信号的固有模式函数（IMF）;然后,提取表征信号主要能量的前四阶IMF组成特征矩阵并进行SVD分解,得到关于原信号的一组特征值;最后,将特征值输入SVM,对原信号进行分类识别。转子试验台全周碰摩与局部碰摩试验结果表明,本方法对转子全周碰摩与局部碰摩故障的分类准确率高,其中以径向基函数作为核函数的SVM分类准确率达到96.0%。     

EMD和FSWT组合方法在爆破振动信号分析中的应用研究

针对传统经验模态分解EMD时频分析功能不足的缺陷,提出了基于经验模态分解EMD和频率切片小波变换FSWT组合的爆破振动信号分析方法。对实际工程采集到的爆破振动信号进行EMD分解,根据相关性系数确定优势分量实现信号重构,并获取重构信号全频带FSWT时频特征。利用FSWT逆变换能切割任意频率区间的特点,将重构信号选择时间、频率切片区间进行了更为细化时频特征提取。研究了EMD-FSWT组合方法、Hilbert-Huang变换(HHT)、小波变换(WT)三种方法的消噪滤波效果,并与短时Fourier变换(STFT)、重排平滑Wigner-Ville分布(RSPWVD)两种传统时频方法进行了对比。分析结果表明:EMD-FSWT组合方法,对瞬态信号在时频域上的分辨率更高,消噪和滤波效果好,适于对爆破振动信号进行更为精细化的时频特征分析。     

基于HHT的液压缸动态特性分析新方法

提出了一种基于Hilbert-Huang变换的液压缸动态特性分析的新方法：运用经验模态分解,把周期激励下液压缸油液压力波动信号分解为多个从高频到低频的本征模态函数分量,依据各分量的Hilbert边际谱以及自由振动频率信息,对各分量分类并以此为基础重构信号,提取出反映液压缸动态特性的自由振动分量。此方法在某试验台液压缸动态特性分析中,取得了良好的效果,提取出的自由振动分量,可以作为评价液压缸动态特性好坏的依据。     

海洋平台油气管道疲劳裂纹AE信号特征提取及识别研究

为了将声发射(AE)技术实际应用到监测海洋平台油气管道疲劳裂纹中,需要解决管道振动干扰以及疲劳裂纹AE信号有效特征提取的问题,而问题的关键在于对管道结构疲劳裂纹AE信号特征提取及识别算法的研究.在已有研究的基础上,提出了一种基于经验模态分解(EMD)为特征提取的疲劳裂纹识别方法,将管道振动干扰问题和疲劳裂纹AE信号有效...     

基于EMD多尺度威布尔分布与HMM的轴承性能退化评估方法

轴承作为旋转机械中的重要部件,对其性能退化状态进行准确评估是开展预测性维护的重要前提。针对现有性能退化指标在鲁棒性和敏感性上的不足,提出一种基于多尺度威布尔分布与隐马尔可夫模型(Hidden Markov model,HMM)的滚动轴承性能退化评估方法。首先,采用经验模态分解(empirical mode decomposition,EMD)对轴承振动信号进行多尺度分解,将轴承振动数据分解到不同尺度的本征模态分量(intrinsic mode function,IMF)中;然后,通过峭度指标选取故障特征信息明显的IMF分量,并对各个IMF分量进行滑动窗口威布尔分布拟合,提取多尺度威布尔形状参数作为性能退化特征;最后,将轴承正常状态下退化特征参数输入隐马尔可夫模型(Hidden Markov model,HMM)进行训练,建立性能退化评估模型,从而实现轴承性能退化评估。试验结果表明,该评估方法可以有效反映轴承的性能退化趋势,与其他相关方法相比,该方法能够及时识别到轴承早期故障,并且具有较强的稳定性。     

航空发动机试飞中转静子碰摩故障信号处理 的希尔伯特－黄变换（HHT）方法

时变信号处理的新方法希尔伯特－黄变换,是把一时间序列数据通过经验模态分解（Empirical Mode Decomposition,简称EMD）成本征模函数组（Intrinsic Mode Function, 简称IMF）,然后经希尔伯特变换（Hilbert Transformation,简称HT）获得频谱的信号时频分析方法引入到航空发动机转静子碰摩故障振动信号处理领域。该方法的理论和算法为用MATLAB语言编写分析程序,再用仿真信号验证程序的正确性和有效性;然后对飞行试验中获得的故障振动信号进行分析。结果表明,用EMD和HT方法对航空发动机转静子碰摩故障振动信号进行时频分析是有效的。     

动态载荷时域识别的联合去噪修正和正则化预优迭代方法

系统响应可表示为单位脉冲响应函数与激励载荷的卷积,将其离散化一组线性方程组,则载荷识别问题即转化为求解线性方程组的反问题。针对响应中带有噪音时载荷识别的困难,提出了联合奇异熵去噪修正和正则化预优的共轭梯度迭代识别方法。一方面对含噪信号进行基于奇异熵的去噪处理,提高反问题求解中输入数据的精度。另一方面利用正则化方法对共轭梯度迭代算法进行预优,改善反问题的非适定性。由于从输入的响应数据去噪和正则化算法两方面同时改善动态载荷识别反问题的求解,因此可以有效地抑制噪声,提高识别精度。通过数值算例分析,表明在不同的噪声水平干扰下,其识别精度均优于常规的正则化方法,能够实现有效稳定地识别动态载荷。最后通过实验研究进一步验证了该方法的正确性和有效性。     

A linear‐time method for computing the ANOS of Bernoulli and Poisson CUSUM charts

The average number of observations to signal (ANOS) is an important measure of the effectiveness of Bernoulli or Poisson cumulative sum (CUSUM) control charts. Being able to quickly and accurately calculate an ANOS vector facilitates effective control chart design. We present a linear‐time method for computing the ANOS of Bernoulli CUSUM charts and generalize to Poisson CUSUM charts. This method overcomes computation challenges associated with previously existing methods.     

RS-LOD方法及其在旋转机械故障特征提取中的应用

局部波动特征分解(LOD)方法是一种新的自适应时频分析方法。该方法通过采用微分、坐标域变换、分段线性变换三种运算,可以高效地将信号自适应分解为一系列的单一波动分量(MOC),非常适合于处理多分量信号。然而,由于分段线性变换的使用,虽可以显著提高算法的计算效率,但会使MOC分量缺乏光滑性,从而导致失真。对此,将样条曲线形状可调可控的有理样条函数引入LOD方法替代分段线性变换,提出了基于有理样条函数的局部波动特征分解(RS-LOD)方法。在详细阐述RS-LOD分解原理的基础上,通过仿真信号将RS-LOD、LOD和经验模态分解(EMD)进行了对比分析,结果表明RS-LOD方法可以明显改善原LOD方法中MOC分量光滑度差的问题。此外,针对旋转机械故障振动信号的多分量调制特点,将RS-LOD方法应用于旋转机械的故障特征提取,对滚动轴承和齿轮箱故障振动信号的分析结果表明,RS-LOD方法可以有效地提取旋转机械振动信号的故障特征。