小波—BP神经网络在旋转机械故障诊断中的应用

利用小波分析和BP神经网络相结合的方法对旋转机械的故障进行识别.首先运用小波分析对故障信号进行降噪处理,然后运用小波包对信号进行分解和重构,提取各频带能量值,将该能量值作为BP神经网络输入端的特征向量,训练网络进行故障模式识别.实验表明,该方法在旋转机械故障诊断中切实可行.     

基于提升小波包和神经网络的结构损伤检测

提出一种提升小波包分解、多传感器特征融合和神经网络模式分类相结合的结构损伤诊断方法.首先,对多个传感器采集的振动响应信号进行提升格式小波包分解,定义标准化相对能量并计算每个频带上的相对能量;然后,把这些传感器信号的小波包相对能量融合作为神经网络分类器的输入特征向量,实现损伤的诊断和评价.数值仿真结果表明,提升小波包分解的频带能量分布能够较好地反映结构的损伤特征;特征融合能够使不同传感器的信息相互补充,减小了损伤检测信息的不确定性,使诊断信息具有较高的精度和可靠性.     

小波包神经网络在轴承故障模式识别中的应用

基于不同点蚀模式的轴承振动信号的频域能量分布差异性,提出了基于小波包正交分解和BP神经网络的轴承点蚀故障模式识别技术。对轴承振动信号进行小波包正交四层分解,实现了信号空间完整拆分的同时得到了第四层由低频到高频的小波包分解系数,再分别进行单支重构得到各频段的成分。利用信号各频段的能量组成特征矢量作为神经网络的输入样本,对BP神经网络进行训练,获得模式识别网络;再用新数据进行网络的检验,结果证明网络的性能良好。     

基于小波包能量的桥梁损伤识别指标

为达到桥梁结构损伤识别的目的,基于小波包分析方法提出了小波包能量变化率平方和(the sum square of wavelet packet energy change rate,简称WPERSS)损伤指标。分别将健康与损伤结构的加速度响应信号进行小波包分解得到小波包能量,通过计算小波包能量变化率平方和损伤指标进行损伤识别。对简支梁模型进行数值模拟,分析单一损伤与两处损伤时不同损伤程度的损伤识别情况,分析不同噪声水平对识别效果的影响。结果表明,该指标可有效识别损伤位置且对噪声具有鲁棒性。对装配式双塔斜拉桥模型进行试验,联合多个测点响应的损伤指标可以判别结构的不同损伤状态,验证了小波包能量变化率平方和指标的有效性。     

基于随机森林的建筑结构损伤识别方法

针对利用分类器对建筑结构进行损伤识别的问题,引入一种新的组合分类器算法——随机森林,提出基于小波包分解和随机森林的结构损伤识别方法。首先,采用小波包对结构在不同损伤程度和位置上的振动加速度信号进行分解,得到各个频带上的总能量;然后,利用各频带上能量值存在着差异性作为输入到分类器的特征向量;最后,训练随机森林模型并对建筑结构的损伤位置和损伤程度进行识别。应用该方法对一座8层剪切型钢框架结构进行损伤判别,并与BP神经网络和支持向量机方法进行对比,结果表明该方法具有较好的识别精度与稳定性。     

基于小波包变换的梁体损伤识别

由于小波包变换在分析非平稳信号方面较傅立叶变换更为有效，提出了基于小波包变换的能量变化率指标进行损伤识别的方法。首先，将得到的结构响应信号进行小波包分解，然后通过小波包能量变化率指标来进行损伤定位。通过3种不同损伤工况的梁体室内试验证明．损伤指标可以准确地识别损伤位置。     

基于小波包变换和Replicator Neural Network的单位置结构损伤检测

为了实现对结构的损伤检测,提出一种基于小波包变换和Replicator Neural Network (RNN)的单位置结构损伤检测方法。首先采用小波包变换对原始振动响应信号进行分解,计算分解得到的各频带的相对频带能量,这些相对频带能量的分布反映了结构特性。然后,将健康结构的相对频带能量作为输入训练RNN。最后,利用训练后的网络即可对结构进行实时损伤检测。实验表明,即使在有噪声干扰下,该方法仍然能够检测出结构是否存在损伤。     

改进的小波包能量指标在结构损伤识别中的应用

小波包分析采用时域和频域结合的方法对振动信号进行分析,在时频两域都具有表征信号局部特征的能力。大量研究成果表明小波包能量和模态柔度都对局部损伤变化非常敏感,通过离散小波包分解对冲击荷载作用下结构振动响应加速度信号进行各频带的分解与重构,在模态柔度曲率差思想的基础上,定义相对小波能量柔度曲率差损伤指标,对损伤进行定位。通过连续梁的数值模拟及连续梁的试验验证,并与仅基于相对小波包能量曲率差的方法进行比较,进一步说明该方法的可行性。     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。     

钢筋混凝土梁损伤的小波包识别方法

基于小波包能量特征向量的损伤识别是一种对损伤非常敏感的方法.为了更有效地选择特征频带,从频带分解的角度分析了基于小波包分解能量特征向量的结构损伤识别方法.将结构响应信号进行小波包分解,提取各频带的能量.通过分析结构响应频率和小波包分解各频带频率范围,选取信号主要频率所在频带及其相邻频带的能量构成特征向量.当信号频率有微小改变时,特征能量向量的变化远远大于信号频率的变化.当结构出现损伤时,脉冲激励下其动力响应信号的频率有所降低,因此可以通过特征能量向量的变化来识别损伤.通过一根钢筋混凝土梁的试验验证了该方法的有效性.     

压电柔性梁裂缝损伤识别实验

针对压电柔性悬臂梁裂缝损伤检测与损伤程度识别问题,采用小波包分析和小波神经网络相结合的方法进行裂缝深度识别实验研究.利用小波包频带能量谱构造柔性悬臂梁裂缝损伤指标,即能量比相对变化量的H2范数,并建立压电柔性梁裂缝损伤实验装置.激励柔性梁的振动,记录两路压电传感器采集的振动信号,进行小波包分解并计算损伤指标.将这些损伤指标进行组合,作为小波神经网络的输入特征参数,进行裂缝深度即损伤程度的识别.实验结果表明:能量比相对变化量的H2范数对柔性梁的裂缝损伤敏感,对测试噪声不敏感;采用的小波神经网络可以精确识别柔性梁的裂缝深度.     

基于小波包样本熵的连续梁桥损伤识别

为了减少现行桥梁检测中所需布置传感器数量,将小波包分解和样本熵有机结合起来,对利用单点动力响应数据检测识别连续梁桥结构损伤的新方法进行了研究,笔者提出了连续梁桥结构的损伤识别指标和方法。利用小波包变换对移动荷载作用下桥梁的加速度响应进行分解和重构,计算重构信号的样本熵值,建立了对数加速度能量差小波包样本熵损伤识别指标;并通过三跨变截面连续梁桥的动力仿真分析,验证了指标和方法的适用性与噪声鲁棒性。研究结果表明,笔者所提出指标和方法仅利用桥上一个测点的加速度响应就能够很好地识别连续梁桥的损伤位置和损伤程度,且对噪声不敏感。     

基于小波包能量累积变异的梁桥损伤识别试验

基于小波包分析方法可以捕捉到结构状态改变导致的频带能量分布变化的特征,提出了小波包能量累积变异指标来识别结构损伤,并将该指标应用到室内两跨连续梁模型桥的损伤识别中.车辆激励、锤击激励和环境激励3种不同激励源的测点实测加速度时程响应分析研究结果表明,激励信号能量大小的不同会导致小渡包能量累积变异值的差异,联合多个测点响应的小波包能量累积变异指标值可以判别结构的不同损伤状态.     

超声缺陷回波信号的小波包降噪及特征提取

根据非稳态超声检测信号的特点，将小波包变换用于缺陷信号的降噪及特征提取问题的研究，并利用类别可分性判据和RBF神经网络分别对特征值提取结果进行评价。引入了平均阈值的概念，在此基础上研究了小波包降噪效果。提出了以选取小波包分解频带的能量作为缺陷信号特征值的方法。实际焊接缺陷的实验结果表明，小波包降噪效果明显；在特征数据得以压缩的同时，分类的可分性较高。     

超声波检测中缺陷的智能识别

为了实现超声检测对缺陷的智能识别,引入小波包分析与人工神经网络技术。该方法利用超声信号进行三层小波包分解,提取各频率成分能量为特征值。建立并训练了一种BP缺陷识别的神经网络,该网络使用Levenberg—Marquardt算法。实验分析表明,小波包分析和人工神经网络的引用能为缺陷类型提供有效的智能识别。     

改进小波包与RBF网络在轴承诊断中的应用

基于故障轴承的特征提取,提出一种基于小波包与径向基RBF神经网络相结合的故障诊断方法,克服了以往常用诊断方法中的小波BP神经网络网络收敛慢、训练时间长、而且常常陷入局部极小点的缺点。采用小波滤波技术对采集到的滚动轴承振动信号进行滤波处理,利用小波包分解获得滚动轴承振动信号的特征向量作为故障样本对RBF网络进行训练,进行了详细的故障诊断试验研究。实验结果表明训练好的RBF网络能够很好地诊断出轴承故障类型,故本方法在旋转机械故障诊断方面具有良好的应用价值。