基于小波变换与BP神经网络的声发射信号识别

针对现有声发射信号识别参数分析法的不足,提出利用小波变换特征提取与BP神经网络结合的声发射信号识别方法。利用db2小波对声发射信号进行6层分解,将细节特征空间的能量作为声发射信号特征向量;结合声发射信号特点设计和训练BP神经网络,通过实验确定隐层神经元数;用BP和RBF神经网络分别对腐蚀、裂纹和冷凝声发射信号进行分类测试。实验结果表明,提取的声发射信号特征具有较好的区分性能,BP网络在识别声发射信号方面优于RBF网络,这对储油罐安全状况的定量分析具有一定意义。     

基于小波变换与RBF网络的声发射信号识别

声发射检测技术不需开罐就能对储油罐安全性在线评估,声发射信号识别是储油罐腐蚀状况分析的基础,针对现有参数分析法的不足,提出一种基于小波变换特征提取与RBF神经网络识别的声发射信号识别方法。利用db2小波对声发射信号6层分解,将6层细节特征空间的能量作为声发射信号特征向量;结合声发射信号特点设计RBF神经网络,利用已知模式声发射信号训练RBF网络;用RBF神经网络对腐蚀、裂纹和冷凝声发射信号进行分类测试。实验结果表明,RBF网络的识别率达到93.3%,显示了RBF网络识别声发射信号的优越性。对储油罐安全状况的定量分析具有一定意义。     

局域波神经网络海洋平台AE信号识别研究

为了研究海洋平台结构声发射信号的特征,将近期发展的局域波法和神经网络相结合应用于提取识别中.首先,将海洋平台结构声发射信号进行局域波分解,得到自适应的基本模式分量,然后从各基本模式分量中提取能量特征参数作为神经网络的输入参数来识别海洋平台结构的声发射信号.通过对海洋平台结构模型声发射信号的实验数据分析表明,以局域波法提取各频带能量作为特征参数的神经网络方法可以准确、有效地识别海洋平台结构声发射信号,从而为海洋平台结构声发射信号特征提取识别提供了一种新的方法.     

风力机叶片裂纹特征的小波尺度谱识别

为了在强大噪声干扰下提取风力机叶片的早期裂纹特征,识别不同种类的裂纹,通过搭建声发射设备检测风力机叶片复合材料块实验平台,采集扩展裂纹与萌生裂纹的声发射信号,并借助小波尺度谱优越的时频分析性能来有效提取裂纹信号的特征,以区别扩展裂纹和萌生裂纹.实验结果表明,小波尺度谱能有效提取非线性、非平稳信号中的故障特征,优于小波分析方法.通过实验研究,得到了识别扩展裂纹和萌生裂纹的判据,建立了基于声发射和小波尺度谱的风力机叶片裂纹识别新方法.     

损伤声发射信号小波包神经网络特征识别方法

在材料损伤的检测和评价时,为了在大量接收信号中识别有效声发射信号,提出了一种基于小波包特征提取的损伤声信号神经网络识别方法,首先利用小波包全局分解的优势,准确提取非平稳信号的特征信息,建立相应特征向量,对有效声发射信号和干扰噪声信号进行表征;然后根据特征向量和识别输出要求,建立了3层结构的反向传播神经网络对信号进行分析和识别,滤除噪声信号,保留有效声发射信号;最后,在玻璃钢复合材料的声发射实验中,采集了400组信号对该方法进行验证,准确性达到97.5%,能够满足工程需要.     

铁路车轮裂纹在线检测方法研究

早期发现车轮的初始疲劳裂纹是避免铁路车辆行车事故的最有效的方法。采用弹性力学的理论．分析了疲劳裂纹产生时弹性波的主要传播形式及声发射现象，分析了疲劳裂纹信号与噪声信号在波形、频率和幅度上的明显区别，提出了洲量点位的确定原则和用宽带声发射传感器接收疲劳裂纹信号采取的措施及硬软件去噪的方法。建立了应变能与疲劳裂纹信号之间的数学模型。通过高保真宽带传感器实时真实地获取被测材料结构中产生的宽带声发射信号，并分析研究源产生的超声波模式，找出对应模式波的内在持征，即可进行缺陷的参数识别和定位。为车轮早期疲劳裂纹的识别提供了一种新方法。     

基于声发射技术的减速顶故障诊断

针对实际的铁路编组站中主要采用原始人工脚踩踏方法检测减速顶效率低、受主观因素影响较大等问题,应用声发射检测技术对减速顶进行故障诊断分析.采用傅里叶变换、小波变换和小波能量法对采集到的声发射信号进行特征提取,建立三层BP神经网络对减速顶的工作状态进行判断.实验结果显示:所建立的BP神经网络对正常与故障减速顶的输出错误率为12.5%与16.1%.由此可判断声发射技术基本满足实际生产过程中故障判断的要求.     

压力管道泄漏声发射实验信号识别与分析

利用实验室现有油气管道实验平台,建立了压力管道泄漏的声发射检测模型。在不同实验条件下,如变化管道压力、管道流量、传感器间距等,进行了压力管道泄漏的声发射检测实验。通过对压力管道泄漏的声发射信号分析,能够定性地判断有无泄漏。同时,分别分析了压力管道泄漏声发射信号的有关参数随管道压力、流量、传感器间距变化的规律,对压力管道泄漏的声发射检测进行了有益的探索。     

压力管道泄漏声发射实验信号识别与分析

利用实验室现有油气管道实验平台,建立了压力管道泄漏的声发射检测模型.在不同实验条件下,如变化管道压力、管道流量、传感器间距等,进行了压力管道泄漏的声发射检测实验.通过对压力管道泄漏的声发射信号分析,能够定性地判断有无泄漏.同时,分别分析了压力管道泄漏声发射信号的有关参数随管道压力、流量、传感器间距变化的规律,对压力管道泄漏的声发射检测进行了有益的探索.     

旋转机械碰摩故障声发射信号的特征识别研究

利用碰摩试块通过悬臂转子试验台模拟310r/min下旋转机械的间歇碰摩故障,并用声发射仪分别在有碰摩试块和无碰摩试块两种情况下对相应的声发射信号进行采样,对其波形和时频特征进行分析.结合声发射突发型信号的特点,利用小波变换方法对声发射信号的时频特征进行定量分析.通过db10小波函数对有碰摩试块和无碰摩试块两种情况下的信号进行尺度为5的小波分析,结果表明:转子发生碰摩时,d2尺度上的特征频率在335～365kHz之间,d3尺度上的特征频率在240～280kHz之间.     

提升小波包和神经网络在轴承故障诊断中的应用

针对轴承故障信号的特点,采用9／7提升小波包和概率神经网络（Probabilistic Neural Networks）相结合的算法对轴承故障进行诊断。首先对原始数据进行小波变换,并对其进行特征提取。然后利用概率神经网络对得到的特征向量进行类别判定。在VB和Matlab设计的故障诊断仿真实验平台上,验证了9／7提升小波包和概率神经网络混合的故障诊断方法满足实验要求．     

油气管线裂纹型缺陷的疲劳寿命预测

利用文献数据,采用Paris公式计算和分析合轴向表面裂纹的油气输送用X60管线钢的疲劳裂纹扩展过程,通过对比舍裂纹缺陷油气输送管的全尺寸实物疲劳试验结果,对所采用的基于失效评定图技术的含裂纹缺陷管道疲劳寿命预测方法的计算结果进行了间接的试验验证。结果表明,含缺陷管道的疲劳寿命数值计算结果与试验结果相吻合,采用小试样测试结果经Newman法修正后进行油气输送管道的疲劳寿命计算和分析是可行的。     

基于小波包分析的模拟天然气管道泄漏声发射定位

开展了模拟天然气管道泄漏检测与定位研究,研究利用小波包分析技术,首先对声发射信号进行分解,再对衰减的信号在不同频率段内进行有效的补偿,然后对分解的信号进行小波包重构,利用互相关技术计算两个声发射传感器接收到的声发射信号的时差,进而进行声发射源定位。对模拟天然气管道泄漏的声发射信号的处理结果表明该方法能够有效实现管道泄漏检测与泄漏源定位,并且泄漏源的定位精度高,误差〈8%。如能将这一技术改进并实现长距离管道泄漏检测与定位,将具有广阔的应用前景。     

基于EMD和小波包降噪的压力管道微泄漏源定位研究

为实现对压力管道裂纹微泄漏源的声发射信号降噪处理与准确定位,采用经验模态分解(EMD)和小波包变换相结合的方法对微泄漏源声发射信号进行降噪处理。结果表明,该方法能够很好地解决连续型声发射信号降噪问题。该方法首先对泄漏源声发射信号进行EMD分解,细化泄漏源信号中掺杂的高频背景噪声,然后根据EMD分解产生的各个固有模态函数(IMF)与原信号相关程度确定主要包含泄漏源信号特征的各IMF分量进行EMD重构,并进行小波包降噪,以进一步削弱背景高频噪声的干扰,最后对降噪并重构后的信号进行互相关计算,实现对压力管道微泄漏源的精确定位。     

小波变换在管道泄漏声发射检测中的应用

对管道泄漏声发射信号特点和常用小波基函数特点进行了分析,指出Daubechies小波和Symlet小波是较适于泄漏声发射信号处理的基函数.进行了碳钢管道水泄漏声发射检测实验,用db5和sym5两种小波基分别对泄漏信号进行小波变换,结果表明,a6级信号的能量占总能量的绝大部分,信号峰值频率集中在2.90～3.81 kHz,两种小波变换在能量分析中最大相对偏差为0.77%,在频率分析中最大相对偏差为5.17%.     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点,提出基于小波神经网络的模拟电路故障诊断方法.采用能量分布特征提取方法和改进BP算法,用正弦信号仿真模拟电路,应用小波变换对模拟电路的采样信号进行多尺度分解,再进行能量分布特征提取,然后利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.相对于传统的故障诊断方法,用小波变换对故障信号进行预处理,大大减少了神经网络的输入数目,从而简化了神经网络的结构和减少了它的训练时间,并提高了辨识故障类别的能力.对实例电路仿真结果表明,该方法能正确识别各种故障状态,准确率高.     

一种疲劳试验机测试系统的设计

研制了一种疲劳试验机测试系统。该系统可在疲劳试验过程中检测载荷值、激振频率、载荷循环次数,以及试件的裂纹声发射信号。通过试验证明,系统设计可达到预期目标。     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点，提出基于小波神经网络的模拟电路故障诊断方法。采用能量分布特征提取方法和改进BP算法，用正弦信号仿真模拟电路，应用小波变换对模拟电路的采样信号进行多尺度分解，再进行能量分布特征提取，然后利用神经网络对各种状态下的特征向量进行分类识别，实现模拟电路故障诊断。相对于传统的故障诊断方法，用小波变换对故障信号进行预处理，大大减少了神经网络的输入数目，从而简化了神经网络的结构和减少了它的训练时间，并提高了辨识故障类别的能力。对实例电路仿真结果表明，该方法能正确识别各种故障状态，准确率高。     

基于最佳小波包基的边海防声目标识别

针对于将声音识别技术应用于边海防目标的识别,提出了一种新的基于最佳小波包基的特征提取方法。具体方法是首先根据边海防声音信号的频率分布特征,对这些信号进行有选择地多尺度小波包分解,获取最佳小波包树,然后将相应的最佳小波包基的能量值归一化后作为特征向量,再将这些特征向量输入BP神经网络训练,用训练好的神经网络对边海防声音信号进行识别。仿真结果表明:在噪声条件下,利用此特征提取方法,识别率达到94%,比基于小波包分解的特征提取方法的识别率高出6个百分点。     

基于希尔伯特-黄变换的船舶声信号特征提取

将希尔伯特-黄变换(HHT)用于船舶声信号特征提取中,利用HHT对实录船舶辐射噪声进行特征提取后,利用神经网络进行分类.研究表明希尔伯特-黄变换方法对于信号的时频特性具有较高的分辨能力,适用于水声非平稳信号的分析.与传统时频分析方法相比具有很强的自适应特性和较好的时频聚集性,时频分辨力高于小波变换.结果表明对于船舶声信号识别,希尔伯特-黄变换方法是一种有效的特征提取方法.