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VMD能量熵及LSSVM的减速顶故障检测方法

针对减速顶传统检测方法需要人工巡检、效率低、且不能实现减速顶状态实时监测等问题,根据声发射信号能够较好体现机构内部断裂和变形的剧烈程度的特点,提出了一种基于声发射信号结合VMD能量熵、最小二乘支持向量机(LSSVM)的减速顶故障检测模型.首先,采集减速顶的声发射信号,将采集的信号经过VMD处理得到多个本征模态函数(IMF);然后,提取各IMF信号的能量熵作为训练LSSVM的特征向量;最后,使用训练好的检测模型对减速顶进行故障诊断.实验结果表明：减速顶声发射信号结合VMD能量熵及LSSVM的故障诊断模型能够在极短的时间内完成对减速顶故障的分析,且故障识别率高达97.5%.     

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。     

基于小波和神经网络的传感器故障诊断

提出了一种新的基于小波包变换和BP神经网络的传感器突变故障诊断方法。根据小波变换在时域和频域都具有良好的局部化特性对信号特征进行精确定位,根据传感器输出信号的小波包分析提取能量变化率的特征向量,利用BP神经网络进行传感器故障分类。这种方法无需预先建立传感器模型和测量传感器输入信号,通过对小波包系数的削减,减少了冗余数据,提高了故障检测的实时性。仿真实验结果表明了该方法的有效性。     

基于BP神经网络的三相电压源型逆变器开路故障诊断

为实现三相电压源型逆变器(three-phase voltage source inverter,TP-VSI)开路故障的诊断与精确定位,提高故障诊断效率,提出基于BP神经网络的TP-VSI开路故障诊断方法.首先,研究TP-VSI正常工作原理、开路故障机理,确定线电压作为检测量;其次,采用快速傅里叶变换(fast Fourier transform,FFT)提取不同故障下的特征值,构建故障特征向量;最后,建立一个3层BP神经网络,进行故障诊断,实现对开路故障的精确定位.该方法通过获取包含故障信息的故障特征值,经过FFT把时域信号变换到频域信号,再通过BP神经网络建立TP-VSI开路故障与特征值的一一对应关系.与其他智能诊断方法进行对比,证明了BP神经网络对TP-VSI开路故障诊断的可行性和较高的诊断准确度,实现了BP神经网络对TP-VSI开路故障的诊断与精确定位.     

基于振动信号分析和支持向量机的滚动轴承故障诊断

针对滚动轴承出现故障时产生的振动信号具有非平稳信号的特点,通过小波包变换提取故障信号的特征向量,采用支持向量机分类器对提取的特征向量进行多类故障分类.通过与BP神经网络分类器进行对比研究,结果表明,在有限故障样本条件下,支持向量机分类器比BP神经网络分类器具更好的分类性能.     

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.     

基于神经网络技术的电梯动态智能检测系统

提出了一种基于神经网络技术的电梯动态智能检测系统,它可以长期不间断地采集电梯运行数据并存储.利用最优小波包的理论分析提取轿厢垂直振动加速度信号特征,与水平方向振动信号特征融合建立了BP神经网络模型,实现对电梯急停故障现象的诊断.经验证,该模型能有效判断出电梯急停故障,为特检部门提供了电梯的检测依据.     

基于小波分析与神经网络集成方法的轴承故障诊断研究

鉴于小波分析与BP神经网络在故障诊断中各自存在的局限性,提出基于小波-BP神经网络的轴承故障模式识别技术.采用具有良好时频局部特性的小波基函数替代传统BP网络的激励函数,从而构造小波-BP神经网络,并且对其进行训练,获得模式识别网络,再用新数据进行网络检验,仿真结果表明该方法实用有效.     

应用小波神经网络诊断车辆柴油机供油系统故障

为有效诊断车辆柴油机供油系统故障,将小波变换与BP(Back Propagation)神经网络相结合。利用小波变换提取故障特征向量输入BP神经网络,实现对柴油机供油系统故障的诊断。仿真结果表明小波神经网络故障诊断准确率较高,诊断效果较好。     

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%.     

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.     

基于二维小波变换和BP神经网络的织物疵点检测方法

采用了二维离散小波变换对织物图像进行处理,根据小波变换后高、低频分量的特点,提取分解子图像的特征值,送入BP神经网络进行识别,从而实现织物疵点的检测.     

基于小波包信息熵和小波神经网络的异步电机故障诊断

采用一种基于小波包信息熵和小波神经网络的方法对异步电机进行故障诊断。将故障信号进行小波包预处理,并在此基础上提取信号的小波包能谱熵和小波包系数熵,构成信号的信息熵特征向量。训练小波神经网络使其在输入特征向量后能有效检测并输出故障模式,以实现对单一故障和复合故障的诊断。通过内嵌的方式把小波变换融入神经网络,具有良好的自适应分辨率和容错能力,可以有效避免局部最小值以及收敛速度过于缓慢的问题。试验表明,基于小波包信息熵和小波神经网络的方法能很好地进行异步电机的故障诊断,且该方法优于同参数下的BP神经网络模型。     

小波分析及其在电力系统故障检测中的应用

介绍了小波变换的基本原理,采用小波变换快速算法对电力系统中故障信号进行分析、判断。仿真结果表明,小波变换能够很好地消除电力系统故障信号噪声,并准确检测出故障点。     

基于小波神经网络的油泵故障诊断

依据小波神经网络技术的各种优点,提出采用三层BP小波神经网络构造故障诊断模型,对油泵进行故障监测和诊断.该故障诊断方法对神经网络训练、故障特征参数提取和对应神经网络状态输出等均实现了数据库管理,对油泵多种常见故障取得了满意的诊断效果,不仅具有特征自动提取以及较强的自学习和自适应功能,而且操作维护简便.研究结果表明:信号的小波分析和神经网络识别的融合将为油泵状态监测与故障诊断系统的建立提供新的方法和更简便的途径;对油库安全维护与故障诊断具有重要意义.     

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。     

基于小波包-GABP的滚动轴承故障诊断分析

为提高诊断滚动轴承故障的效率和准确率,本文将小波包变换、BP神经网络和遗传算法三者相结合,提出了一种基于小波包和GABP神经网络的故障诊断模型。由小波包的分解与重构在滚动轴承故障原始信号中提取有效的故障特征向量,并利用遗传算法优化BP神经网络,然后训练和诊断滚动轴承信号的故障类型。同时,运用Matlab软件把采集的数据进行仿真分析。仿真结果表明,相对于传统BP神经网络,利用遗传算法优化的神经网络对故障的诊断正确率更高,并且收敛速度较快,说明由遗传算法优化的BP神经网络在故障诊断方面具有较好的效果,而且遗传算法的引入使轴承故障诊断的适应度和准确率更高。该研究为滚动轴承的故障诊断提供了理论基础。     

基于人工智能方法的岩爆预测系统

通过理论分析预测法和现场实测法,建立了一套长期预测和短期预测相结合的岩爆预测系统.长期预测模型是基于神经网络思想,运用国内外相关工程的岩爆资料作为训练样本,建立了小波神经网络预测模型,对工程范围内岩爆发生趋势进行了预测.短期预测模型首先针对监测到的声发射建立小波神经网络模型,对声发射时间序列进行拟合预测;再运用突变理论对预测的声发射建立了岩爆突变预测模型,进而对监测点附近岩爆发生情况进行准确的预测.两种预测模型都运用到了目前人工智能方法中比较新颖的小波神经网络理论,提高了收敛速度,容错能力,保证了预测的效果.通过工程实际运用,建立的岩爆预测系统预测精度高,预测结果与现场情况一致.两套预测模型可以适用于不同的工程阶段,互相验证,具有很好的工程实用性.     

天然气管道阀门内漏声发射信号特征研究

通过理论分析的方法建立阀门内漏过程中气体体积泄漏率与声发射信号特征参数均方根(AERES)函数关系,利用研制的实验平台进行了阀门气体内漏检测实验,利用小波包变换方法分别对球阀和截止阀内漏过程产生的声发射信号进行频谱特性分析研究,实验结果表明,经过3层小波包分解后的信号能量主要集中在12.5～75kHz。且声发射信号特征参数均方根(AERES)能有效反映气体体积泄漏率,因此可以利用声发射技术检测阀门是否内漏并估算其泄漏率。