共查询到10条相似文献,搜索用时 15 毫秒
1.
研究管道阀门泄漏检测的技术,针对复杂背景噪声影响,管道泄漏信号不能准确识别及时频特性精确提取.提出了一种基于小波包和时频能量分布的管道阀门声发射泄漏检测的方法,利用小波包重构还原管道阀门泄漏声发射信号,通过计算Choi-Williams时频分布,提取时频特征,实现了泄漏信号识别和时频特性分析.采用PVC管道搭建了管道阀门泄漏声发射检测的实验模型,泄漏状态通过阀门开启度调节.在严重的背景噪声环境下,实时采集泄漏信号,并进行仿真.结果表明,采用小波包和时频能量分布的分析方法可以准确识别严重背景噪声下的泄漏信号,证明了该方法的可行性. 相似文献
2.
3.
基于GPS时间标签的管道泄漏定位方法 总被引:18,自引:1,他引:17
快速、精确地定位管道泄漏是检测泄漏的一项重要内容,采用GPS同步时间脉冲信号强化各传感器数据采集的信号同步,通过采样频率与时间标签的换算可以分别确定管道泄漏点上游和下游的泄漏负压波的速度,然后利用泄漏点上下游检测到的泄漏特征信号的时间标签差就可以确定管道泄漏的位置。信号采样频率越高定位精度越高。但采样频率过高会增加处理的数据量,从而降低泄漏检测的速度。 相似文献
4.
5.
6.
7.
针对强背景噪声下齿轮微弱故障特征难以有效提取的问题,本文提出了一种基于自适应经验小波塔式分解的齿轮故障诊断方法 .首先,在齿轮故障信号傅立叶变换基础上,通过设定分解层数对信号频谱进行有效划分,进行经验小波变换;然后进一步提出时-频峭度指标,绘制信号在不同分解层数下各分量信号的时-频峭度图,确定所感兴趣的最优共振频段范围;最终得到最优单分量信号,利用包络解调分析提取齿轮微弱故障特征.采用所提方法对齿轮故障信号进行分析,结果表明该方法可以有效提取齿轮微弱故障特征,而传统经验小波方法因为受强背景噪声影响较大,无法准确提取齿轮微弱故障特征信息. 相似文献
8.
9.
本文以计算机显示设备泄漏电磁信号为研究对象,对于人工提取特征识别电磁泄漏信号存在的主观性强、特征冗余的问题,区别于传统基于经验的人工特征提取模式,利用人工智能深度学习方法,使用处理图像的深度学习技术应用于电磁信息泄漏特征识别,提出了一种基于卷积神经网络的识别方法.该方法首先提取电磁泄漏信号的时频谱信息作为卷积神经网络模型的输入,然后利用模型的自学习能力提取深层特征,实现对不同分辨率来源电磁泄漏信号的识别,识别准确率达到98%,单信号检测时间仅需40 ms,验证了卷积神经网络应用于电磁泄漏信号识别的有效性,为电磁泄漏预警与防护提供了重要依据,为电磁泄漏视频信号还原复现提供有力支撑. 相似文献
10.
在管道泄漏检测时,标志泄漏发生的特征信号相对较弱,这为泄漏特征信号的提取带来了极大困难。首先基于有限元仿真软件ANSYS研究声发射波在管道上的传播特性,分析泄露特征信号提取算法研究的必要性;然后提出一种泄露特征信号提取的改进小波包分解与重构算法;最后基于改进后的算法对实验室里采集到的泄漏声发射信号进行泄露特征信号提取实验。实验结果表明,改进算法可以准确提取出泄漏特征信号。它克服传统小波包算法分解和重构中的上采样与下采样带来的混频,为后续的定位分析创造了良好的条件。 相似文献