主成分分析法在脉冲涡流缺陷识别中的应用

在钢结构脉冲涡流缺陷识别中,通常采用信号的峰值幅度、过零时间、主峰面积等特征参数对缺陷进行表征。但上述参数相互关联,存在一定的信息冗余,增加了数据分析量及信息筛选难度,进而影响了缺陷识别的效率。针对上述问题,采用主成分分析法对脉冲涡流信号的6个特征参数进行降维处理,构造了一个主成分特征,减少了信息冗余;将上述主成分特征输入Logistic分类器,实现了对钢结构减薄缺陷的准确识别。结果表明:主成分分析法可以在确保缺陷识别准确率的情况下,有效减少分类器处理的数据量,提高缺陷识别效率。     

基于PCA和SVM的铬层裂纹声发射识别方法

针对采用幅值、能量等统计特征参数分类识别声发射(AE)信号时存在的信息冗余问题,提出利用主成分分析(PCA)方法减少信息冗余,提取AE信号统计特征。设计了钢板表面铬层裂纹试验,对统计特征参数进行主成分分析,提取了两个主成分。设计了支持向量机(SVM)分类器,以主成分为输入向量,分类识别铬层裂纹AE信号。验证了主成分可以有效表征AE信号统计特征,减少了信息冗余,提高了分类效率及准确率。     

基于主成分分析的航空电磁数据噪声去除方法

时间域航空电磁数据经预处理后,存在残余噪声,严重影响晚期道数据质量。提出一种基于主成分分析的去噪方法,通过对航空电磁剖面数据的自相关矩阵进行奇异值分解,得到特征值及对应的特征向量,将电磁数据通过旋转矩阵(特征向量矩阵的转置)进行线性映射,得到其主成分。大特征值对应的低阶主成分反映相关性较强的电磁信号,而小特征值对应的高阶主成分反映不相关噪声。采用低阶主成分与特征向量重构电磁数据能够去除不相关噪声。采用主成分分析法分别进行了仿真数据与实测数据的主成分特征分析与噪声去除。仿真数据去噪后,信噪比提高了13 dB;而野外飞行实测数据的噪声水平也由±25 nT/s降低到±8 nT/s。     

多元统计分析在超声检测回波信号处理中的应用

应用统计分析中聚类分析、主成分分析法，对DB-H1(JB／T10062—1999)标准试块内部距离测试表面深度为80mm、100mm、110mm、120mm、130mm、135mm的φ3mm横通孔的脉冲反射回波信号进行综合评价，借以说明多元统计分析方法在回波信号识别方面的优越性、实用性。     

基于LBP-KPCA特征提取的焊缝超声检测缺陷分类方法

焊缝缺陷影响结构安全,缺陷定性是实现结构安全评价的重要基础.研究了一种基于一维局部二元模式（one-dimensional local binary pattern,1-D LBP）算法结合核主成分分析（kernel principal component analysis,KPCA）提取焊缝缺陷回波信号特征的方法.采用1-D LBP算法提取缺陷回波信号的LBP特征,通过KPCA对此LBP特征集进行主成分分析,选取贡献率之和超过90%的前N个主成分作为缺陷分类的特征向量,利用基于径向基核函数的支持向量机（support vector machine,SVM）实现了缺陷类型的自动分类.以夹渣、气孔和未焊透三类焊缝缺陷为对象,开展了缺陷特征提取及分类试验.结果表明,使用LBP-KPCA特征进行缺陷分类时,准确率达到96.7%,优于常规特征,为焊缝缺陷分类及无损评价提供了重要参考.     

基于频谱分布分析及神经网络的点焊超声检测

分析了检测信号的频谱分布,采用小波分析的方法提取了能够描述点焊超声波频谱分布特征及功率特征的超声检测特征值.由这些检测特征值构成超声特征矢量,结合BP神经网络的模式识别功能对点焊直径进行精确分类与识别.与传统时域分析方法相比较,其备更高识别能力、更高的识别效率、更少的识别特征以及更小的外部干扰因素.     

基于奇异值分解及包络分析的齿轮局部故障特征提取

提出了将信号进行相空间重构后再采用奇异值分解,对分解后的主成分进行包络分析,从而提取信号的隐含特征的方法,并将该方法应用于齿轮的局部故障振动特征信号的提取中.数值仿真实验结果表明,该方法能有效提取强背景信号及噪声中的弱冲击特征信号,是一种有效的弱信号特征提取方法.采用该方法对齿轮振动信号进行故障特征提取与识别,结果与实际情况相符.     

基于Pearson-KPCA和LSTM的伺服电机滚动轴承剩余寿命预测

针对伺服电机滚动轴承的寿命预测，提出一种基于皮尔逊相关系数及核主成分分析的长短时记忆网络预测方法。提取滚动轴承的时、频域信号，通过移动平均法进一步获取相关特征，并采用皮尔逊相关系数筛选高度相关特征指标，利用KPCA提取高度相关特征指标中的若干主成分；将第一主成分作为长短时记忆网络模型的输入对滚动轴承进行剩余寿命预测。采用IMS轴承数据集进行验证，得到的轴承寿命预测RMSE值和可决策系数值分别为0.054 3和0.989。将其与长短期记忆网络模型和BP神经网络的预测结果进行对比，证明所提方法具有较高的精度。     

薄板对接焊缝缺陷超声波定性分析

介绍薄板对接焊缝缺陷超声波的两种定性方法,对缺陷回波信号的射频信号进行分析,提取时域信号的协方差作为信号的特征值,通过小波变换,提取基于缺陷信号小波包结点能量为信号的特征值,定性分析焊缝缺陷。结果表明:将传统的定性方法和现代信号处理技术相结合,提高了缺陷性质判别能力。     

基于神经网络的焊接缺陷智能化超声模式识别与诊断

以三种焊接缺陷为对象,研究了缺陷回波特征的评价与模式识别。在实验研究与理论分析的基础上,从每个缺陷回波样本中提取了26个特征值,采用基于统计学假设检验的特征评价和最佳特征子集选择方法,实现了特征空间的降维处理。作者采用B-P型反向传播神经元网络构成了智能化模式分类器,研究了网络模型的学习效果和对未知缺陷的分类识别能力。还探讨了用Dempster方法进行超声检测信息融合处理的可行性。实验结果表明,采用最佳特征子集作为样本的特征向量,获得了良好的识别结果,三类缺陷的平均正确识别率约为87.6％,最佳识别率为97％。     

基于主成分分析的多域特征融合轴承故障诊断

针对复杂工况下难以区分轴承故障状态的问题,提出一种基于主成分分析的多域特征融合轴承故障诊断方法。采集轴承振动加速度信号,提取轴承时域新量纲一化特征、频域幅值谱特征和时频域经验模态分解特征共13维特征用于完整表征轴承状态;利用主成分分析方法对所提取特征融合与降维,降低诊断模型复杂度与数据分析难度;最后,选择合适的卷积神经网络进行分类,通过石化机组故障诊断实验平台进行验证。结果表明：多域融合特征相对于单域特征诊断效果更好,卷积神经网络分类模型相对于其他经典分类模型诊断准确率更高,融合诊断分类方法整体诊断准确率达到86%。     

一种基于小波包和PCA的超声缺陷识别方法

在超声检测中，对缺陷进行定性分析是无损检测与评价的关键内容。本研究提出一种对缺陷类型进行分类的检测方法，通过对不同类型的缺陷波信号进行特征量提取，实现对缺陷的类型识别。首先使用空气耦合超声检测系统采集无缺陷信号与3种不同类型的缺陷波信号，提取信号的时域无量纲参数和小波包能量系数组成多维特征向量；然后使用主成分分析法（Principal component analysis，PCA）对多维特征向量进行降维处理得到特征融合量；最后输入BP神经网络系统进行缺陷类型的分类，并与未经过PCA处理的测试结果进行对比分析。实验结果证明，经过PCA处理的测试结果准确率更高，测试时间更短。     

基于独立分量分析的搅拌摩擦焊缝超声无损评价

指出搅拌摩擦焊焊缝的弱连接是目前超声无损检测的难点. 提出了一种新的超声特征成像方法,包括使用独立分量分析方法(independent component analysis,ICA)对时域超声信号进行分解,进而获得检测信号的特征矩阵;根据检测信号能量传递的特点,确定检测目标特征矢量的筛选方法,将检测信号向特征矢量投影,将投影能量和作为特征参数,对搅拌摩擦焊焊缝进行声成像. 应用该方法对不同拉伸强度的搅拌摩擦焊焊缝进行了声成像检测,并与常规C扫描方法进行了对比. 结果表明,该方法的检测结果与拉伸试验具有较好的一致性,对于搅拌摩擦焊焊缝的检测灵敏度高于常规C扫描方法.     

小波变换和模糊模式识别技术在金属超声检测缺陷分类中的应用

基于金属超声检测中的缺陷脉冲回波为非稳态信号的特点,提出了一种缺陷定性特征值的提取是模式识别的关键,因此提出用小波变换提取特征值,多面手用模式识别的方法对小波变换的特征值提取结果进行定性分类,从而确定缺陷类型。采用上述上种不同性质的缺陷进行分析和处理。结果表明,用小流变换提取特征值的方法是有效的,而模糊模式识别算法也得到了较好的分类效果。     

某航空发动机压气机叶片超声检测信号处理--四种典型小波基的应用比较

小波分析技术是处理超声检测号的理想手段。但应用不同的小波函数分析相同的超声信号会产生不同的结果。基于超声检测信号的特点，采用四种不同的小波函数，对某型航空压气机叶片超声检测信号进行分析处理。研究表明，sym4小波是一种较为理想的用于处理航空发动机叶片超声检测号的分析方法，并验证了处理超声检测号的小波基的一般选取原则。     

高温合金小直径棒材超声检测信号的余弦变换分析及识别

将离散余弦变换（DCT）用于直径为φ26mm的变形高温合金棒材超声检测信号的特征分析，提取缺陷回波的离散余弦变换幅度谱作为特征矢量，并对提取的特征利用人工神经网络进行训练和分类，实验和距离可分性测度计算结果表明，与离散傅里叶变换提取的谱类别特征相比，离散余弦变换使缺陷信号的谱类别特征有明显增强。     

PE管对接焊缝超声波检测信号特征量提取与分析

采用超声波对PE管对接焊缝进行检测。通过对所检测缺陷波形进行分析,提取了其中8个对缺陷回波分析具有典型意义的特征量。对特征量进行主成分及回归分析,得出与主要特征量相关的线性表达式。试验结果验证了回归方程的可信度,为超声波智能检测中缺陷的判定提供了可靠的依据。     

基于相控阵超声的进动式锥摆线齿轮裂纹检测方法

为高效准确地完成进动式锥摆线齿轮裂纹定量分析,提出一种基于相控阵超声的齿轮裂纹检测方法。创建相控阵超声检测系统,在该系统内,利用高压脉冲生成、通道选择、回波信号处理等模块采集完整齿轮结构信息;并通过小波变换拆解超声时域信号,运用压缩传感法重构信号;使用经验模态分解法将信号分解成若干本征模函数,通过三次样条插值信号极值点,获取极值点构成的上、下包络线,将初始信号与包络线均值的差拟作单调函数,保留信号高频分量并输出分解后的超声信号,实现齿轮裂纹损伤位置检测。仿真结果证明：所提方法可有效提取超声信号中的时域与频域特征信息,裂纹检测精度高、效率快,鲁棒性强。     

基于DPCA的涡旋压缩机主轴故障信号调制特性研究

为了揭示涡旋压缩机的振动和噪声的机制与调制特性,通过搭建实验平台,模拟主轴磨损故障。利用信号解调方法对振动及噪声信号特性进行讨论,探究此类故障对涡旋压缩机的影响。通过与循环平稳分析方法对比,验证了基于时频分析与主成分分析(DPCA)的信号解调方法处理涡旋压缩机信号的优越性。利用DPCA方法提取涡旋压缩机的信号调制特征,讨论了不同工况下的信号特性及产生机制。结果表明：周期性变化的电磁力与压力增强了主成分中调制频率的幅值, x 和 y 方向的振动对噪声的变化起主导作用。