基于虚拟仪器的表面肌电信号特征提取算法的研究

提出一种基于虚拟仪器的表面肌电信号的特征提取算法。该方法利用虚拟仪器丰富的函数功能,针对肌电信号的非平稳性特征,应用积分阈值法首先去除静息电位,保留最有价值的信号部分,然后利用小波包变换的方法对肌电信号进行小波包分解,根据其投影到不同频段上小波包系数能量的不同,利用能量较大的几组系数重构肌电信号。实验结果表明:该方法能有效地去除静息电位及噪声信号,且保留了肌电信号的细节信息,为肌电信号的模式识别创造了良好的条件。该研究依据虚拟仪器平台,为创建表面肌电信号实时控制机械臂系统提供了研究基础,具有潜在的工程应用价值。     

基于超声相控阵对焊缝缺陷的检测研究

为了解决超声相控阵检测过程中人为造成的缺陷误判及达到对缺陷准确分类的结果,首先对风电塔筒Q345E焊接试板内部预制人工缺陷-气孔、夹杂及裂纹;然后用超声相控阵设备对预制的三种缺陷分别进行检测,提取超声相控阵检测A扫数据。结合超声相控阵信号、小波包自适应分析信号的特点和不同小波基对采集信号的处理效果,选取dB10小波为最优小波基,提取缺陷"频率-能量"特征。最后利用小波包分解的第三层各个节点的缺陷特征能量比例作为BP神经网络输入参数,其缺陷分类结果的精度可达到90%。研究结果表明:以上方法对于Q345E焊接缺陷区分度明显,神经网络分类效果较好。     

基于sEMG信号和BPNN算法的机械臂控制系统设计

为了解决市场康复假肢功能单一、使用效果极差和价格昂贵等缺点，提出一种基于表面肌电信号的机械手控制系统。该系统主要分为两部分：一部分是基于Cortex-M4系列的肌电信号采集、预处理、BP神经网络分类的信号处理系统；另一部分是基于Cortex-M3系列的机械手臂控制系统。信号处理系统发出控制命令无线传输到机械臂，控制6舵机自由度的机械臂，实现6个动作的展示。试验结果证明：该系统能够实现6个动作的自学习，成功率在80%以上，系统有一定的应用价值。     

基于小波包能量分布特征的齿轮故障诊断方法研究

齿轮的裂纹故障不仅影响机械系统的整体性能,还会导致机器损坏,因此,研究了齿轮裂纹长度的故障诊断方法。以多传感振动信号为研究对象,将小波包各个频段的能量比系数作为齿轮裂纹的故障特征,并通过改进的神经网络模型进行特征分类,实现齿轮裂纹长度的故障诊断。研究结果表明:所提出的故障诊断方法识别率高(97.5%),通用性好,能有效辨识不同工况下的齿轮故障。     

基于小波包与概率神经网络的液压泵故障模式识别

小波包具有良好的去噪效果和高频分析能力,而概率神经网络具有很好的分类效果。采用小波包分解重构液压泵故障特征信号,并提取第三层各频率段的节点能量作为特征向量,将特征向量概率神经网络模型的输入向量对液压泵故障模式进行识别。通过采用LabVIEW和MATLAB混合编写的识别软件系统对液压泵故障识别,证明了将该方法用在液压泵故障模式识别上,能取得良好的效果。     

小波分析和神经网络研究纯锌大气腐蚀

将小波分析和神经网络技术用于纯锌大气腐蚀研究,用图像扫描方法获取纯锌大气腐蚀形貌图像.运用小波变换对图像进行分解并提取子图像的能量值作为特征信息.用典型相关技术分析了特征值和腐蚀深度之间的典型相关性,将提取的图像特征值与相关系数的乘积作为神经网络的输入,建立了加权能量值和腐蚀失重数据间的神经网络模型,运用该模型可以对纯锌大气腐蚀失重做出预测并具有较高精度.     

基于小波包能量和层次熵的D-S证据理论的轴承故障诊断技术

针对齿轮箱轴承故障识别率低、故障信号不平稳的问题,提出层次熵与小波包能量多源数据融合轴承故障诊断方法。采用小波包对轴承正常、内圈、外圈、滚动体故障等4种振动信号进行三层小波包分解并重构,计算各频段样本熵（即层次熵）和小波包能量作为故障特征向量集;应用归一化方法对2种特征向量处理后分别建立BP神经网络模型实现轴承不同故障模式的诊断;最后应用D-S证据理论,通过小波包能量和层次熵以及两者融合信息的故障诊断结果比较,表明基于神经网络和D-S证据理论相结合方法用于复杂机械的故障诊断是可行和有效的。     

钛合金车削加工过程中刀具磨损状态监测的小波包子带能量变换特征提取新方法

在小波包分析的基础上,提出对小波包子带能量特征抽取的新算法.考虑到小波包能量子带的动态特性和统计特性可以作为刀具磨损状态识别特征提取的来源,提出将小波包子带能量相对比率、小渡包子带能量相对比率的变化值、小波包子带能量相对比率的变化值的统计偏差(能量距)作为三个新特征值.建立刀具磨损状态监测实验平台,采集刀具三维力反馈、振动信号作为监测信号.按常规特征抽取方法和本研究中提出的方法抽取特征值,形成网络训练、识别特征值空间.用梯度下降法训练建立BP人工神经网络,对27具四种磨损状态进行识别,验证小波包子带能量变换提取到的特征的有效性.     

竞争型小波神经网络在零件分类中的应用

文章将小波分析与竞争型神经网络相结合,构造了适应于零件分类的竞争型小波神经网络(CWN)。首先对零件先进行小波多尺度边缘检测,然后采用不变矩方法提取零件的特征,最后送入CWN加以分类。分类结果表明,CWN对相似零件能够有效分类,并且有一定的鲁棒性。     

一种新的声发射刀具磨损小波分析方法

提出了一种新的声发射刀具磨损小波判析方法，该方法通过多层小波分解对信号主能量所处频段进行局部特性刻画，利用小波分解系数特征统计值在统计量与刀具状态间建立物理联系。实例表明，该方法能有效地判断刀具状态，比常用的利用神经网络进行状态分析的方法更具有理论直观性与操作的时效性。     

基于小波包变换预处理的铝电解槽针振信息元分析与诊断

简述了小波包变换的基本原理及利用小波包对电压信号进行分解的方法。针对铝电解槽电压波动信号的频谱特点。采用小波包分析方法提取了电压信号的特征向量。将信号分解到8个频段内。进行预处理得到频段能量特征向量。应用BP神经网络建立了特征向量到振针信息元之间的映射。仿真结果表明，小波包分析能够有效地将隐藏在正常电压信号之中的早期弱故障信号提取出来，从而发现槽子的早期不良症状。     

基于小波神经网络的液压泵故障类型识别

根据液压泵发生故障所表现出来的特征,采用小波包能量值提取的办法作为故障类型识别的特征量,采用BP神经网络对输入的特征量进行识别。实验结果表明:采用小波神经网络对液压泵故障类型的识别可以取得满意的效果。     

基于遗传小波神经网络MIG焊熔透状态模式识别

通过对已有的人工神经网络、小波分析、遗传算法的建模方法进行组合利用并加以改进,建立了基于电弧声信号特征的MIG焊熔透状态诊断网络模型.声波信号经小波去噪和小波包频带能量特征提取后,作为小波神经网络模型的输入特征向量,网络训练中采用具有全局优化能力的遗传算法动态修改网络结构和参数,避免了神经网络训练速度慢、容易陷入局部极值的缺点,从而完成数据挖掘和复杂的非线性建模功能.结果表明,将网络模型用于熔透状态诊断,证实了方案的可行性和有效性.     

基于BP神经网络和D-S证据理论的刀具磨损监测方法

将BP神经网络和D-S证据理论相结合的方法运用于刀具磨损监测中,采用小波包分解法对刀具磨损过程中产生的声发射信号进行特征提取,构建特征向量,利用BP神经网络识别判断刀具磨损状态;通过BP神经网络的输出结果和训练误差计算D-S证据理论的基本概率赋值,并用D-S证据理论对BP神经网络的识别结果进行决策级融合。实验结果表明:该方法避免了神经网络识别时的误诊,提高了整个刀具磨损监测系统识别的准确性和可靠性。     

基于小波包分析的合成金刚石缺陷超声识别

应用超声波探伤仪系统对合成大颗粒金刚石缺陷进行检测,针对缺陷信号特点提出利用小波包分析提取缺陷特征值,应用小波神经网络进行模式识别的方法,实现了从检测到的超声信号中提取出反映缺陷性质的相关信息,并通过这些信息对其进行分析,建立了网络模型以实现缺陷定性识别。实验结果表明,小波包分析能够挖掘利用缺陷回波信号时域和频域的信息,通过多层次划分频带,使在多分辨分析过程中未进行划分的高频区间再次分解,还可依据小被分析信号特征自适应挑选相对应的频带,达到和信号频谱相互配合,进而达到使时-频分辨率显著提高的效果,可见小波神经网络的良好局部放大特性和多分辨率学习特性,可使合成金刚石缺陷的定性分类获得较高的准确率。     

基于小波包神经网络的轴承故障识别模型

针对传统故障特征提取过程复杂、诊断方案单一且准确性差等问题,提出了基于多阈值小波包和深度置信网络(DBN)的轴承故障识别方案。本文作者采用最优小波基函数和软硬阈值结合方法对原始振动信号进行三层分解降噪处理,得到8个从低频到高频段的信号成分,对其进行组合重构作为神经网络的输入样本;通过DBN在数据处理上的特征重构优势,建立了DBNBP神经网络的轴承故障识别模型,确定模型的各类参数。经多次实验,探究不同样本输入对模型识别率的影响,并与传统的浅层神经网络识别模型做对比分析,结果表明:经训练的DBNBP轴承故障识别模型可从原始数据、小波包分解信号实现轴承故障信号的准确特征学习和分类,结合识别率和诊断时间考虑,经小波包分解信号输入具有更优的诊断效率。