基于压缩感知的旋转声源多普勒效应消除方法EI北大核心CSCD

消除旋转声源的多普勒效应是监测旋转机械工作状态和定位旋转声源的前提。当前用于消除旋转声源多普勒效应的方法分为频域和时域两种,但是这两种方法都需要在周向均匀布置大量传声器,这不仅增加了测量成本,而且增加了测量工作量。针对上述问题提出了一种基于压缩感知的多普勒效应消除方法,该方法通过在周向随机布置少量传声器完成周向模态幅值的重构,并根据静止柱坐标系与随声源同步旋转的旋转柱坐标系之间的相对运动关系完成多普勒效应的消除。数值仿真和试验研究都表明采用较少传声器随机布置的方法同基于采样定理均匀布置传声器的方法在消除多普勒效应的效果上基本一致,且所提方法可有效降低测量成本和测量工作量。     

基于压缩感知的贮运信息动态获取方法EI北大核心CSCD

文物、石油等高价值物质的贮运安全问题越来越突出,然而由于贮运过程复杂、监测时间长、不同阶段监测策略复杂,导致目前没有可行的贮运全程监测方法。针对这一问题,提出一种基于压缩感知的贮运全程动态获取方法。该方法充分利用贮运信号稀疏性,提出随机节点布设和随机时间采样方法,解决了贮运监测过程大数据、低功耗的难题。依据该方法研制了集贮运环境监测与物流管理于一体的"智能条形码","智能条形码"的功耗水平降至500μA以下,体积小于60×80×10 mm3。试验表明,基于压缩感知的贮运信息动态获取方法在不降低监测分辨率的情况下显著减少了布设数量,降低系统功耗,并且数据重构误差在9.2%以内。     

基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法

压缩感知可有效降低机械状态监测信号的数据存储和传输压力,而现有压缩感知方法在故障诊断的应用中存在压缩效率低下、信号重构过程缓慢等问题。本文利用自编码网络与压缩感知的对应关系,提出了一种基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法。针对无噪声的故障信号样本难以获取的问题,提出一种利用故障机理构建数据集的方法,利用该仿真数据集训练得到的模型适用于不同工况下的实测轴承信号。构造网络层数由所需要的信号压缩率确定、隐含层与原信号的频率呈对应关系的深度卷积去噪自编码网络。截取训练完备的编码子网络（即深度卷积测量网络）代替传统的观测矩阵对滚动轴承振动信号进行压缩测量,实现压缩域的故障特征提取。仿真分析验证了所提数据集构造方法及压缩域特征提取方法的有效性。滚动轴承实验信号分析进一步验证了采用所提方法训练得到的深度卷积测量网络具有很好的泛化性,且能够在压缩率远低于传统压缩感知方法的情况下有效地提取轴承故障特征成分并进行故障诊断。     

天然气管道泄漏声学检测及定位方法

天然气管道泄漏监测进入大数据时代,深度学习能够利用深度神经网络实现特征的自动提取和数据分类,在图像、自然语言处理等领域获得广泛应用.针对传统方法存在采集数据冗余、特征提取和识别受主观因素影响以及计算效率方面存在不足等问题,结合深度学习理论,提出一种改进的深度稀疏滤波模型来实现天然气管道泄漏智能检测识别.首先根据管道泄漏...     

基于卷积自编码器和时间卷积网络的轴承性能退化趋势预测EI北大核心CSCD

针对现有的退化预测研究在构建健康指标时面临信息损失,在建立预测模型时并行计算性能差、感受野不大等不足,结合监测对象性能退化的时序特性,提出基于卷积自编码器(convolutional auto-encoder,CAE)和时间卷积网络(temporal convolutional network,TCN)的性能退化趋势预测方法。构建振动信号多域高维特征集,并采用综合评价指标初步筛选敏感性好、趋势性强的性能退化指标;采用核主成分分析(kernel principal component analysis,KPCA)方法消除多域特征之间的冗余信息,并实现基于CAE网络的健康指标构建;在此基础上,构建基于TCN的性能退化预测模型,采用直接多步预测实现退化趋势预测,并利用轴承公用数据集验证方法的有效性。结果表明:采用KPCA可以将特征集从14维降至4维,且保留了原优选特征集97.63%的信息;基于CAE网络构建健康指标的方法是有效的,所构建的健康指标随时间的变化历程能真实反映轴承性能的退化过程,且该方法相较于自编码网络(auto-encoding,AE)和高斯混合模型(Gaussian mixure model,GMM)两种常用的健康指标构建方法具有明显优势;基于TCN算法构建的模型能准确预测轴承的性能退化,该模型相较于基于长短时记忆(long short-term memory,LSTM)网络和基于门控循环单元(gated recurrent unit,GRU)等构建的预测模型性能更好,预测精度更高,预测步长为3时的均方根误差和平均绝对误差分别为0.0257和0.0187;该方法具有普遍意义,可推广应用于其它机械装备/零部件的性能退化趋势预测。     

基于注意力改进卷积网络的隧道风机预埋基础损伤识别EI北大核心CSCD

针对隧道风机预埋基础损伤信息微弱、特征难以提取等问题,提出一种基于度量-频段注意力卷积神经网络的隧道风机预埋基础损伤识别方法。首先,通过预埋基础冲激试验的激励信号和响应信号,计算预埋基础的频率响应函数并作为损伤识别模型的输入;然后,使用多层卷积将输入的频率响应函数映射到特征空间提取损伤特征信息;再次,采用频段注意力机制对不同频段上的特征进行自适应加权融合,并采用度量损失进一步增强提取特征的可辨识性;最后,将提取的特征输入全连接层以实现预埋基础损伤识别。实测数据验证结果表明,所提方法对比现有的神经网络模型具有更高识别率,能够对隧道风机预埋基础健康状态进行有效地评估。     

气液混输管道段塞流泄漏声波产生机理研究EI北大核心CSCD

气液混输管道的泄漏检测问题是油气混输管道安全运行的重要保障,段塞流是常见流型,同时也是研究难度最大的流型。为研究气液混输管道段塞流型下泄漏声波信号产生的机理,基于Fluent动网格以及UDF模拟泄漏发生的全过程,从气动声学与涡声理论出发分析泄漏全过程的流场、涡量以及声压变化,并与试验采集的声波信号与模拟信号进行类比,得到泄漏过程声波产生的机理。研究结果表明,气液混输管道段塞流泄漏后声波幅值增大,泄漏声源以偶极子声源为主;管道持续泄漏时,声源声压幅值随气塞与液塞交替到达泄漏口而呈周期性脉动;气液混输管道泄漏声压与总压波动趋势一致,可通过测量流体压力波动的方式获得泄漏声源产生的声波波动。泄漏孔径、气液流量是段塞流型下气液混输管道声波波动的主要影响因素。动网格仿真模拟与试验结合的方法可用于研究气液混输管道段塞流泄漏声波产生的机理。     

基于卷积神经网络和Transformer网络的鸟声识别

针对传统鸟声识别算法中特征提取方式单一、分类识别准确率低等问题,提出一种结合卷积神经网络和Transformer网络的鸟声识别方法。该方法综合考虑网络局部特征学习和全局上下文依赖性构造,从原始鸟声音频信号中提取短时傅里叶变换(Short Time Fourier Transform,STFT)语谱图特征,将其输入到卷积神经网络(ConvolutionalNeural Network,CNN)中提取局部频谱特征信息,同时提取鸟声信号的对数梅尔特征及一阶差分、二阶差分特征用于合成梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)混合特征向量,将其输入到Transformer网络中获取全局序列特征信息,最后融合所提取的特征可得到更丰富的鸟声特征参数,通过Softmax分类器得到鸟声识别结果。在Birdsdata和xeno-canto鸟声数据集上进行实验,平均识别准确率分别达到了97.81%和89.47%。实验结果表明该方法相较于其他现有的鸟声识别模型具有更高的识别准确率。     

基于不动点迭代的增广拉格朗日声源识别算法EI北大核心CSCD

等效源法近场声全息是进行声源识别的重要方法。传统的基于Tikhonov正则化方法局限于相对低的频率,进行高频声源的声场重建时效果较差,而基于最速下降法的宽带声全息(wideband acoustic holography,WBH)方法则在中高频效果较好。为了拓宽声场重建的频率范围并提高声源识别分辨率,提出一种基于增广拉格朗日方法(augmented Lagrangian method,ALM)的等效源法声源识别算法,该方法将L1范数正则化模型转化为增广拉格朗日方程的最小化问题,并应用不动点迭代求解得到声源强度。通过仿真与试验表明,与Tikhonov正则化、WBH和快速迭代收缩阈值算法(fast iterative shrinking threshold algorithm,FISTA)三种方法对比,所提方法适用于更宽的频率范围,且对不同的全息距离和信噪比具有很好的适应性。     

基于子域自适应对抗网络的轴承故障诊断EI北大核心CSCD

现有基于深度学习网络模型的故障诊断方法往往依赖大量有标签数据进行训练,在变工况条件下,模型的诊断精度会有所下降。针对此,为提高变工况条件下的故障诊断准确率,基于域自适应理论提出一种新颖的网络模型——子域自适应对抗网络。该网络模型不仅充分利用了动态卷积的特征提取能力,同时还借鉴了生成对抗网络的博弈思想,使特征生成器和分类器对抗学习,利用每个类别的决策边界对样本进行正确分类;此外,在对抗网络中引入局部最大平均差异,考虑每个类别的细粒度信息,以此来对齐源域和目标域相应的类空间,减小网络模型在决策边界附近的分类误差,从而提高模型对故障类别的识别精度。最终,通过两个数据集对所提出的方法进行试验验证,结果表明模型在变工况条件下具有较强的泛化性能与良好的故障识别精度。     

管道泄漏声振动信号的特征分析

管道泄漏声振动是泄漏过程中多种事件共同作用产生的,所以使用多种特征才可能比较准确地描述管道泄漏声信号。合理的选取和使用这些特征对于泄漏信号识别至关重要。通过分析泄漏过程,确定选取信号的随机性和频率分布特性作为泄漏特征。由于随机性和频域特性可由多种参数描述,于是比较了各种参数作为泄漏特征值的辨识效果。使用支持向量机作为分类器,对比了使用单种特征以及组合使用多种相同或不同类特征时,实际供水管道声振动及管道泄漏的识别效果。使用两种特征的识别准确率普遍高于使用单种特征的情况,然而使用更多的特征却并没有进一步提高准确率。其中样本熵和功率谱分布特征的组合准确率最高,达到了93%,而且使用此特征组合能够正确区别管道周围常见噪声。     

基于输气管道泄漏声发射信号特征的小波基构造研究EI北大核心CSCD

小波分析是目前管道泄漏检测中应用极为广泛的降噪方法,但使用的均为通用小波基函数,不能有效匹配具体的管道泄漏声发射信号,从而降低了降噪效果。针对该问题,通过数学解析模型计算得到管道泄漏声发射仿真信号,再以此信号为基础,构造出了适合管道泄漏特征的小波基函数。利用构造的小波基对试验泄漏信号进行降噪并做互相关计算,结果表明,当小波消失矩为3或4、滤波器支撑长度为8时的泄漏定位误差最小,仅为3.62%。将此构造小波基与通用小波基系列分别对试验泄漏信号进行降噪并做互相关计算,结果表明,采用构造小波基时的泄漏定位误差是最小的。这说明该小波基符合管道泄漏声发射信号的基本特征,从而可以更有效地抑制噪声,降低管道泄漏定位的误差。     

基于卷积双向长短期记忆网络与混沌理论的滚动轴承故障诊断EI北大核心CSCD

针对传统滚动轴承故障诊断方法在大噪声与变载荷环境下诊断困难的问题。基于混沌理论,通过卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)提出CCNN(Chaotic CNN)-BiLSTM智能故障诊断方法。采用相空间重构法将一维时间序列转化为二维混沌序列,学习并提取混沌序列中有效非线性信息,并输入Softmax层中完成分类。结果表明,较之现有方法,所提CCNN-BiLSTM方法在变载荷和大噪声(信噪比为-8 dB)环境下的准确率分别至少高出3.76%与5.21%,表明该方法具有良好的鲁棒性和泛化性能。     

结合注意力机制和因果卷积网络的维吾尔语方言识别

针对传统x-vector模型生成方言语音段级表示时,未考虑不同帧级特征对方言辨识作用不一致的问题,以及维吾尔语的黏着性特点,提出结合注意力机制和因果卷积网络的维吾尔语方言识别方法。首先使用多层因果卷网络实现方言语音序列建模,然后采用空洞卷积核增大感受野扩展采样范围,最后使用注意力池化获取方言语音段级特征。维吾尔语方言识别实验结果表明,所提方法较标准x-vector模型方言识别的识别准确率提升了23.19个百分点。     

基于LSGAN-SqueezeNet的轴承故障诊断研究EI北大核心CSCD

在滚动轴承的故障诊断过程中,需要大量的故障样本对模型进行训练,但由于工程实际环境较为复杂,难以采集到足量的轴承故障样本。提出基于最小二乘生成对抗网络(least squares generative adversarial networks,LSGAN)结合SqueezeNet在样本数据量不足条件下滚动轴承故障诊断的方法。该方法首先利用滚动轴承的原始样本训练LSGAN,生成不同状态下的轴承信号样本,采用SqueezeNet对真实样本与生成样本进行模型训练,实现样本数据量不足条件下的轴承故障诊断。通过凯斯西储大学及德国帕德博恩大学的滚动轴承试验数据对所提轴承故障诊断方法进行验证。试验结果表明,真实样本结合生成样本训练模型,对故障的诊断准确率均达到99.7%,该方法具有较高的诊断精度。实现了样本数据量不足条件下故障诊断的可行性及验证其泛化性,且有效提高了故障诊断的准确率、降低了训练成本。     

滚动轴承压缩故障信号的特征代理与凸优化重构算法EI北大核心CSCD

压缩采样可以有效缓解机械状态监测数据存储和传输的压力,但是压缩数据的感知重构一直是个难点。针对滚动轴承压缩信号的故障特征提取问题,提出一种基于特征代理与凸优化算法的故障信号重构方法。分析了滚动轴承局部故障信号的稀疏和卷积特性,学习得到故障冲击模式。对压缩得到的轴承观测信号,构造包含冲击时刻特征的代理,并对代理建立目标优化函数,采用快速迭代收缩阈值算法(Fast Iterative Shrinkage Threshold Algo⁃rithm,FISTA)直接从代理提取出稀疏系数,将学习模式与稀疏系数卷积重构出故障信号。与直接利用FISTA从压缩信号中提取冲击特征相比,所提方法在不降低求解精度的同时降低了计算复杂度。相比于常用的贪婪类重构算法,所提方法无需预先估计信号的稀疏度,且能得到全局最优解。通过滚动轴承仿真和实验信号进一步验证了所提方法的有效性。     

基于压缩聚焦网格点的快速反卷积算法EI北大核心CSCD

为提升反卷积算法的计算效率,提出一种压缩聚焦网格点的快速反卷积算法。该算法基于函数波束形成的输出,根据设定的声源识别阈值,压缩参与反卷积算法循环的聚焦网格点数。算法融合了函数波束形成与相干声源图清晰算法CLEAN-SC(CLEAN based on spatial source coherence)的优点,可进一步提高多声源定位的空间分辨率,并有效降低算法计算时间。仿真和试验表明:所提算法对低于瑞利极限的不相干多声源具有良好的识别效果;试验中,与CLEAN-SC相比,所提算法的计算效率提升了约3.90倍。     

基于续尺度卷积网络的10 MW漂浮式风力机筋腱损伤识别EI北大核心CSCD

为提升复杂环境中漂浮式风力机平台筋腱结构隐性损伤识别率,基于卷积神经网络(convolutional neural network,CNN),提出连续多尺度卷积神经网络(continues-multi-scale convolutional neural network,CMS-CNN),建立“端到端”的损伤识别模型。为验证CMS-CNN方法的有效性,以10 MW漂浮式风力机为研究对象,对损伤位置、程度进行故障诊断,结果表明:连续多尺度模型比传统多尺度的诊断结果更佳;横荡加速度受环境载荷影响较小,基于此响应信号所训练的CMS-CNN诊断模型更可靠;CMS-CNN模型可在筋腱结构微弱损伤时实现精准定位,亦能完成结构隐性损伤程度识别。     

基于CNN的水管道小泄漏声信号识别

针对供水管道小泄漏声信号识别困难的问题,提出一种基于卷积神经网络(Convolutional neural network,CNN)的管道泄漏声学信号识别方法.该方法首先通过多窗谱谱减法去除信号中的噪声;之后,使用短时傅里叶变换计算去噪后声信号的时频图,将声信号识别问题转化为图像识别问题;并将时频图输入自主搭建的CNN...     

基于路面识别的电磁混合式悬架自适应模糊控制EI北大核心CSCD

为改善不同路面等级上主动悬架动态性能与馈能特性适应性差的问题,设计了一种基于路面等级识别的电磁混合式悬架自适应模糊控制。采用天牛须搜索(beetle antennae search, BAS)算法优化了神经网络权值阈值,建立了BAS-BP(beetle antennae search-back propagation)路面识别模型;设计了自适应模糊PID(proportional integral derivative)控制器,针对不同路面等级设计了三种目标函数并引入了主动力反馈调整论域;仿真分析了悬架动态性能与馈能特性,并进行了台架试验。仿真结果表明,相比于模糊PID控制,自适应模糊控制的悬架系统在A级、B级路面簧载质量加速度均方根值分别降低了13.28%、13.84%,在B级、C级、D级路面轮胎动载荷均方根值分别降低了9.09%、16.07%、15.54%,并实现了42.8 W的振动能量回收。试验结果表明,与仿真分析相比,各路面等级上时域、频域的相对误差均在16%以内,验证了仿真结果的正确性和系统的实用性。