基于神经网络证据理论的天然气管道泄漏检测

利用小波消噪原理,并通过构建RBF神经网络模型,将消噪后的信号作为RBF神经网络的输入参数,并判断该信号是否为泄漏信号。将D-S证据理论数据融合应用到天然气管道泄漏检测中,建立D-S证据理论数据融合模型。将输入的泄漏信号进行决策级综合判断,得出天然气管道泄漏的具体地点。利用C#语言开发天然气管道泄漏检测软件系统,该系统能够快速准确地识别泄漏并定位。     

基于小波包-神经网络的泵机组故障诊断

泵机组是部队油库的主要工作设备,长期工作容易发生机械故障,对其进行故障诊断非常必要。本文通过采集泵机组工作时的振动信号,对采集到的信号进行小波包分解提取特征向量,利用三层BP神经网络对特征向量分类训练和模式识别的方法,提高了泵机组故障诊断的速度和精度。实验的结果表明,小波包分解与BP神经网络相结合的方法,故障识别精度高、速度快,可以满足油泵故障诊断的要求。     

基于VMD-BP神经网络模型的天然气管道工况检测研究

通过对小波变换、可变模态分解(VMD)、经验模态分解(EMD)及BP神经网络等多种算法在天然气管道中应用的学习研究,提出一种基于VMD-BP神经网络的天然气管道工况判断模型。首先对管道信号进行可变模态分解,再将分解后的特征信号通过BP神经网络算法进行网络训练测试,进而对管道工况做出判断。     

基于EEMD和模糊BP神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出一种基于总体经验模态分解(EEMD)和模糊BP神经网络的故障诊断方法。首先对滚动轴承的振动信号采用总体经验模态分解方法进行分解,得到若干个本征模态函数分量(IMF);然后提取各分量的均方差、峭度和能量,把这些特征参数作为学习集和训练集,将学习集输入到模糊BP神经网络中进行学习;最后把训练集输入到特征参数经过学习训练后的模糊BP神经网络中进行故障类型识别,并与BP神经网络进行比较。实验结果表明:所提方法能有效地应用于滚动轴承故障诊断,而且比BP神经网络具有更高的精确度。     

管道泄漏诊断方法研究

提出一种基于小波分析和神经网络技术的管道泄漏诊断方法。首先对管道泄漏的声发射信号进行小波包分解,然后提取各节点能量百分比作为特征向量输入BP神经网络,以故障类别作为输出参数训练该网络。训练后的神经网络可以利用测量的声发射信号来判断管道的故障状况。通过试验证明该方法在管道泄漏诊断中是有效可行的,不仅能判断管道是否发生泄漏还能识别泄漏种类。     

基于神经网络的轮胎胎号字符识别

介绍了采用BP神经网络来进行轮胎胎号字符识别的一种尝试性方法。用Matlab来模拟用神经网络进行胎号数字识别这一过程，用投影—变换系数法进行特征提取，确定特征输入、隐含层的神经元和输出后，经训练后可识别胎号，识别率尚可。     

基于小波阈值去噪的管道泄漏检测研究

针对所采集油气管道泄漏信息存在很多干扰,使得信号处理难度增大进而影响管道泄漏检测定位的问题,利用小波变换对采集到的含噪声信号的管道泄漏信号去噪。针对常用的小波阈值去噪特点提出新的阈值函数,新函数是软、硬阈值函数的结合,具备二者的优点,同时克服了二者的缺点。通过对比尺度阈值和传统阈值处理泄漏信号信噪比与小波分解尺度寻优的过程,确定最优去噪方式。试验结果表明:用该方法对管道泄漏信号去噪后,位置定位更加准确。     

基于RBF网络的油气管道侵入事件识别方法研究

研究一种用于油气管道安全分布式光纤预警系统的侵入事件识别方法.该预警系统基于Mach-Zehnder光纤干涉仪原理,沿管道同沟敷设光缆,利用其中的三条单膜光纤构成分布式微振动测试传感器.系统实时地检测管道沿途振动信号,采用基于小波包分析的"能量-状态"法获取振动信号特征,并通过RBF神经网络进行判断是否有侵入事件发生,随后对事发点进行定位.现场实验数据验证了该识别方法的有效性.     

基于LabVIEW的齿轮故障智能诊断系统

利用Lab VIEW平台开发了齿轮故障诊断系统,系统主要采用共振解调诊断和BP神经网络诊断两种方法。共振解调诊断由Hilbert解调和小波包解调实现故障频率识别;神经网络诊断由对有量纲、无量纲参量提取的特征和根据小波包相对能量提取的特征作为神经网络的输入向量,以齿轮的故障类型作为输出向量,采用BP神经网络对齿轮进行诊断。实验结果表明:通过引入时频分析方法,故障频率检测精度高,故障类型识别准确率较高。     

基于BP神经网络的磁记忆检测管道缺陷研究

基于BP神经网络的磁记忆检测技术设计了3个单输出方式的三层BP神经网络,对无缺陷、应力集中和裂纹管道缺陷进行了检测识别。实验结果表明:管道缺陷识别率达97.5%,提高了管道缺陷的识别率。     

模式识别在复合材料声发射信号分析中的应用

模式识别在复合材料声发射信号分析中的应用已初见成效。本文从信号的除噪与信号源的识别两方面综述了这一领域的研究,重点论述了特征的选取和模式识别方法的选择,并提出了目前研究中尚存在的一些问题及其展望。     

一种基于卡尔曼的锂电池电压采样滤波方法

通过分析卡尔曼滤波基本原理,研究高斯白噪声对电压估计值的影响,从而实现对锂电池单体电压信号的有效检测,并采用Matlab结合卡尔曼滤波算法对锂电池组单体电压采样值进行滤波处理,结果表明:去噪后的锂电池组采样电压误差范围由原来的±0.17%减小至±0.06%,滤波去噪效果显著。     

基于小波包-支持向量机的滚动轴承故障诊断

以轴承在正常、内圈和滚子裂缝、内圈和滚子剥落三种工况下的振动信号为研究对象,采用小波包频带能量特征提取的方法,构成振动信号的特征向量。在此基础上采用支持向量机对特征向量进行故障模式识别,试验结果表明,和神经网络相比,采用支持向量机进行故障诊断可以获得更高的诊断精度。     

基于互信息截取的光纤周界振动信号识别

针对光纤周界系统采集的入侵振动信号存在的强非线性和非平稳性问题,以互信息法求取的延迟时间点数作为信号最大截取长度,采用复小波包变换提取光纤信号的能量分布特征,采用支持向量机作为分类器对入侵振动信号类型进行识别。实验结果表明:该方法可有效识别入侵信号,提高系统检测率,减小系统计算量。     

管道电磁探伤技术研究及展望

介绍了电磁探伤中的漏磁检测系统及其检测原理和基本结构,定性分析了管道缺陷外形尺寸与形状对漏磁场的影响规律,为漏磁检测缺陷信号研究和实际检测工作提供参考。提出了应用有限元技术、小波消噪、神经网络及多传感器数据融合技术等对管道漏磁检测信号进行处理的方法,指出了漏磁检测需要进一步研究的内容。     

基于小波变换的语音增强算法研究

信号在实际的传输过程中会受到许多噪声的干扰，直接对信号的质量产生影响。语音增强技术的目的就是对含有噪声的信号进行去噪处理操作，是一种改善信号有效性和去除噪声的方法。本文是基于小波变换的阈值去噪方法，在小波变换的小波去噪处理中，研究一种新的阈值选取算法，达到较好的降噪效果，从而实现语音增强。在软件Matlab程序中加入事先录好的其他语音信号，对信号进行加入高斯噪声的处理，然后在算法代入语音信号处理程序中进行去噪，观察最后重构出的信号波形图，并与语音信号时域波形、软阈值降噪、硬阈值降噪后的波形进行对比，确认是否改善了信号去噪效果。     

基于小波神经网络的滚动轴承故障诊断

根据滚动轴承振动信号的频域变化特征 ,采用小波包分析对其建立频域能量特征向量 ,利用径向基函数神经网络完成滚动轴承故障模式的识别。理论和试验证明了该方法的有效性。     

基于长短时记忆循环网络的塑料编织机故障诊断研究

长短时记忆(LSTM)循环神经网络的塑料编织机故障诊断法通过提取振动信号的能量矩,突出信号在时间轴上的分布特征,降低输入模型的向量维度。从多个特征向量构成的样本集中选择80%作为训练样本,训练LSTM循环神经网络模型,并利用剩余样本验证模型的检测精度;以准确率、查准率和查全率作为评价指标,利用多组不同的振动数据样本,对BP神经网络模型、卷积神经网络(CNN)模型和LSTM循环神经网络模型进行比较分析。结果表明:LSTM循环神经网络模型在不同样本中能够同时达到较高的准确率、查准率和查全率,其平均值分别可达95.69%、86.96%、96.89%,证明LSTM循环神经网络能充分学习具有时序特性的故障信息,对塑料编织机的故障诊断具有可行性和有效性。     

基于支持向量机的管道腐蚀超声波内检测

超声波检测是输油管道在线内检测的重要方法之一,由于管道内部检测环境复杂,使超声检测回波信号识别困难,其分类是一个高维分类问题。利用支持向量机在解决小样本、非线性、高维模式识别中特有的优势,直接采用表征超声回波形态的A扫描数据作为特征向量,将特征提取与模式分类统一进行,建立了管道腐蚀超声检测回波信号分类决策函数,实现了管道腐蚀缺陷识别。实验结果表明,该方法可以正确地分类识别管道腐蚀产生的突变界面,基于支持向量机的管道腐蚀超声内检测信号分类识别方法是可行、有效的。     

基于小波包分析和BP神经网络的滚动轴承非接触声发射诊断方法

采用声发射技术对滚动轴承进行非接触诊断,以小波包分析方法提取故障信号的能量特征向量,作为BP神经网络的输入向量进行模式识别,区别完好轴承和各类故障轴承。