铁磁材料漏磁信号处理与缺陷重构

漏磁检测是铁磁材料常用的无损检测方法,检测的重点是根据测量的漏磁信号重构缺陷轮廓.提出了分别利用径向基神经网络和广义回归神经网络,建立由缺陷漏磁信号到缺陷深度的非线性映射.训练样本为三维有限元仿真数据,而测试样本为经过平滑滤波、小波消噪预处理,后经过径向基神经网络精确插值的漏磁检测数据.用训练数据对这两种神经网络分别进...     

基于改进HMM的带钢热连轧精轧过程故障检测

针对传统HMM方法故障检测的准确率不高，以及带钢热连轧过程数据的非线性和混合高斯性问题，提出一种利用WT和PCA改进HMM的故障检测新方法。首先，采用小波变换对轧制数据进行去噪处理，并使用PCA将数据的维度降低、数据相关性减小，可以有效减少模型训练的迭代次数，并且能够提升故障检测的准确率；然后，利用期望最大化算法结合观测序列训练得到WT-PCA-HMM故障检测模型；最后，通过模型得出精轧工艺数据的对数似然值即可实现故障检测。结果表明：与传统HMM方法相比，WT-PCA-HMM的故障检测方法不仅能够降低8.1%的误报率，而且减少50%的模型训练迭代次数，为故障的检测提供了新方法。     

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.     

基于变分模态分解与支持向量数据描述结合的液压泵性能退化评估方法

针对液压泵性能退化过程定量评估,提出了变分模态分解(VMD)和支持向量数据描述(SVDD)相结合的综合评估方法。利用VMD方法将信号分解成一系列不同频率成分的BIMF分量,并用SVDD方法对异常点进行剔除;使用SVDD方法对正常状态样本进行训练得到超球体模型,并计算各样本到球心的距离;再将各样本到球心的距离转化为隶属度,作为性能退化指标。通过对轴向柱塞泵滑靴磨损和松靴故障实验数据分析,验证了该性能退化评估方法的有效性。     

基于小波变换的焊接起始点图像去噪方法研究

针对传统去噪方法在焊接起始点图像去噪中峰值信噪比较小的问题，文中通过建立此类图像实际工况条件下的噪声模型，在Python3.2环境下，采用传统空域去噪方法与基于频域去噪的小波变换去噪方法进行图像去噪，试验分别采用不同的小波基与分解层数进行去噪处理，并通过峰值信噪比(PSNR)判定去噪效果。试验数据表明：当小波基函数为sym3,分解层数为5时，图像的峰值信噪比相较传统空域去噪方法提高12.48%。试验结果表明：采用以上小波基与分解层数能够准确、稳定地满足实际工况条件下此类图像的去噪要求。     

基于小波去噪和广义回归神经网络的图像重构算法（英文）

针对传统基于小波变化的图像超分辨率重构问题,提出了一种结合小波去噪和广义回归神经网络的图像重构算法。首先通过整数小波变换将图像的低频和高频部分进行分解。然后利用中值边缘检测作为预测器并在编码之前设置了误差映射。最后对传统广义回归神经网络的原理进行了分析,并设计了相应的广义回归神经网络。此外,利用期望值最大算法对广义回归神经网络模型参数估计进行了优化。通过超分辨率图像重建仿真实验对提出算法的有效性进行了验证。实验结果表明:提出算法具有较好的去噪能力和较高的重构精度。     

基于小波去噪和广义回归神经网络的图像重构算法

针对传统基于小波变化的图像超分辨率重构问题,提出了一种结合小波去噪和广义回归神经网络的图像重构算法。首先通过整数小波变换将图像的低频和高频部分进行分解。然后利用中值边缘检测作为预测器并在编码之前设置了误差映射。最后对传统广义回归神经网络的原理进行了分析,并设计了相应的广义回归神经网络。此外,利用期望值最大算法对广义回归神经网络模型参数估计进行了优化。通过超分辨率图像重建仿真实验对提出算法的有效性进行了验证。实验结果表明：提出算法具有较好的去噪能力和较高的重构精度。     

基于DHNN的非线性profile异常状态监控方法

针对数据关系复杂且样本量较小的非线性轮廓控制问题,提出一种基于离散Hopfield神经网络的轮廓异常状态监控方法。对于收集的小样本数据,首先采用支持向量回归机拟合出样本轮廓;然后将该过程的标准轮廓设置为吸引子,按照一定的编码方法将其存储于Hopfield网络中,再利用该网络的联想功能,判断新的样本轮廓是否发生了变异;最后将该方法与支持向量数据描述算法方法进行对比。研究显示,所提方法平均误识率以及平均运行链长均较小,较适用于复杂生产过程中的异常轮廓监控。     

基于小波变换和NURBS的自由曲面重构的去噪处理

小波分析理论是一种新兴的信号处理理论,在时间和频率上都有很好的局部性。借助时一频局部分析特性,小波分析理论已成为信号去噪处理的一种重要的工具。介绍了小波分析理论在曲面去噪中的应用,在所设计的原始曲面上随机设置噪声,对含噪声的原始曲面型值点数据进行小波分解,提取低频分量,再应用UG软件中的NURBS完成曲面重构,并对曲面重构精度进行了分析。     

钻削过程刀具磨损的小波诊断方法

小波变换的时—频局部化特性能有效地应用于非平稳随机信号的分析，通过小波的分解和重构能明显的提高信号的的信噪比。引入函数奇异性的定义，根据信号和噪声的局部奇异性在小波变换下的模极大值在不同尺度上的传播特性不同的特点，对钻削过程中的切削力信号进行分解、去噪和重构。实验证明这种方法能大大提高信号的信噪比，准确的将故障特征信息进行定位。     

基于改进阈值函数的提升小波变换超声信号去噪研究

在焊接缺陷的超声检测中,噪声和伪信号大大降低了检测结果的可靠性和质量。因此消除噪声、提高超声检测信号的信噪比,已成为超声无损检测与评价技术成功应用的关键。首先介绍了提升小波变换的基本理论,分析了小波阈值法去噪的原理和方法;然后在软、硬阈值函数的基础上,提出了一种基于改进阈值函数的提升小波去噪方法;最后对实际焊接缺陷超声回波信号进行了去噪实验研究,并从信噪比和均方根误差两个方面对去噪性能进行了比较分析。结果表明,该方法在一定程度上改进了软、硬阈值去噪法的缺点,获得了更好的去噪性能和更高的信噪比,并且提升小波变换的去噪速度快、设计灵活、编程简单,因此在实时信号去噪方面具有很好的应用前景。     

基于CEEMDAN- EFICA去噪的风电齿轮箱故障诊断

针对风电齿轮箱实验样本较少,以及振动信号具有非平稳、非线性的特点,提出了基于完备集合经验模态分解(CEEMDAN)-高效快速独立分量分析(EFICA)的去噪方法。首先应用CEEMDAN与峭度-相关系数准则完成信号重构,对重构信号和原信号进行EFICA分离来获得去噪信号;然后提取去噪信号的时域特征、频域特征构建特征向量,使用核主分量分析(KPCA)对向量降维处理实现特征信息融合;最后采用复合神经网络对信号特征集进行分类完成故障诊断。通过实验数据对比,证明了该方法消噪效果更好且复合神经网络的诊断准确率最高,所提方法具有可行性和优越性。     

基于GA-LightGBM的刀具磨损状态在线识别

在刀具磨损状态识别中,传统机器学习模型如支持向量机(SVM)、BP神经网络(BPNN)等训练过程耗时较长,尤其是在数据量较大的情况下,即实时性不能保证。提出将模型训练速度快、精度高的轻量级梯度提升机(Light Gradient Boosting Machine, LightGBM)应用在刀具磨损状态的识别中,提出采用遗传算法(Genetic Algorithm, GA)来优化LightGBM模型得到最优参数。在刀具磨损监测实验过程中利用加速度传感器采集刀具X、Y、Z轴上的振动信号,再利用小波系数阈值去噪法对数据去噪处理,并制备不同类别的不均衡样本数据。之后对各个模型进行训练测试。结果表明,在训练集、测试集精度处在相同的区间下,优化后的GA-LightGBM模型在模型耗时、AUC值方面有着明显优势。     

改进阈值小波去噪方法在机床冲孔声音信号处理中的应用

机床冲孔产生的声音信号包含了许多有用信息,为了滤除声音信号提取过程中的工厂环境产生的噪声,使用改进阈值小波去噪方法对声音信号进行处理。利用信噪比(SNR)和均方误差(MSE)作为去噪效果指标,使用新的阈值选取规则,提出了一种分段连续的阈值函数,对传统小波去噪方法进行改进。该改进函数通过引入常数a,解决了传统阈值函数中软硬阈值函数不连续和恒定偏差问题。采集机床冲孔声音信号并叠加高斯白噪声作为机床冲孔含噪信号进行验证。通过实验确定了最佳小波函数类型和分解层数,将改进阈值小波去噪算法与传统算法进行对比,结果表明:改进后的算法去噪效果良好,且有效保留了较低的信号能量。     

基于改进小波去噪和EEMD的轧辊偏心提取与补偿

为准确提取轧辊偏心信号,进而实现偏心补偿控制,提高冷轧机的厚度控制,提出了将一种改进小波阈值去噪和EEMD相结合的偏心信号提取方法。该方法结合了小波的强去噪性以及EEMD的抗模态混叠的优点,采用一种含参数的可变阈值函数,在阈值选择时通过人工蜂群优化算法自适应确定最优阈值。利用改进的小波阈值法对轧辊偏心扰动信号进行去噪预处理,然后经过EEMD将信号分解,提取表征偏心信号的特征模态函数,将重构的偏心信号补偿到冷轧机系统中。最后,通过仿真实验表明,此方法能有效补偿轧辊偏心,且所得补偿效果明显优于小波算法的补偿效果。     

基于双树复小波和时间序列的转轴剩余寿命预测研究

针对矿冶破碎机在重载工况下其转轴振动信号的非线性、不平稳性以及背景环境复杂性等特点而导致的难以提取纯净的故障特征信号的问题,提出了基于双树复小波和时间序列的转轴剩余寿命预测研究。对采集的含噪信号进行双树复小波变换,求得变换系数,并进一步得到模系数,提取出规律性较强的模系数,并对其进行非线性时间序列处理。适当加入含噪信号以强化噪声的规律性,再将信号源投影到不同面上分离出污染信号源,提取特征信号源的系数,并以复数形式进行双树复小波重构,获取易忽略的故障特征信号,得到较为完整的纯净故障信号。通过BP网络利用所提纯的特征信号对转轴剩余寿命进行预测,与转轴破坏性实验数据进行对比,证明该方法适于破碎机转轴的寿命预测,取得了满意的效果。     

滚动轴承微弱故障信号检测的研究

研究了信号局部奇异性在小波变换下的特性.根据故障信号和噪声的局部奇异性在小波变换下模极大值在不同尺度上的传播特性不同的特点,利用小波分解重构算法,对滚动轴承振动信号进行了分解、去噪、重构和谱分析.实验表明,小波减噪方法非常适于滚动轴承微弱故障信号的检测.     

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。     

基于小波变换与均值滤波的成形力信号处理研究

成形力是渐进成形过程的重要参数,针对渐进成形力的检测过程中成形力信号含有脉冲干扰、白噪声等混合噪声,提出将小波变换与均值滤波相结合的去噪方法。描述了基于小波变换与均值滤波相结合的算法步骤,针对成形力信号对小波阈值去噪参数选取进行了研究,并通过实验对比说明了该方法的可靠性与有效性。     

基于WTD和CEEMD的轴承故障特征提取方法

针对轴承故障信号常混有噪声干扰且故障特征难以准确提取问题,提出一种基于小波阈值去噪(WTD)和互补集合经验模态分解(CEEMD)的轴承故障特征提取方法。采用WTD对原始信号进行降噪预处理;对去噪信号进行CEEMD分解得到一系列本征模态函数(IMF);然后计算各个IMF和去噪信号的互相关系数,通过设定互相关系数阈值筛选有用IMF;最后将有用IMF重构并利用包络谱对重构信号提取故障特征频率。实测信号表明：所提出的方法能降低噪声干扰并有效提取故障特征信息,证明该方法在噪声环境下具有较高的可行性和较强的实用性。