基于小波变换与BP神经网络的声发射信号识别

针对现有声发射信号识别参数分析法的不足,提出利用小波变换特征提取与BP神经网络结合的声发射信号识别方法。利用db2小波对声发射信号进行6层分解,将细节特征空间的能量作为声发射信号特征向量;结合声发射信号特点设计和训练BP神经网络,通过实验确定隐层神经元数;用BP和RBF神经网络分别对腐蚀、裂纹和冷凝声发射信号进行分类测试。实验结果表明,提取的声发射信号特征具有较好的区分性能,BP网络在识别声发射信号方面优于RBF网络,这对储油罐安全状况的定量分析具有一定意义。     

转子叶片裂纹故障特征提取研究

小波包分解能对信号高、低频部分局部进行细化并具有保留原信号时域特征的优点，是一种对非平稳信号进行有效识别的技术．文中从采集到的有叶片裂纹时的振动信号，用德比契斯小波对包含叶片裂纹故障的振动信号作4尺度小波包分解，通过选取适当的频段用小波包重构算法进行信号重构，提取叶片裂纹故障的特征，从而实现转子叶片裂纹故障诊断．     

海洋平台油气管道疲劳裂纹识别方法

为了将声发射技术实际应用到监测油气平台管道裂纹中,需要解决管道振动干扰以及疲劳裂纹声发射信号有效特征提取的问题,本文提出了概率神经网络结合基于小波包为特征提取的疲劳裂纹识别方法.通过小波时频分析确定钢结构疲劳裂纹声发射信号特征频率范围,并只对包含特征频率的重构声发射信号进行特征提取,再通过概率神经网络进行疲劳裂纹识别....     

损伤声发射信号小波包神经网络特征识别方法

在材料损伤的检测和评价时,为了在大量接收信号中识别有效声发射信号,提出了一种基于小波包特征提取的损伤声信号神经网络识别方法,首先利用小波包全局分解的优势,准确提取非平稳信号的特征信息,建立相应特征向量,对有效声发射信号和干扰噪声信号进行表征;然后根据特征向量和识别输出要求,建立了3层结构的反向传播神经网络对信号进行分析和识别,滤除噪声信号,保留有效声发射信号;最后,在玻璃钢复合材料的声发射实验中,采集了400组信号对该方法进行验证,准确性达到97.5%,能够满足工程需要.     

基于小波变换与RBF网络的声发射信号识别

声发射检测技术不需开罐就能对储油罐安全性在线评估,声发射信号识别是储油罐腐蚀状况分析的基础,针对现有参数分析法的不足,提出一种基于小波变换特征提取与RBF神经网络识别的声发射信号识别方法。利用db2小波对声发射信号6层分解,将6层细节特征空间的能量作为声发射信号特征向量;结合声发射信号特点设计RBF神经网络,利用已知模式声发射信号训练RBF网络;用RBF神经网络对腐蚀、裂纹和冷凝声发射信号进行分类测试。实验结果表明,RBF网络的识别率达到93.3%,显示了RBF网络识别声发射信号的优越性。对储油罐安全状况的定量分析具有一定意义。     

基于小波分析-最小二乘支持向量机的转子碰摩故障诊断

针对不同材料碰摩声发射信号分类识别的问题,利用小波分析良好的时频特性和最小二乘支持向量机解决小样本、非线性、高维模式识别问题的优势,提出一种小波分析与最小二乘支持向量机结合的分类方法.声发射信号进行小波多尺度分解,将分解获得的各尺度能量百分比作为最小二乘支持向量机的输入,用于声发射信号分类识别.实验结果表明:该方法可以明显识别出转子碰摩故障信号以及分类不同材料的碰摩信号.     

局域波神经网络海洋平台AE信号识别研究

为了研究海洋平台结构声发射信号的特征,将近期发展的局域波法和神经网络相结合应用于提取识别中.首先,将海洋平台结构声发射信号进行局域波分解,得到自适应的基本模式分量,然后从各基本模式分量中提取能量特征参数作为神经网络的输入参数来识别海洋平台结构的声发射信号.通过对海洋平台结构模型声发射信号的实验数据分析表明,以局域波法提取各频带能量作为特征参数的神经网络方法可以准确、有效地识别海洋平台结构声发射信号,从而为海洋平台结构声发射信号特征提取识别提供了一种新的方法.     

旋转机械碰摩故障声发射信号的特征识别研究

利用碰摩试块通过悬臂转子试验台模拟310r/min下旋转机械的间歇碰摩故障,并用声发射仪分别在有碰摩试块和无碰摩试块两种情况下对相应的声发射信号进行采样,对其波形和时频特征进行分析.结合声发射突发型信号的特点,利用小波变换方法对声发射信号的时频特征进行定量分析.通过db10小波函数对有碰摩试块和无碰摩试块两种情况下的信号进行尺度为5的小波分析,结果表明:转子发生碰摩时,d2尺度上的特征频率在335～365kHz之间,d3尺度上的特征频率在240～280kHz之间.     

基于小波分析的刀具磨损状态监测方法

为了实现车削过程刀具磨损状态的实时在线监测 ,使用离散二阶小波变换对切削过程声发射信号进行分解 ,以不同尺度下信号分量的均方根值组成的特征向量为样本 ,利用模糊模式识别技术实现对刀具磨损状态的在线识别 .实验表明 ,在选择适当的标准样本基础上 ,所提出的基于声发射信号小波分解的模糊模式识别方法能准确实现刀具磨损状态的正确识别 ,具有较高的可靠性和准确性 .     

基于高阶谱的混凝土材料断裂声发射特征提取

针对混凝土受载时声发射信号的非高斯特性,提出了一种基于高阶谱技术的声发射信号特征提取的新方法。通过对声发射信号的双谱分析,提取了不同载荷阶段下信号的非高斯特征。以信号双谱幅值的平均值作为特征值,对不同载荷下信号偏离高斯分布的程度进行了定量分析,并讨论了不同载荷强度的混凝土声发射信号的双谱特性及非高斯特征。实验结果表明,提取的特征值反映了信号偏离高斯分布的程度,据此可以作为混凝土受载时断裂临界点的判据。通过与声发射事件等常规参数的比较,可以发现高阶谱参数具有更好的敏感性。     

Feasibility analysis for monitoring fatigue crack in hydraulic turbine blades using acoustic emission technique

In order to investigate the feasibility of monitoring the fatigue cracks in turbine blades using acoustic emission (AE) technique, the AE characteristics of fatigue crack growth were studied in the laboratory. And the characteristics were compared with those of background noise received from a real hydraulic turbine unit. It is found that the AE parameters such as the energy and duration can qualitatively describe the fatigue state of the blades. The correlations of crack propagation rates and acoustic emission count rates vs stress intensity factor (SIF) range are also obtained. At the same time, for the specimens of 20SiMn under the given testing conditions, it is noted that the rise time and duration of events emitted from the fatigue process are lower than those from the background noise; amplitude range is 49–74 dB, which is lower than that of the noise (90–99 dB); frequency range of main energy of crack signals is higher than 60 kHz while that in the noise is lower than 55 kHz. Thus, it is possible to extract the useful crack signals from the noise through appropriate signal processing methods and to represent the crack status of blade materials by AE parameters. As a result, it is feasible to monitor the safety of runners using AE technique. Foundation item: Project(50465002) supported by the National Natural Science Foundation of China     

基于层次化混合分类器的含未知故障风机轴承故障诊断方法

为提高风机轴承故障诊断精度,针对含未知类型故障信号的误识别问题,提出一种风机轴承故障诊断新方法。首先,将风机轴承振动信号进行经验小波变换（EWT）,对分解得到的固有模态分量（IMF）提取15种时-频域特征,构建特征向量集;然后,通过基尼（Gini）指数评价特征分类能力,构建最优特征集合;最后,采用单类支持向量机（OCSVM）与极限学习机（ELM）组合的层次化混合分类器进行故障诊断。对比单纯采用ELM、SVM分类器,新方法能够更好辨识含未知故障类型的风机轴承故障信号。     

复杂背景噪声下风机叶片裂纹故障声学特征提取方法

针对大型风机叶片裂纹故障声学诊断问题,提出一种非接触式的叶片状态远程在线声学监测系统,给出了叶片裂纹故障的声学特征自适应提取方法.首先设计了面向复杂环境噪声的原始声信号预处理算法,然后采用1/6倍频程粗略刻画叶片声信号的频谱总体变化趋势,提取无量纲的倍频程能量比构造支持向量机分类器的输入特征向量,最后引入主成分分析法自适应的优化高维特征空间.风场实测数据验证了该算法的有效性.     

齿轮裂纹早期故障的完全解调分析

齿轮轮齿发生早期裂纹时,裂纹故障信号十分微弱,为了有效提取早期裂纹故障特征,本文提出完全解调分析方法,即针对实际的齿轮振动信号调幅、调相同时存在的特点,进行幅值包络解调和相位解调相结合的完全解调分析．仿真及实例分析结果表明,本文所提出的方法能将齿轮早期裂纹故障信息从复杂的振动信号中提取出来,幅值包络解调和相位解调相结合的完全解调分析,可以提高故障诊断准确率．     

风电机组Ⅱ区功率与叶片气动载荷协同控制

为了研究风力发电机组在低于额定功率时的最大风能捕获以及叶片的气动载荷,使得风力发电机组在整个生命周期内高效稳定地运行,提出了一种功率与载荷的协同控制方法,通过过渡区预变桨的方式控制风力发电机组功率与叶片气动载荷.采用所提出的功率与载荷协同控制策略在Matlab软件上搭建风力发电机组的仿真模型,计算得出了风力发电机组的功率和叶片气动载荷的数据,结果显示,协同控制策略能够在低于额定风速区域保持功率基本不变的情况下有效减小叶片的气动载荷,由此证明了所提出的协同控制策略的可行性.     

基于常规测井资料小波多尺度分析的裂缝识别方法

对裂缝的正确预测、识别是裂缝性储集层勘探开发的关键。本文立足于充分利用常规测井资料,采用小波多尺度分析方法提取声波时差测井高频信号,结合自然伽马测井(GR)、中深感应测井(ILMI、LD)等常规测井资料识别出裂缝发育层段,得出的结论与电成像、声成像测井资料基本一致.本研究为无成像测井资料油井裂缝识别提供了一种新的直观有效分析方法。     

基于声发射的输油管线破坏点定位方法研究

针对国内油田石油输送管线上频繁的钻孔盗油,且常规互相关检测法定位误差较大的情况,基于声发射信号的传播和改进小波包分解算法,提出了一种钻孔破坏点精确定位方法.根据管道两端声发射(AE)传感器的采样数据,采用改进小波包算法将信号分解到不同的频段,并结合快速傅立叶分析对高、低频的不同情况分别进行处理,再提取能量较丰富的小波包作为特征包进行重构,对特征包的重构信号进行相关分析来确定破坏信号到达两端传感器的延时,进而确定破坏点的位置.实验研究表明该方法可消除小波滤波器组造成的频谱混叠现象,提高了互相关分析定位的准确性,有助于实时检测埋地管线上的钻孔破坏信号.