基于激光超声技术的探损检测技术研究

超导声波结构损伤比较敏感,传输距离长、传输衰减小,在无损领域的应用越来越广泛。激光超声检测分辨率高、不需要接触等,在无损检测领域已成为新的研究热点问题。深入讨论和研究了基于激光超声技术的结构损伤检测方法,完成激光超声检测系统的搭建,并对该系统的硬件和控制方法进行了分析和研究,对Lamb波的传播状态和损伤之间的关系进行分析。从复波小波变换和色散能量补偿聚焦2个不同的角度进行信号分析和特征提取。完成小波变换法对铝板的损伤成像。为以后的实际工程应用,提供借鉴和参考。     

基于神经网络的去噪模型在轴承故障诊断中的应用

针对轴承微弱故障稀疏振动信号的特征提取,提出了基于模型数据协同链接框架的端到端深度网络稀疏去噪(DNSD)策略。建立了全局可微稀疏模型,引入深度神经网络学习超参数,基于轴承内圈故障机理建立了多模式数据集模拟故障信号,通过DNSD对数据集以去噪自编码器的形式进行训练,重建损失并更新网络和稀疏理论的参数,通过轴承内圈故障的仿真和试验验证了DNSD模型在轴承微弱故障特征提取方面的优越性和鲁棒性。     

一种输电线路三跨点下工程机械的改进Faster-RCNN检测方法

为解决输电线路三跨点下由于工程机械入侵导致的跳闸问题,提出一种基于改进Faster-RCNN的大型机具检测算法.该方法以深度学习目标检测算法中的Faster R-CNN作为基本模型,首先研究了不同特征提取网络对模型检测准确度的影响,然后考虑到检测目标与模型的适配问题,使用k-means++算法对输电线路监控数据集中入侵...     

一种基于U2-Net模型的电阻抗成像方法

电阻抗成像(EIT)是一种实现场域内电导率分布情况图像重建的成像技术.传统的电阻抗成像算法成像精度较低,为解决此问题,提出一种基于U2-Net深度学习模型的新型电阻抗图像重建方法.首先,以U2-Net模型为基础,创新地提出了拼接层(CAT)的概念用于数据扩展,使得U2-Net的输入层结构简单,运算速度快;其次,使用仿真...     

基于单激发端多接收端压电阵列的板内损伤检测

基于超声导波技术研究了板状结构的损伤检测。理论分析了平板中Lamb波的传播特点;利用有限元耦合场模拟方法模拟了平板中Lamb波的传播及裂纹对Lamb波的影响;根据有限元模拟结果,分析了裂纹尺寸对Lamb波传播的影响;为检测损伤的位置,建立了单激发端多接收端的压电阵列;结合概率成像算法,建立了损伤分布场,该分布场的成像结果直观地反映了损伤的位置和严重程度。     

基于深度字典学习的滚动轴承故障识别

针对传统滚动轴承故障识别算法存在的特征提取与选择困难的问题,提出了一种基于深度字典学习(DDL)的滚动轴承故障诊断方法.首先,利用传感器采集了不同工况下的滚动轴承故障振动数据,并利用字典学习的稀疏性约束逐层学习了轴承故障数据中的典型结构特征;然后,借鉴深度学习的"逐层特征提取"思想,根据故障样本结构构造了深度故障字典,...     

PCA-SAE的齿轮箱故障诊断方法研究

针对因长时间的信号采集使得振动信号面临数据量大的问题。传统的信号分析方法,已无法解决大数据情况下故障的特征提取与分类,同时采集到的数据样本具有多维度多样本的情况,导致训练网络时在前期导入数据阶段耗费大量时间与硬件的内存,并且会导致网络训练中产生过拟合现象,影响分类准确率。针对以上问题本文提出基于主成分分析与堆叠自动编码机相结合的齿轮故障诊断研究,以实现对齿轮振动信号快速准确的特征提取与分类。首先对原始信号进行主成分析,得到各主成分贡献率,其次,选取主成分贡献率高的前几列作为深度学习网络输入样本。最后深度学习网络即堆叠自动编码机网络对训练数据集进行学习提取数据中的特征并应用测试数据集部分进行分类并计算分类的准确率。最终,实验中将所提深度学习方法与传统的特征提取方法和分类方法进行比较最终识别精度进行比较。实验结果表明本文所提方法最终可以达到98.6%的准确率,实现端到端的故障诊断方法,可以很好的应用于故障诊断领域。     

基于深度学习的刀具磨损监测研究现状

基于传统机器学习的刀具磨损监测模型监测精度低且计算复杂度高,难以满足智能制造的发展需求。而基于深度学习的刀具磨损监测模型数据处理和特征提取能力较强,可明显提高监测精度,使加工过程更智能化,因此广泛应用于刀具磨损监测。根据采用的模型,将基于深度学习的刀具磨损监测分为基于卷积神经网络的刀具磨损监测、基于稀疏自编码网络的刀具磨损监测、基于深度置信网络的刀具磨损监测、基于长短时记忆网络的刀具磨损监测和基于混合模型的刀具磨损监测,介绍了各种深度学习模型的基础理论及基本结构,总结了国内外基于深度学习模型的刀具磨损监测方法,分析了存在的问题,并指出了未来的发展方向。     

基于深度置信网络的大数据制造过程实时智能监控

针对基于浅层学习模型的过程监控方法难以对大数据制造过程运行状态进行实时智能监控的问题,提出了基于深度置信网络的大数据制造过程实时智能监控方法。利用灰度图建立大数据制造过程质量图谱,以精准表达其过程的运行状态;构建用于识别大数据制造过程质量图谱的深度置信网络;应用离线训练好的深度置信网络模型对当前监控窗口内的过程质量图谱进行识别,实现大数据制造过程实时智能监控。最后,应用该方法对某注塑件大数据制造过程进行实时质量智能监控,结果表明：所提方法的识别性能明显优于基于主成分分析与BP神经网络、支持向量机的识别模型,能有效应用于大数据制造过程实时质量智能监控。     

基于频散补偿与路径-波速映射的损伤成像

现有损伤成像算法应用于真实复杂的航空结构时,由于结构的各向异性、复杂边界反射以及导波自身频散特性的影响,成像效果往往较差,应用时误差较大,甚至不能成像。针对上述问题,提出了一种基于频散补偿与路径-波速映射的结构损伤成像方法,首先针对各向异性影响下的结构实现损伤散射波包的频散补偿,以优化导波幅值特征,其次基于路径-波速映射法解决各向异性所带来的导波时差获取误差大的问题。所提方法在含有加筋和开口的复合材料结构上进行了验证,结果显示损伤成像的准确率得到了明显优化。     

基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断

针对齿轮故障诊断问题,利用数理统计特征提取方法、深度学习神经网络、粒子群算法和支持向量机等技术,提出了一种基于深度学习特征提取和粒子群支持向量机状态识别相结合的智能诊断模型。该模型利用深度学习自适应提取的频谱特征与数理统计方法提取的时域特征相结合组成联合特征向量,然后利用粒子群支持向量机对联合特征向量进行故障诊断。该模型在对多级齿轮传动系统试验台的故障诊断中实现了中速轴大齿轮不同故障类型的可靠识别,获得了满意的诊断结果。应用结果也验证了基于深度学习自适应提取频谱特征的有效性。     

超声导波在H型钢结构损伤识别中的应用

针对H型钢在损伤情况下对超声导波的影响,提出基于超声导波的结构健康监测方法,并探讨了应用超声导波检测技术在H型钢中对结构损伤识别的可行性及其识别能力。采用中心频率为87.5kHz的波形为汉宁窗调幅3.5个周期正弦曲线作为激励波形,应用商业有限元软件ABAQUS对导波在H型钢构件中的传播进行了仿真,同时对无损伤以及有损伤的仿真模型进行实验验证。实验中利用压电材料锆钛酸铝(piezoelectric lead zirconate titanate,简称PZT)换能器来激发和接收在H型钢中传播的导波信号,借助于Morlet小波时频分析等方法对仿真和实验采集到的信号进行处理,并比较实验结果与仿真结果的吻合度。最后分析H型钢中损伤的大小等因素对损伤识别的影响,以及超声导波在H型钢中的损伤识别能力。     

Optimal mother wavelet-based Lamb wave analyses and damage detection for composite structures

With the purpose of on-line structural health monitoring,a transducer network was embedded into composite structure to minimize the influence of surroundings.The intrinsic dispersion characteristic of Lamb wave makes the wavelet transform an effective signal processing method for guided waves.To get high precision in feature extraction,an information entropy-based optimal mother wavelet selection approach was proposed,which was used to choose the most appropriate basis function for particular Lamb wave analysis.By using the embedded sensor network and extracting time-of-flight,delamination in the composite laminate was identified and located.The results demonstrate the effectiveness of the proposed methods.     

空调冷凝器管道激光超声导波跨能量层级映射迁移检测方法

空调冷凝器是空调设备的关键部件,其弯管连接部位由于损伤类型多和几何形状复杂等原因造成传统接触式损伤检测手段难以应用,本文提出一种基于能量映射迁移网络的非接触式激光超声导波无损检测方法。首先,通过小波分解提取烧蚀信号和热弹信号的概貌波形,设计自编码能量映射函数将热弹信号特征空间映射到烧蚀信号特征空间,获得更接近烧蚀信号特征的映射热弹信号。其次,通过能量映射迁移网络对齐映射热弹信号和烧蚀信号特征空间,将网络模型中的域转换误差和样本标签误差之和用作特征空间对齐误差值。最后,对空调冷凝器泄漏、分层和裂纹等损伤进行检测实验验证所提新方法性能,结果表明其损伤识别精度为93.09%,比传统激光热弹激励检测方法提高了7.23%。     

Investigation of deep neural network with drop out for ultrasonic flaw classification in weldments

Ultrasonic signal classification of defects in weldment, in automatic fashion, is an active area of research and many pattern recognition approaches have been developed to classify ultrasonic signals correctly. However, most of the developed algorithms depend on some statistical or signal processing techniques to extract the suitable features for them. In this work, data driven approaches are used to train the neural network for defect classification without extracting any feature from ultrasonic signals. Firstly, the performance of single hidden layer neural network was evaluated as almost all the prior works have applied it for classification then its performance was compared with deep neural network with drop out regularization. The results demonstrate that given deep neural network architecture is more robust and the network can classify defects with high accuracy without extracting any feature from ultrasonic signals.     

基于DBN的故障特征提取及诊断方法研究

随着装备日趋复杂化,依靠专家经验或信号处理技术人工提取和选择故障特征变得越来越困难。此外,以BP神经网络、SVM为代表的浅层模型难以表征被测信号与装备健康状况之间复杂的映射关系,且面临维数灾难等问题。结合深度置信网络(DBN)在提取特征和处理高维、非线性数据等方面的优势,提出一种基于深度置信网络的故障特征提取及诊断方法。该方法通过深度学习利用原始时域信号训练深度置信网络并完成智能诊断,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智能诊断,该方法对时域信号没有周期性要求,具有较强的通用性和适应性。在仿真数据集和轴承数据集上进行了故障特征提取和诊断实验,实验结果表明:本文提出的方法能够有效地从原始信号中进行多种工况、多种故障位置和多种故障程度的故障特征提取和诊断,并且具有较高的故障识别精度。     

齿轮箱故障边缘智能诊断方法及应用研究

针对齿轮箱运行状态监测数据量大而数据价值密度低导致的数据传输和存储困难、受到带宽影响导致的故障辨识实时 性差以及大而深的深度学习模型难以有效部署至边缘端硬件等问题,本文提出了一种基于乘法-卷积网络(MCN)的齿轮箱故 障边缘智能诊断方法。 首先,综合考虑信号滤波在特征表征以及深度学习在特征提取的优势,设计了一种轻量化的 MCN 模型, 同时在嵌入式微处理器搭建了一套端侧边缘智能处理原型与系统。 该系统可以直接部署于齿轮箱边缘,通过云服务器训练和 更新 MCN 模型参数并部署至边缘端,于边缘端完成数据采集、处理和故障状态辨识等功能,将大量传感器数据直接消耗在边缘 端。 实验结果显示 MCN 具有 99. 75% 的平均识别精度,且部署 MCN 的齿轮箱故障边缘智能诊断系统可以在 0. 696 s 内准确识 别出故障状态。     

压缩感知域智能天然气管道泄漏孔径识别

天然气管道泄漏监测正在进入大数据时代,针对传统方法存在的采集数据冗余、特征提取及识别受主观因素影响较大等问题,结合压缩感知与深度学习理论,提出一种在变换域进行泄漏信号的压缩采集、在压缩感知域进行自适应特征提取及识别的智能天然气管道泄漏孔径识别方法。通过随机高斯矩阵获取压缩采集数据,并通过深度学习挖掘测量信号中隐藏的泄漏孔径信息,经稀疏滤波实现特征的自动筛选,最后研究了softmax回归实现孔径的高精度分类识别。实验结果表明,该方法实现了监测数据的压缩,对压缩感知域采集信号的识别性能明显优于传统方法。     

An Intelligent Fault Diagnosis Method of Multi-Scale Deep Feature Fusion Based on Information Entropy

For a single-structure deep learning fault diagnosis model,its disadvantages are an insufficient feature extraction and weak fault classification capability.This paper proposes a multi-scale deep feature fusion intelligent fault diagnosis method based on information entropy.First,a normal autoencoder,denoising autoencoder,sparse autoencoder,and contractive autoencoder are used in parallel to construct a multi-scale deep neural network feature extrac-tion structure.A deep feature fusion strategy based on information entropy is proposed to obtain low-dimensional features and ensure the robustness of the model and the quality of deep features.Finally,the advantage of the deep belief network probability model is used as the fault classifier to identify the faults.The effectiveness of the proposed method was verified by a gearbox test-bed.Experimental results show that,compared with traditional and existing intelligent fault diagnosis methods,the proposed method can obtain representative information and features from the raw data with higher classification accuracy.     

基于时间反转法的管道焊缝区缺陷检测研究

焊缝在整个管网系统中是比较薄弱的部分,在温度、压力、介质腐蚀和振动的影响下容易出现裂纹缺陷,对管道的安全运行产生危害,并且有的裂纹很小,通过超声导波不容易直接识别出来。对超声导波检测管道进行了研究,在分析了超声导波对焊缝小缺陷的检测后,提出了一种运用时间反转法基于L(0,2)模态超声导波进行数值模拟的方法,选择4%作为最小焊缝裂纹缺陷,对直管道单焊缝和直管道双焊缝进行数值模拟,并通过实验验证。数值模拟和实验结果表明该方法可以实现管道中焊缝缺陷的识别和定位。