基于EMD及主成分分析的缺陷超声信号特征提取研究

针对非线性、非平稳超声缺陷信号的特征提取问题,提出一种经验模态分解(EMD)和主成分分析(PCA)相结合的缺陷信号特征提取方法。对缺陷信号进行EMD分解得到本征模态函数(IMF),根据能量比率累积选取IMF,平均截取傅里叶变换后的各模态频谱得到能表征原信号的特征向量集;构建PCA模型,特征向量集降维得到低维特征向量,该过程可降低缺陷信号分析数据的复杂度和冗余度,以BP神经网络为缺陷分类器对缺陷特征进行识别与分类。实验结果表明该方法具有可靠的识别与分类效果。     

基于小波包能量变化率的激光超声处理

为提供解决航空发动机原位裂纹的快速检测方法,得到缺陷深度与特征量之间的关系,使用激光器在一系列不同缺陷深度的航空板上激发声表面波,对收集到的信号进行预处理,并提出新的小波包变换能量变化率指标,用于进行缺陷损伤识别。结果表明:反射波信号在S_(80)、S_(81)频带上的小波包能量变化率随缺陷深度的增加呈现增加趋势,增长幅度分别为96.8%、86.3%;而反射回波在S_(80)、S_(83)频带上的小波包能量变化率较为显著,增长幅度分别为23.8%、80.2%。该分析方法为激光超声表征表面缺陷提供新的思路,为今后从能量变化率指标分析裂纹深度奠定基础。     

基于小波包变换的爆破振动信号能量熵特征分析

爆破振动信号是典型的短时非平稳随机信号。应用多分辨率特点的小波包变换对爆破振动信号进行多层分解,得到信号能量分布的细节信息。根据建立在概率统计基础上的信息熵概念,推导得到爆破振动信号能量熵计算方法。分析了4种类型爆破振动信号的能量熵,熵值由大到小为:隧道爆破、管道爆炸、台阶爆破、塌落振动。结果表明,能量熵能够反映不同类型爆破对振动信号的影响。提出将能量熵作为爆破振动信号的新特征量,为爆破振动信号特征提取、不同爆破类型振动信号识别和爆破振动预测提供一种新思路。     

电机转子振动信号故障特征提取方法

电机振动信号具有非平稳、非线性特性,在进行时频域特征提取时需要人工确定时间窗口和基函数。针对该问题,提出一种基于EEMD(Ensemble Empirical Mode Decomposition)分解和权重熵变换的特征提取方法。该方法应用EEMD进行自适应分解,同时提取IMF(Intrinsic Mode Function)方差作为初始特征值,并提出将权重熵作为衡量特征值重要性的标准,通过权重熵对原始特征值进行空间变换,扩大特征向量间的差异。为验证该方法的有效性和优越性,对4 种状态下的电机转子进行振动信号采集,用于制作转子故障数据集,并运用EEMD进行特征提取。实验结果表明,基于EEMD分解和权重熵变换的特征提取方法能够更好地从振动信号中提取特征向量,在对电机进行故障诊断时具有更高的准确性。     

激光超声探测铝板表面微缺陷深度的数值研究

采用平面应变有限元法模拟了脉冲激光线源在含有表面微缺陷的铝板表面激发声表面波的物理过程,计算结果给出了激光线源逐渐靠近表面微缺陷时接收点得到的位移信号波形特征的显著变化规律;比较了不同深度的表面微缺陷对声表面波时域位移信号特征的定量影响;并在此基础上分析了紧随双极性R ay le igh波之后出现的振荡位移信号的时间间隔随表面缺陷深度增加而呈线性单调递增的趋势;同时证明不同的线光源半宽只会改变振荡信号的相对强度,而不会影响振荡信号的时间间隔;文中结果为利用声表面波位移信号中振荡成分的时间间隔来定量检测材料表面微缺陷深度提供了理论依据.     

基于EEMD能量熵及LS-SVM滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特性和现实中难以获得大量典型故障样本的实际情况,提出基于集合经验模态分解（EEMD）能量熵和最小二乘支持向量机（LS-SVM）的滚动轴承故障诊断方法。首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的固有模态函数（IMF）;滚动轴承同一部位发生不同严重程度的故障时,在不同频带内的信号能量值会发生改变,因此可通过计算振动信号的EEMD能量熵判断发生故障的严重程度;从包含主要故障信息的IMF分量中提取的能量特征作为输入来建立支持向量机,判断滚动轴承的技术状态和故障严重程度,并选用不同核函数对诊断效果进行分析比较。实验结果表明,该方法能有效地应用于滚动轴承的故障诊断。     

特征提取在激光散射扫描层析技术检测硅内部微体缺陷中的应用

提出了一种利用特征提取来对硅中微／纳米级体缺陷的激光散射图样进行分析，以获得缺陷大小信息的分析方法。给出了该方法中第一特征值和第二特征值的定义，指出通过所提出的第一特征值及第二特征值即可迅速地判断出缺陷的大小量级所在。这种分析方法具有分析速度快，在体缺陷小于１μｍ时分辨率高，且可使系统实现自动化等优点。     

基于奇异熵的钢球表面缺陷特征提取研究

为评价钢球表面缺陷,应用小波分析、奇异值分解和信息熵相结合的方法提取钢球表面特征,基于奇异熵定义钢球表面图像特征参数,计算4种典型钢球表面缺陷图像的特征参数.结果表明:特征参数能反映图像的纹理特征,钢球表面损伤愈大,纹理愈复杂,其特征参数也愈大,特征参数可用于钢球表面缺陷的识别.     

基于EEMD模糊熵和GK聚类的信号特征提取方法及应用

提出了一种基于集合经验模态分解模糊熵和GK聚类相结合的方法,应用于滚动轴承的故障诊断中。首先,利用EEMD方法将故障信号分解成多个本征模态分量来消除模态混叠影响;其次,通过相关性对IMF分量进行筛选,并求取其模糊熵作为特征向量进行GK聚类分析进行模式识别。在实验分析中,通过模糊熵、样本熵、近似熵3种特征参数的对比,和GK聚类与FCM聚类的对比,证明了该方法的有效性和优越性。     

基于EEMD降噪和1.5维能量谱的滚动轴承故障诊断研究

将1.5维谱分析和Teager能量算子相结合,提出了1.5维能量谱的分析方法,并针对滚动轴承故障诊断问题,从提高故障信号信噪比的角度出发,提出基于EEMD降噪和1.5维能量谱的故障诊断新方法。该方法首先对故障信号进行聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)运算,得到一组本征模态函数(Intrinsic Mode Function,IMF)分量后运用相关系数-峭度准则对其进行筛选,并利用筛选出的IMF分量重构信号,最后计算重构信号的1.5维能量谱,从而获得轴承故障特征频率信息。利用该方法对滚动轴承内圈故障的模拟数据以及实测数据分别进行分析,诊断结果令人满意。     

基于排列熵理论的非线性系统特征提取研究

提出一种基于排列熵及其改进理论的伪相平面法,从而可以提取非线性系统中的微弱周期信号特征。通过选择合理的时间延迟和嵌入维数,对Duffing系统的响应信号进行相空间重构,得到一次排列熵和二次排列熵。随后将位移激励、一次排列熵和二次排列熵作为数据集,组成位移激励-一次排列熵和位移激励-二次排列熵两种伪相平面。通过将这两种方法与传统的相平面法、频谱分析和排列熵、排列熵谱、二次排列熵、二次排列熵谱的提取效果进行对比,验证了该方法的合理性。研究表明该方法能够对非线性系统中的微弱周期信号特征进行提取,取得了较好效果。     

基于EEMD和能量分离的风电机组传动系统的故障诊断方法

摘 要：针对风力发电机传动系统故障发生时难以有效提取识别问题，提出基于EEMD分解和能量分离算法的故障诊断方法。首先，对采集到的振动信号进行EEMD分解；然后，根据峭度和相关系数选取包含故障最多且与原信号相关性较大的IMF分量；最后，通过能量分离算法来估计选定的IMF分量的幅值包络和瞬时频率，用来进一步解调分析，实现故障的诊断与定位。通过对风电传动系统的实验数据和风场现场实际运行数据证实了提出方法的准确性和有效性。该方法在风电场的实际工程当中具有良好的应用价值。     

粘接结构超声信号的小波分解与特征提取

粘接结构因其独特的物理、机械和声学特性在诸多领域具有非常广泛的应用，对于铝合金-橡胶这样一种金属-非金属粘接结构的超声检测信号，本文利用了小波变换的多分辨率分析(时频分析)的方法，有效地提取出了反映多层材料粘接状况的信号特征，该特征提取方法可用在粘接结构的无损检测中。     

超声血流的无创伤检测和医学信号的特征提取

人体信号是随机性和背景噪声都很强的复杂信号。文章首先研究了利用超声Doppler技术定量检测血流速度的方法,然后将一些现代信息处理中的新理论、新方法引入医学超声的信息处理,为医学超声信息的特征提取提供了新的手段。这些理论包括：分形、数学形态学、数量化、小波变换、极点轨迹和血管传输线模型等。文章最后阐述了利用上述新方法作为技术核心而研制的三套应用系统;肺动脉血液动力学参数的无损估测系统、彩色编码的声谱系统和超声血流定量检测系统。     

基于 EEMD样本熵与小波神经网络的汽车关门声品质预测

针对传统客观心理学参量在非稳态噪声品质预测中的不足,以汽车关门声为对象,提出一种基于EEMD分解的样本熵表征关门声的信号特征,并结合小波神经网络进行声品质预测。对声样本进行EEMD分解得到IMF分量,计算各IMF分量的样本熵,并构造成特征向量。分别以此特征向量和声品质主观评分值作为输入输出构建小波神经网络预测模型。作为对比,构建了基于该特征向量的BP网络预测模型、基于心理学参量的小波神经网络预测模型和BP网络预测模型。分析结果表明,在关门声品质预测中,EEMD样本熵比客观心理学参数能更好的反映信号的时变非稳态特性,预测效果更好;且小波神经网络较BP网络的预测精度更高,模型训练速度更快。     

基于EEMD能量熵的高速列车蛇行诊断研究

为解决列车高速运行时,出现的蛇行失稳故障难以被准确识别的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)熵特征和最小二乘法支持向量机(least squares support vector machine,LSSVM)的高速列车蛇行异常运动状态的诊断方法。首先通过EEMD对高速列车蛇行故障振动信号进行分解,再提取固有模态函数(intrinsic mode function,IMF)分量的样本熵特征、香农熵特征和能量熵特征,最后分别用LSSVM进行训练和识别。试验结果表明:高速列车在330~350 km/h的运行速度下,EEMD熵特征-LSSVM方法能准确识别高速列车蛇行失稳状态,并且LSSVM的输入特征为能量熵特征时,识别效果优于样本熵特征和香农熵特征,识别率达到95%。     

基于LabVIEW的激光超声管道检测系统

油气管道在日常生活和经济建设中发挥着重要作用,同时也存在着安全隐患,各种油气管道爆炸事件时有发生,给人们的生活和财产带来威胁。为保证油气管道的安全有效运行,应定期对其进行检测。激光超声检测技术相对于传统超声检测技术具有更高的空间分辨率,这一优点使其具有检测油气管道微小缺陷的潜力。该文根据激光超声检测原理,设计基于LabVIEW的激光超声燃气管道检测系统,重点介绍系统中数据采集、运动控制和数据分析模块,解决从激光超声信号的激励到数据采集、信号分析处理和缺陷识别等技术问题,实现油气管道各类缺陷的快速检测的目的。通过对带有周向裂纹管道做检测实验,结果表明:该系统具有良好的检测性能,对解决激光超声测量与诊断问题具有实际意义。     

陶瓷及陶瓷基复合材料微缺陷的超声检测

为研究陶瓷及陶瓷基复合材料微缺陷的超声检测能力，针对一些人工缺陷试样进行了超声检测试验。试验主要采用了纵波垂直入射法和泄漏瑞利波法。通过试验结果，比较了两种方法的检测能力。     

基于EMD和小波熵阈值算法的超声回波信号降噪

超声检测信号中通常包含大量噪声,而其中材料晶界散射的噪声是一种相关噪声。鉴于传统的方法难以将这种噪声和缺陷回波信号区分,提出一种EMD和小波熵阈值联合降噪的算法。该算法首先对目标信号进行EMD分解,提取具有噪声特性的IMF分量进行小波分解,利用含噪系统熵增的特性,在分解各尺度层的细节部分选用小波熵自适应阈值降噪,然后将剩余分量和降噪处理后的信号进行重构。仿真信号结果表明:该降噪方法(EMD-WET)输出信号的信噪比(SNR)为7.9 d B、均方根误差(RMSE)为18.1、相似系数(NCC)为0.92,优于传统的小波软、硬阈值方法。对实测信号进行处理,该方法降低信号中的大部分噪声,更好地还原回波信号的波形。