基于局部均值分解和串行特征融合的光纤周界振动信号识别

提出了一种基于局部均值分解(LMD)和串行特征融合(SFF)的光纤周界振动信号识别方法。该方法先去除噪声,提取振动信号的相关信息,再进行SFF以得到具有准确描述能力的特征向量,最后采用概率神经网络(PNN)算法进行学习和分类。利用不同单一振动信号和风雨天气干扰下的不同振动信号对该方法进行验证。结果表明,该方法在上述两种情况下的平均正确识别率分别达到96.0%和96.7%,识别时间分别为0.87 s和0.91 s,在敏感信息识别和特征提取方面明显优于传统的LMD算法和SFF-PNN算法。     

基于多重分形谱的光纤周界振动信号识别

为了有效识别光纤周界系统的振动信号,提出一种多重分形谱参数和改进概率神经网络相结合的光纤振动信号识别方法.该方法能够避免特征提取过程中需要选择经验阈值和模式识别过程中需要确定平滑因子的不足.首先,检验分析光纤振动信号多重分形的存在性和有效性.然后,计算和提取光纤振动信号的多重分形谱参数,构成能够准确描述信号非线性和复杂性特性的特征向量.最后,采用改进的概率神经网络算法进行自适应地学习和分类,实现对不同光纤振动信号的识别.采用现场实验采集的四种振动信号对该方法进行验证,结果表明,平均识别率达到96.25%,识别时间为1.63s.该方法在正确识别率方面优于传统的概率神经网络算法.     

变分模态分解-排列熵方法用于分布式光纤振动传感系统去噪

提出一种变分模态分解-排列熵的去噪方法,分析并设定排列熵中关键参数和阈值,进而通过排列熵来确定变分模态分解的分解层数值,将分解的各模态进行重构以实现对振动信号的去噪。通过仿真测试来验证该方法在正交性、完备性、信噪比和效率方面的优越性,最后对系统采集的实际振动信号进行去噪处理。实验结果表明,与现有的经验模态分解-相关系数和完全经验模态分解-相关系数方法相比,所提方法对触网、车轮碾压和雨淋三种振动信号具有最优的去噪信噪比(含噪信号与降噪值之比),分别为32.5358 dB、30.5546 dB和29.3435 dB,耗时也较少,分别为1.4432,1.6320,1.2349 s,信号模式识别准确率最高,均在99%以上。     

基于三次样条插值的光纤F-P传感器傅里叶变换解调研究

从傅里叶变换原理入手,对不插值傅里叶变换解调和高斯频谱插值方法的误差进行了分析.介绍了三次样条插值的原理,通过三次样条插值得到输出光强信号对光频率均匀采样光谱.从光纤F-P传感器的腔长由20 μm以0.02 μm步长匀速增加至120 μm的仿真分析得出,经过三次样条插值后再进行傅里叶变换解调的精度相对频率插值法更高.在此基础上,采用美国Ocean Optics公司生产的USB2000型光谱仪和Melles Griot公司的17MAX600型光纤对准微动台(精度达0.01 μm)搭建了实验系统并进行了对比实验.结果表明,基于三次样条插值的傅里叶变换解调方法误差在0.06 μm以内.     

基于卷积长短期记忆全连接深度神经网络的光纤振动传感事件识别

在光纤周界安防系统的应用中,准确区分传感事件的类型进而给出针对性的处理方案是实现智能振动传感的核心技术之一.本文提出一种包含多维度时间信息特征的信号特征提取算法,并结合卷积长短期记忆全连接深度神经网络(CLDNN)对具体振动传感事件进行识别和分类.首先将采集获取到的光纤传感事件信息进行堆叠和截取,得到包含传感事件多维度...     

基于光纤振动安全预警系统的振源识别算法研究

光纤振动预警系统可自动采集周边振动信号,面对大量复杂的振动信号,如何准确识别目标振源是系统研究的难点。针对光纤振动安全预警系统采集到的振动信号进行属性特征分析,建立相应的特征模型,并建立振源属性特征模型,包括识别下雨振源的能量信息熵模型,以及区分机械施工和车辆经过振源的基频稳定性模型等。通过振源识别算法,提高了振源类型识别的准确性。测试结果表明,特征模型的设计和选择合理,识别准确率高。     

传感器网络基于特征值分解的信号被动定位技术

基于传感器网络的信号被动定位技术在电磁学、声学、声呐系统以及传热学等领域具有广泛的应用前景,当传感器网络节点所接收噪声强度不同或传输信道存在阴影衰落效应时,给出了目标信号到达距离比定位关联度量的估计方法与基于信号到达距离比的被动定位算法.将特征值分解技术引入到信号到达距离比定位关联度量估计中,通过接收信号协方差矩阵特征值分解技术估计各节点所接收噪声强度,并通过网络参考节点轮换与特征值分解方法消除阴影衰落效应所引入的定位误差,最后给出该算法的最小二乘定位解.该方法可较好的消除由于节点接收噪声强度不同以及阴影衰落效应等因素所带来的定位性能恶化.     

基于EMD-AWPP和HOSA-SVM算法的分布式光纤振动入侵信号的特征提取与识别

针对传统的信号处理方法无法有效区分不同振动入侵信号,提出一种基于EMD-AWPP和HOSA-SVM算法的振动信息特征提取与识别方法,用于解决分布式光纤振动入侵检测系统的高精度信号识别问题。处理不同振动类型时,该方法首先利用基于经验模态分解的自适应小波包处理算法,不仅对信号的低频部分进行了分解,而且对高频部分即信号的细节部分也进行了更好的时频局部化处理,改善了信号特征提取精度,减少传感信号异常值的影响; 其次采用高阶谱分析中的双谱和双相干谱,精确提取包含不同振动入侵信号类型的特征矢量; 最后在BPNN参比模型的基础上,用粒子群算法优化SVM的识别参数,使识别模型具有更强的自适应和自学习能力,克服了神经网络易陷入局部最优的不足之处,实现不同振动入侵信号的特征矢量识别。分析结果表明,针对不同类型的入侵源识别,该方法可以有效剔除随机噪声的影响,提取传感信息的特征矢量,降低异常值的影响,算法的预测类别与输出类别几乎一致,振动识别的精确率达到95%以上,识别效果明显强于BPNN网络的检测算法,提高了信息分析的准确性。     

土壤温度对光纤预警系统中振动信号的影响

开展了光纤预警系统在实时监控振动信号时受到土壤温度影响的理论分析和实验研究。以基于后向瑞利散射的分布式光纤传感系统为基础,土壤振动分析采用弹性半空间理论,并与光纤传感理论相结合,解释了温度对光纤预警系统中土壤振动信号的影响,建立并分析了理论模型。通过对1.2km光纤预警系统的现场实验,采集了在温度改变时土壤振动信号的变化。实验表明,土壤振动信号的峰值光功率随温度上升增大,说明了光纤预警系统中的振动信号会受土壤环境的影响。     

基于改进蚁群算法的无线传感器网络路由的优化

为了延长无线传感器网络(Wireless Sensor Network ,WSN)的生命周期,均衡各个节点间能量消耗,针对现有的WSN路由优化算法存在的问题,提出了一种基于改进蚁群算法的路由优化算法。首先通过对蚁群算法和遗传算法的优劣性比较,在蚁群算法的基础上,结合遗传算法的选择、交叉和变异的操作,从而提高蚁群算法的搜索速度和寻优能力。最优路径评价函数综合考虑节点能耗及节点的剩余能量,使剩余能量多的节点优先参与数据转发,均衡节点间的能量消耗。通过与经典蚁群算法及遗传算法的对比实验表明,随着数据转发轮数增加,改进的蚁群算法能耗小,剩余能量多,网络生命周期明显延长;随着整个网络运行时间的增长,改进的蚁群算法,节点均衡能耗性好,最优路径搜索的成功率也明显优于其他两种算法。     

基于自适应多尺度时频熵的遥测振动信号异常检测方法

针对遥测振动信号频域成份复杂、非平稳非线性和强噪声特性,提出一种基于自适应多尺度时频熵的遥测振动信号异常检测方法;首先对采集到的遥测振动信号进行零漂修正和趋势项消除,然后采用自适应分解方法对信号进行多尺度分解,得到若干分量,利用相关系数剔除虚假分量;接下来用筛选出的分量作时频分布,对时频分布进行多层多尺度划分,计算相应尺度频段内信号的分形维数,依据分形维数的大小自适应地确定各频段的时频划分尺度;最后计算时频平面的自适应多尺度时频熵,通过时频熵的变化情况对遥测振动信号进行异常检测;实测数据验证了该方法的有效性。     

A Novel Feature Extraction Method for Power Transformer Vibration Signal Based on CEEMDAN and Multi-Scale Dispersion Entropy

Effective diagnosis of vibration fault is of practical significance to ensure the safe and stable operation of power transformers. Aiming at the traditional problems of transformer vibration fault diagnosis, a novel feature extraction method based on complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN) and multi-scale dispersion entropy (MDE) was proposed. In this paper, CEEMDAN method is used to decompose the original transformer vibration signal. Additionally, then MDE is used to capture multi-scale fault features in the decomposed intrinsic mode functions (IMFs). Next, the principal component analysis (PCA) method is employed to reduce the feature dimension and extract the effective information in vibration signals. Finally, the simplified features are sent into density peak clustering (DPC) to get the fault diagnosis results. The experimental data analysis shows that CEEMDAN-MDE can effectively extract the information of the original vibration signals and DPC can accurately diagnose the types of transformer faults. By comparing different algorithms, the practicability and superiority of this proposed method are verified.     

基于BP神经网络的诱发铀部件裂变信号特征分析及识别

在对诱发铀部件裂变信号的测量原理及特点分析的基础上,开展了基于BP神经网络的诱发铀部件裂变时间关联信号特征参量分析处理的研究工作。 采用无偏估计方法, 计算信号的自相关函数和互相关函数, 再利用比较法和导数法两种特征量提取方法, 提取出不同状态下裂变信号的特征参量, 借助于BP神经网络模式识别应用原理进行训练和预测。 理论分析和研究结果表明: 基于比较法和导数法获得的特征参量能较好地反映诱发铀部件裂变信号的特征; 用BP神经网络对裂变信号进行模式识别, 取得了较高的正确率, 验证了此方法的有效性和合理性。 The paper presents feature parameter analysis and processing in fission time dependent signal of induced uranium components based on BP Neural Networks through the analysis of the measuring principle and signal characteristics of induced uranium components fission signal. The auto correlation functions and cross correlation functions are calculated by using unbiased estimate, and then the feature parameters of fission signal in different status are extracted by using feature abstraction method, comparative method and derivative method, and then applied to training and prediction by means of BP neural networks based on pattern recognition. Theoretical analysis and the results show that, it is effective to obtain feature parameters of induced uranium component fission signal via comparative method and derivative method. UsingBP neural network to recognize patter of fission signal, we got good results that verified the effectiveness and reasonability of the method.     

基于深度信念网络与混合波长选择方法的蓝莓糖度近红外检测模型优化

利用近红外光谱技术结合组合区间偏最小二乘（SiPLS）、竞争性自适应重加权（CARS）、连续投影算法（SPA）、无信息变量消除（UVE）特征提取方法,运用深度信念网络（DBN）建立蓝莓糖度的通用检测模型,实现蓝莓糖度在线无损快速检测。采集了“蓝丰”和“瑞卡”共280个蓝莓样本的近红外光谱,采用手持折光仪测定其糖度;首先利用联合X-Y的异常样本识别方法（ODXY）检测到蓝丰和瑞卡蓝莓分别有2个和4个样本呈现异常,剔除该6个异常样本,对其余274个样本利用光谱-理化值共生距离算法（SPXY）以3∶1的比例划分出训练集和测试集;其次,对比分析卷积平滑（S-G平滑）、中心化、多元散射校正等预处理对蓝莓原始光谱的改善效果,运用SiPLS对光谱降维,筛选特征波段,利用CARS,UVE和SPA方法对特征波段进行二次筛选,以最优的特征波长建立DBN和偏最小二乘回归（PLSR）模型。结果表明,蓝莓糖度近红外检测模型的最优预处理方法为S-G平滑,SiPLS方法挑选的蓝莓糖度最优波段为593~765和1 458~1 630 nm,UVE算法从SiPLS筛选的346个变量中优选出159个最佳波长。建立蓝莓糖度DBN模型时,分析了不同隐含层数对检测模型的影响,并以交互验证均方根误差（RMSECV）作为适应度函数,利用粒子群算法（PSO）对各隐含层神经元个数在[1,100]之间寻优,发现隐含层为3层且隐含层节点数为67-43-25时,DBN模型的RMSECV达到最小,为0.397 7。无论是以全光谱还是特征波长建模,蓝莓糖度近红外DBN模型均优于常规PLSR方法;尤其以UVE方法二次筛选的特征波长建立的模型大大减少了建模变量,且模型精度更高,蓝莓糖度最优的PLSR模型测试集相关系数（R_P）为0.887 5,均方根误差（RMSEP）为0.395 9,最优DBN模型R_P为0.954 2,RMSEP为0.310 5。研究表明,利用SiPLS-UVE进行特征提取,结合深度信念网络方法建立的蓝莓糖度检测模型可以更好地完成蓝莓糖度在线精准分析,该方法有望应用于蓝莓及其他果蔬内部品质检测。     

A New Method Based on Time-Varying Filtering Intrinsic Time-Scale Decomposition and General Refined Composite Multiscale Sample Entropy for Rolling-Bearing Feature Extraction

The early fault diagnosis of rolling bearings has always been a difficult problem due to the interference of strong noise. This paper proposes a new method of early fault diagnosis for rolling bearings with entropy participation. First, a new signal decomposition method is proposed in this paper: intrinsic time-scale decomposition based on time-varying filtering. It is introduced into the framework of complete ensemble intrinsic time-scale decomposition with adaptive noise (CEITDAN). Compared with traditional intrinsic time-scale decomposition, intrinsic time-scale decomposition based on time-varying filtering can improve frequency-separation performance. It has strong robustness in the presence of noise interference. However, decomposition parameters (the bandwidth threshold and B-spline order) have significant impacts on the decomposition results of this method, and they need to be artificially set. Aiming to address this problem, this paper proposes rolling-bearing fault diagnosis optimization based on an improved coyote optimization algorithm (COA). First, the minimal generalized refined composite multiscale sample entropy parameter was used as the objective function. Through the improved COA algorithm, optimal intrinsic time-scale decomposition parameters based on time-varying filtering that match the input signal are obtained. By analyzing generalized refined composite multiscale sample entropy (GRCMSE), whether the mode component is dominated by the fault signal is determined. The signal is reconstructed and decomposed again. Finally, the mode component with the highest energy in the central frequency band is selected for envelope spectrum variation for fault diagnosis. Lastly, simulated and experimental signals were used to verify the effectiveness of the proposed method.