基于IFD与DE-ELM的轴承故障诊断

针对局部均值分解（LMD）实现过程中存在的模态混淆现象和端点效应,影响识别精度的问题,提出了一种基于本征频率尺度分解（IFD）与差分进化极限学习机（DE-ELM）的方法。该方法将数字图像处理的频率分辨率概念与LMD结合起来;首先确定原始振动信号中的所有局部极值点的频率分辨率,将振动信号分为高频率分辨率区域和低频率分辨率区域;然后,构造本征频率尺度函数,将本征频率尺度函数添加到局部极值点低频率分辨率区域;最后,对添加本征频率尺度函数的原始振动信号进行LMD分解,在得到的乘积函数（PF）分量中剔除本征频率尺度函数,就可以得到突出原始信号振动特征的不同频率分辨率的PF分量,提取PF分量的特征参数构建特征向量作为DE-ELM的输入,进行故障类型识别。将该方法应用于轴承故障诊断,与LMD相比,故障识别精度提高了8.33%,表明了该方法的有效性与可行性。     

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.     

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。     

基于BSS和BPNN-DS算法的光纤入侵传感网络信息的高精度识别

采用传统单路传感光纤实现对信息特征的测量,常由于交叉敏感等不可控因素使测量数据出现异常值,导致信息分析偏差较大,识别准确度低。因此,提出了一种基于双相干谱、样本熵和奇异值分解(BSS)和反向传播神经网络(BPNNDS)算法的多路光纤入侵传感系统信息的特征提取与识别方法。针对含3路传感光纤的布里渊光时域反射(BOTDR)传感入侵检测系统,该方法利用BSS算法分别对不同入侵类型的多路信号进行特征提取;采用BPNN算法对不同入侵振动特征矢量进行分类;经Dempster Shafer(DS)证据理论算法对多路传感光纤的时空信息进行融合。数值分析与仿真实验结果表明,提出的信息提取方法可以有效提取出多路传感网络的信息特征,且使用BPNN-DS证据理论的多路信息融合方法能够准确识别多路入侵传感网络的信号类型,具有较高的准确度和可信度。     

基于总体平均经验模态分解的光纤周界预警系统模式识别方法

针对光纤周界预警系统输出信号的非平稳特性,提出了一种基于总体平均经验模态分解(EEMD)的模式识别方法。预警系统基于Mach-Zehnder干涉原理,利用4条单模光纤构成分布式扰动传感器,实时监测周界入侵事件。该方法引用具有自适应性的EEMD算法将振动信号分解成多个本征模态函数(IMF)。根据不同振动信号能量各异的特点,提出EEMD能量熵的方法排除非入侵的干扰。最后建立双重支持向量机对入侵信号进行识别。实验结果表明:该方法可以有效排除非人为入侵的干扰,准确识别攀爬、敲击和其他虚警信号,平均正确识别率优于92%,提高了系统的报警识别率,降低了误报率。     

基于LMD的PWM整流电路故障特征提取新方法

脉冲宽度调制(PWM)整流电路结构日益复杂,对其可靠运行提出了更高的要求;对局域均值分解(LMD)用于PWM整流电路的故障特征提取进行研究,提出一种基于LMD和加权频带能量法的特征提取新方法;该方法通过逐步抽取调频调幅成分将故障信号在频域上展开,然后基于信号能量的频带分布特点,充分考虑各频带成分与故障的相关性,构造故障特征向量,实现特征提取;最后以PWM整流电路为例进行仿真,相电压380 V,仿真时间0.5 s,0.1 s时注入故障;结果表明,该方法能有效地提取故障信号的特征,并降低特征向量的维数。     

基于相位敏感型光时域反射仪的袋式 除尘器漏袋检测技术

采用相位敏感型光时域反射仪的分布式光纤传感系统对除尘器内滤袋进行实时监测.通过对光纤在除尘器滤袋内敷设方式的设计,实现了对除尘器内滤袋的定位.对6种类型的破袋内光纤振动信号进行采集,且当这些滤袋没有破损时,对其光纤振动信号也进行采集.采用小波包分解法计算了滤袋内光纤振动信号的信息熵和相关系数,并将两参数合并构成二维特征参量.分析了在不同的二维特征参量下,好袋内光纤振动信号和破袋内光纤振动信号之间的特征差别.以类型3滤袋信号特征样本作为训练样本对反向传播神经网络进行训练,然后对6种类型的滤袋信号特征样本进行识别,结果显示该方法对6种类型的滤袋具有较高的识别稳定性,且平均滤袋识别率分别达到96.2%、88.7%、98.4%、98.5%、98.5%、98.5%.     

基于MMFD-FCM的退化状态识别方法及其应用研究

为了有效地对机械设备运行状态进行监测,进而对其性能退化状态进行识别,提出一种基于形态多重分形维数(MMFD)与模糊C均值聚类(FCM)的性能退化状态识别方法;该方法首先计算机械设备振动信号的形态多重分形维数,以此作为性能退化特征指标;该特征指标能够有效反映峰值在振动信号中概率分布的不均匀程度,从而定量描述振动信号的性能退化状态,并且与多重形态分形维数相比,利用数学形态学计算的MMFD精度更高,计算速度更快;在此基础上,鉴于不同退化状态之间的模糊性,针对性地采用模糊C均值聚类方法对特征指标进行模糊聚类,从而有效识别性能退化状态;将该方法应用于滚动轴承全寿命周期振动信号中,分析结果验证了该方法的有效性。     

基于粒子滤波状态估计的滚动轴承故障识别方法

提出了一种基于粒子滤波状态估计的滚动轴承故障识别方法,该方法主要包括故障模型建立和故障识别两个步骤。在故障模型建立部分,首先依据滚动轴承不同故障状态下的振动信号,建立对应的自回归模型,作为故障模型;在故障识别部分,将正常状态下对应的模型,转化为状态空间模型,设计粒子滤波器,然后对不同的故障状态进行估计,提取其残差的相关特征,并结合模型参数特征应用BP神经网络识别算法进行故障识别。最后以美国凯斯西储大学的滚动轴承振动数据为例,验证了该方法的有效性。     

航空通信中干扰下的鲁棒性通信方法

航空器在进行空-地通信时,信道中会存在大量非线性的干扰信号,导致通信信号发生鲁棒性变化。提出一种基于信息最大化算法的航空通信中干扰下的鲁棒性通信方法,根据航空通信的特点建立通信模型,利用均值化处理方法和白化处理方法对通信信号进行预处理,利用信息最大化算法对信号进行信澡分离,实现了航空通信信号的鲁棒性要求;在Matlab7.0平台上完成测试,实验时航空通信划分成外部干扰,能够忽略和外部干扰不可忽略两种情况;仿真时间定为3 000 s,干扰源数目为12个,实验结果表明利用该算法对原始信号的拟合率达到97%左右,鲁棒性误差平均在3%左右,而传统算法误差在10%以上,表明该算法信号的鲁棒性更强。     

相位敏感光时域反射计识别入侵事件算法

在相位敏感光时域反射计识别入侵事件中,基于传统算法研究了时间域单点振动判断、空间域相邻点振动判断、特征量峰值比例判断相互结合的算法,并从算法的识别准确率、实时性、复杂性、定位稳定性等角度,衡量算法的优劣.实验验证发现,时间域单点振动判断、空间域相邻点振动判断结合的算法识别入侵事件准确率最高,达100%,且实时性满足性能要求,算法简单,定位稳定性好.该算法在不同频率下振动事件中适用性较强,可为相位敏感光时域反射计应用于安防监测领域的信号处理部分提供参考.     

基于改进的自适应回归时序模型故障诊断

汽车变速箱的故障诊断工作比较复杂,由于传统的诊断方法已不能满足复杂的故障现象, 文中提出了一种基于改进的自适应回归时序模型故障诊断方法;方法采用了基于时间序列故障诊断技术,首先测取工作环境下的振动信号,然后建立被诊断对象的时间序列数学模型,最后用信息距离判别法诊断出故障类型,提高了诊断效率;最后在变速箱进行了实验研究;选用型号为621B40型ICP加速度传感器测取变速箱的振动信号,通过设置模型参数(n,m)来模拟故障检测,实验分析表明,提出的算法可以有效地识别变速箱系统中不同严重程度的故障,且与传统的故障诊断算法相比,提出的算法对提高识别率和降低计算复杂度都有着明显的优势。     

基于相位敏感型光时域反射仪的除尘器破袋检漏及定位技术

针对水泥生产行业中袋式除尘器破袋检漏定位问题,提出了基于分布式光纤振动传感的检漏定位方法。分布式光纤振动传感系统灵敏度高,可以检测到布袋破损后粉尘气流对光纤产生的微振动信号,以此判断布袋是否破损,并通过时域差分法来定位破袋。搭建了一套相位敏感型光时域反射仪(φ-OTDR),通过室内模拟得出该系统最大信噪比为10dB,实际空间分辨率为23.7m,同时验证了该系统能响应低频粉尘气流扰动信号。在现场平台实验基础上,结合支持向量机(SVM)算法对现场测试数据进行识别分类,平均破袋识别准确率可达97.8%。结合φ-OTDR分布式系统与SVM算法可有效解决袋式除尘器破袋检漏定位问题。     

基于光谱特征拟合的艺术画颜料成分识别研究

高光谱成像技术作为一种高效无损的检测方法,根据不同的物质成分在光谱上表现出不同的光谱信息,可以从图像上方便的鉴定出物质成分组成。本文分别利用可见光高光谱与红外高光谱成像技术对一幅古画进行颜料光谱成像,通过最小噪声分离(MNF)、纯净像元提取(PPI)、光谱特征拟合方法(SFF),与标准波谱库匹配,识别出该幅古画所用颜料成分主要由:朱砂、石青、白云母和金云母等组成,匹配度分别为:0.76,0.57,0.62,0.89。实验表明:利用高光谱成像技术不但可保存图像信息,物质成分波谱信息,还可还原受污染区域,为以后深层次研究提供详实资料。     

布里渊散射谱拟合的混合优化算法

基于布里渊光时域分析仪的全分布式光纤传感系统中,光纤沿途的探测信号含有噪声导致被测量的温度或应变信息难以识别,光谱拟合的精确度对传感信息的识别非常重要。在传感系统低信噪比的情况下,提出了一种提取高精度布里渊散射谱特征的拟合方法,利用小波去噪结合莱文伯-马奈特(LM)算法调节权值后向传输(BP)网络对布里渊散射谱进行特征提取。克服了传统BP神经网络易陷入局部极值的缺点,保证求解的精度。数值仿真表明,该方法适合不同权重比、不同线宽和低信噪比以及大测量范围的情况进行光谱拟合,并且在信噪比为10dB的情况下得到拟合度均超过0.96。实验结果表明,该方法适用于多种泵浦功率情况下的布里渊散射谱的特征提取,优于传统BP神经网络算法且具有较高的拟合精度。     

卷积噪声环境下语音信号鲁棒特征提取

提出了一种基于独立分量分析(ICA)的语音信号鲁棒特征提取算法,用以解决在卷积噪声环境下语音信号的训练与识别特征不匹配的问题。该算法通过短时傅里叶变换将带噪语音信号从时域转换到频域后,采用复值ICA方法从带噪语音的短时谱中分离出语音信号的短时谱,然后根据所得到的语音信号短时谱计算美尔倒谱系数(MFCC)及其一阶差分作为特征参数。在仿真与真实环境下汉语数字语音识别实验中,所提算法相比较传统的MFCC其识别正确率分别提升了34.8%和32.6%。实验结果表明基于ICA方法的语音特征在卷积噪声环境下具有良好的鲁棒性。      

利用深度神经网络实现分布式相干瑞利光纤振动事件分类

该文利用分布式相干瑞利光纤传感系统,在西气东输一线无锡至苏州段开展现场测试,采集了光纤沿线车辆行走、机械挖掘、人工锄地、定向钻孔等8种振动作业产生的光纤信号,并提出了一种具有5层结构的全连接深度神经网络用于振动事件分类识别以实现不同振动作业的分级管理。振动作业产生的光纤信号能量集中在低频,该文利用梅尔对数频率的非均匀特性提取了25维单帧信号特征量,并将连续40帧信号特征量组合成高维向量作为网络输入特征向量,实现对不同振动作业时变特性的建模。分类识别结果表明,基于深度神经网络结构的振动信号分类识别器能够有效识别不同振动作业类型,实际线路实验验证了该文算法的有效性。     

改进粒子滤波在汽轮机故障诊断中的应用夏飞,郝硕涛

针对汽轮机的振动信号容易受到较为复杂的随机噪声污染,提出了一种改进粒子滤波的振动信号降噪方法。首先建立采集振动信号的数学模型,将其作为粒子滤波的状态方程;然后利用小波分析提取采集振动信号的背景噪声,将其和状态信号一起作为观测信号,得到观测方程,把降噪问题转化成在状态空间模型下的滤波问题。由于采用序贯重要性采样的粒子滤波存在着样本退化问题,在重采样阶段采用了一种权值排序、优胜劣汰的重采样算法,就是对各粒子的归一化权值从小到大的排列顺序,并根据权值方差大小淘汰粒子,从而得到了改进的粒子滤波算法,在一定程度上解决了标准粒子滤波的退化问题。进而运用改进粒子滤波算法对振动信号进行降噪处理,降噪前信号和降噪后信号分别通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征向量浓缩了汽轮机振动故障的全部信息,对提取的故障特征向量应用诊断识别算法进行故障模式识别。通过对比降噪前信号和降噪后信号的故障诊断识别率,证明了改进粒子滤波在汽轮机故障诊断中的应用效果更佳。     

基于经验模态分解的虹膜识别

虹膜识别是一种有效的生物特征识别方法。经验模态分解(EMD)是一种可自适应的对非线性、非平稳信号进行多分辨率分解的信号分析算法。将虹膜图像进行EMD分解,找出有利于虹膜识别的敏感频带,使用选择后的固有模态分量对虹膜图像进行特征提取。仿真实验结果表明,该方法正确识别率达到99.44%,并且由于其在特征提取的同时消除了高频噪声和背景光影响,简化了预处理过程,降低了算法的复杂度。     

改进粒子滤波在汽轮机故障诊断中的应用

针对汽轮机的振动信号容易受到较为复杂的随机噪声污染,提出了一种改进粒子滤波的振动信号降噪方法;首先建立采集振动信号的数学模型,将其作为粒子滤波的状态方程;然后利用小波分析提取采集振动信号的背景噪声,将其和状态信号一起作为观测信号,得到观测方程,把降噪问题转化成在状态空间模型下的滤波问题;由于采用序贯重要性采样的粒子滤波存在着样本退化问题,在重采样阶段采用了一种权值排序、优胜劣汰的重采样算法,就是对各粒子的归一化权值从小到大的排列顺序,并根据权值方差大小淘汰粒子,从而得到了改进的粒子滤波算法,在一定程度上解决了标准粒子滤波的退化问题;进而运用改进粒子滤波算法对振动信号进行降噪处理,降噪前信号和降噪后信号分别通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征向量浓缩了汽轮机振动故障的全部信息,对提取的故障特征向量应用诊断识别算法进行故障模式识别;通过对比降噪前信号和降噪后信号的故障诊断识别率,证明了改进粒子滤波在汽轮机故障诊断中的应用效果更佳。