更正说明

<正>本刊2019年第3期15～21页刊登的论文《中压开关设备故障类型的声音识别方法》,因校对失误,误加了基金项目,现予以删除。特此更正。     

基于隐马尔科夫模型的履带行走装置状态识别

针对驱动轮断齿故障对履带车行驶振动的影响,在实验室对小型履带车展开驱动轮正常、断齿状态的路面振动测试.基于隐马尔科夫模型(HMM)的状态识别方法,对履带行走装置在不同运行状态的振动信号进行分析识别,利用小波包分解求出各种状态在不同频带上的能量百分比作为HMM的输入特征向量,建立包含驱动轮正常、断齿两种状态的HMM模型库...     

基于小波能谱熵和神经网络的输电线故障识别

在暂态电流信号小波变换结果的基础上,采用小波能谱熵定义,对小波分解系数进行处理,提出了一种基于小波能谱熵和神经网络的输电线路故障类型识别方法。该方法通过计算故障前后三相电流信号小波变换系数沿尺度分布的小波能谱熵,经过适当处理,输入神经网络,利用神经网络在模式识别方面的优势,输出结果即为故障类型识别的结果。仿真结果表明,该故障类型识别方法不受故障类型、故障电阻及故障位置等因素的影响,识别结果准确可靠。     

基于多尺度梅尔倒谱系数的转辙机声信号状态识别方法

为了准确地识别铁路转辙机所处的工作状态,保证列车能够安全行驶并转向,提出了一种基于声音信号的转辙机状态识别方法。首先将声音信号预处理后提取其梅尔倒谱系数（MFCC）;为更加全面表征转辙机声信号的特点,对MFCC进行改进得到多尺度MFCC特征;引入卷积神经网络（CNN）构建转辙机声信号识别模型,并采用五折交叉验证法获得两种特征的识别准确率。本实验将S700K型转辙机在四种状态下运行时采集的真实声音信号进行训练和测试。实验结果表明,多尺度MFCC特征可使转辙机声音状态识别准确率至少提高7.5%。并且在低信噪比下,多尺度MFCC特征也有更好的表现,其准确率相较传统MFCC可提升35%。     

基于EEMD的异常声音多类识别算法

为了提高异常声音信号的识别率,提出一种将总体平均经验模态分解和梅尔频率倒谱系数、短时能量及能量比相结合的特征提取改进算法,并对决策导向无环图支持向量机多类识别算法进行改进.首先对声音信号进行分帧,然后对每帧信号进行总体平均经验模态分解得到固有模态函数,最后对每层固有模态函数提取梅尔频率倒谱系数、短时能量和能量比特征.根据提取的特征,采用改进的决策导向无环图支持向量机算法对五种异常声音信号进行识别.仿真结果表明:改进的特征提取算法和决策导向无环图支持向量机多类识别算法相比改进前识的别率分别提高了2%和2.5%.     

基于GAR的同信道多信号的调制识别

为了解决同信道多信号的调制识别问题,提出了一种基于广义自回归(GAR)建模的调制识别方法。该方法利用观测数据的GAR模型参数估计各个待识别信号的短时平均中心频率和短时平均带宽,把一个多信号的调制识别问题转化为多个单信号的调制识别,并利用信号的短时平均中心频率和短时平均带宽的统计量作为特征输入到分类器,完成各个信号的调制类型识别。计算机仿真结果表明,当待识别信号在频域没有重叠或者部分重叠时,该方法都是有效的。     

航空发动机故障实体识别方法及应用

故障实体识别是自主获取航空发动机故障知识的基础，对实现航空发动机故障智能诊断起到至关重要的作用。为准确快速搭建航空发动机大规模故障知识库，在定义了“单元”“故障状态”“表征信号”“检查方法”和“解决措施”5种航空发动机故障实体类型的基础上，初步构建了一种以Bert BiLSTM CRF模型为基础的航空发动机故障实体识别方法。基于某型航空发动机大规模数据集分析抽取了故障实体，搭建了滑油压力异常故障知识图谱，验证了该方法识别航空发动机多源异构故障数据的有效性。     

基于频带能量分析的发动机转子早期故障识别

从检测信号中提取出发动机转子早期故障特征并进行快速识别是故障诊断的一个难点。将小波包分析与能量监测相结合,提出了根据频带能量对早期故障进行特征提取和识别方法。对频带能量分析原理,早期故障特征提取与识别方法进行了分析和研究,并将其应用于飞机发动机转子的早期故障识别。结果表明,频带能量分析方法能够有效地提取发动机转子早期故障特征并进行快速识别,特别是对于非平稳微弱早期故障信号,更具有明显优势。     

基于语谱图的改进型LBP肺音识别

为了准确区分各种肺音信号,获得更理想的肺音识别效果,提出了一种基于语谱图的改进型LBP肺音识别方法.首先通过短时傅里叶变换将肺音信号转化为灰度语谱图;其次利用改进后LBP算法计算语谱图的局部纹理关系,将局部二值模式特征进行级联构成特征向量;最后利用支持向量机对正常肺音和三类异常肺音信号进行识别分类.结果表明,该方法对不同肺音信号的识别率可达92.59%,为肺部疾病的医疗诊断提供了新的思路.     

基于HHT的结构损伤特征量与异常诊断

Hilbert-Huang Transform(HHT)是一种新的适用于非线性、非平稳信号且具有自适应性的数据处理方法.提出了一种基于HHT的结构损伤识别方法,该方法利用结构动态响应信号的HHT边际谱构造出损伤特征量--模态成分向量,进而定义结构异常指数.通过比较结构同一位置不同状态下模态成分向量的匹配度来识别结构特性变化,实现损伤辨识.数值模拟分析表明,该方法具有有效性和实用性.     

基于BP神经网络的海洋声学仪器信号识别方法

分析了几种常用海洋声学仪器信号的基本特征,提出一种基于误差反向传播(back propagation,BP)神经网络,以实现对信号特征参数进行分类、识别的方法.该方法采用短时傅里叶变换提取信号特征参数,运用Levenberg-Marquardt算法训练BP神经网络.以实测海洋声学仪器信号的特征参数进行训练后,采用实测和仿真样本对BP神经网络的识别能力进行测试.实验结果表明,BP神经网络能够有效地区分不同海洋声学仪器的信号,识别准确率达到95%以上,且虚警率低于5%.该研究成果可用于识别海域中不同海洋声学仪器,检测海洋中声学仪器的工作状态.该识别方法对于其他海洋声信号的识别研究也有一定的参考价值.     

基于谐波小波包变换的高速列车走行部故障特征提取与识别

文章针对高速列车行走部故障识别难的问题,提出了一种基于谐波小波包分解和相像系数的故障特征提取与分类识别方法,用谐波小波包分解法对各类故障信号进行多层分解,从中提取能反映各类故障特征的频带能量信息组成特征向量,通过计算和比较信号特征向量与不同故障特征向量的相像系数,实现对故障的识别与分类。实验结果表明,该方法能有效地识别列车正常、空气弹簧失气、抗蛇形减震器全拆及横向减震器全拆4种情况,同时在不同速度下均取得了满意的识别率,验证了该方法的有效性。     

基于小波包分解的整循环征兆提取与故障识别

为了检测内燃机气阀漏气的气密性故障,利用小波包分解改进算法,通过对柴油机完整工作循环内的缸盖振动信号进行小波包分解,从小波包分解系数中提取柴油机振动诊断的整循环征兆.由整循环特征向量图表明,正常状态时柴油机气缸盖振动信号中低频部分能量相对较大,高频部分能量相对较小;漏气状况时振动信号中的低频部分能量减小,而高频部分能量增加,由此实现了故障的识别.这说明基于小波包分解的整循环征兆提取与故障识别方法有效、可行.     

基于Mel频谱图和CNN的电网涉鸟故障鸟声识别

为了提高电网渉鸟故障防治的针对性，提出了一种基于Mel频谱图和卷积神经网络(CNN)的鸟声识别方法。建立常见渉鸟故障对应的40类代表性鸟种的鸣声样本集，对鸟鸣信号进行分帧、加窗与降噪等预处理，计算每帧信号在各个Mel滤波器中的能量，根据能量大小与颜色深浅的映射关系提取鸟鸣信号的Mel频谱图。以电网涉鸟故障相关鸟种的Mel频谱图作为输入，通过CNN反复执行卷积-池化过程提取Mel频谱图特征，并进行多次迭代训练调整网络内部参数，得到最优模型用于鸟种识别。算例结果表明，40类鸟种的识别准确率达96.1%,识别效果优于其他迁移学习模型。文中研究结果可为输电线路运维人员正确识别相关鸟种、开展渉鸟故障差异化防治提供参考。     

基于音频识别的无人值守变电站设备在线监测

介绍了无人值守变电站主设备音频在线监测系统的原理与结构,然后重点介绍音频数据的监测与识别过程.首先系统利用传感器采集变电站设备的音频信号,数据采集器把多路音频数据传至监控主机,音频数据经频谱分析和处理后提取到MFCC特征参数作为信号特征,再把特征参数输入正弦基神经网络进行识别,实现高效、准确地判断电气设备运行状态或故障类型.该方法从根本上改进了以往人工监听电气设备判断故障的方法,提高了设备故障检测效率,为及时发现和处理设备故障提供了帮助.     

随机状态空间模型在结构异常识别中的应用

对振动信号的随机状态空间模型,利用数据驱动随机子空间识别的计算理论得到结构的状态矩阵A.为克服状态矩阵的多样性问题,构造非奇异线性变换矩阵T,将状态矩阵转换为能控标准型,利用状态矩阵能控标准型中参数向量的向量角作为结构异常指标,对结构进行异常识别.数值实验验证了该方法的有效性.     

PCA-MGA-GRNN矿井通风机故障识别方法

为预防因矿井通风机故障而引起事故,基于生产安全及经济方面考虑,对矿井通风机故障类型进行准确、稳定、可靠的识别,提出将改进的遗传算法(MGA)与广义回归神经网络(GRNN)相耦合,从而实现对矿井通风机故障的能检测.通过研究通风机作业过程中振动信号与矿井通风机故障之间的关系,将其不同频率段能量值作为故障表征参数,并以相应的矿井通风机故障类型作为目标参数;对故障表征参数进行主元分析(PCA)计算后与目标参数作为GRNN的输入值与输出值加以训练;利用MGA优化GRNN的光滑因子参数,使其具有更好的网络性能,以此建立PCA-MGA-GRNN矿井通风机智能故障识别模型,结合实际的矿井通风机故障相关数据并经实验验证该模型的识别效果,同时与GA-BP、GA-GRNN、MGA-GRNN、SVM进行对比,实验结果表明该识别模型具有更好的运行速度,识别精度为0.96,可实现对矿井通风机故障类型的智能识别.     

基于短时能量的呼吸暂停信号识别方法

呼吸暂停是一种常见的疾病,严重的呼吸暂停会导致患者猝死。针对患者需要对睡眠过程中呼吸信号进行实时监测,提出了一种基于短时能量的呼吸暂停信号识别监测方法。该方法基于患者呼吸过程的信号频域特性,先对不同的患者进行自适应鼾声特征信号建模;之后通过神经网络信号识别方法,利用建立的模型对患者的呼吸信号进行呼吸暂停判断。实验结果表明,对不同的患者进行睡眠呼吸过程进行监测时,可以识别95%的呼吸暂停信号,本方法为呼吸暂停患者的实时监测提供了一种高精度的信号识别方法。     

基于小波包BP网络的超声检测缺陷类型识别

针对A型反射超声波检测仪难以准确识别缺陷类型的问题,探讨了基于小波包和BP神经网络相结合的超声检测缺陷类型识别方法。对检测的多组超声缺陷信号分别进行3层小波包分解,提取小波包频谱能量特征,归一化后构造了各缺陷信号的特征向量,并分别组成训练样本集和测试样本集,用于3层BP神经网络的训练和网络识别效果检验。实验结果表明该方法能准确快速地识别出超声检测缺陷类型。     

藏语语音的清浊音识别

清浊音识别在语音处理技术中具有非常重要的意义,其准确度对后续的语音处理有很大的影响.文章根据藏语言文字的特征提取了藏语有声段语音的短时能量、短时过零率以及短时自相关等参数,并通过对语音进行短时时域分析,研究了藏语的清浊音识别方法.实验证明,此方法在藏语辅音字母的清浊音识别中获得良好的效果,该方法为进一步深入研究藏语语音技术提供了一定的参考依据.