随机共振结合RobustICA的两阶段结构损伤定位方法

为实现强噪声背景低信噪比环境下的结构损伤识别,提出一种基于非线性随机共振降噪与鲁棒性独立分量分析(RobustICA)的两阶段损伤定位方法.第一阶段,运用非线性随机共振系统对强噪声低信噪比的测量响应进行预处理,以降低背景噪声的干扰并增强结构响应;第二阶段,结合RobustICA提取包含损伤信息的特征分量对结构响应异常进行识别,之后计算归一化的源分布向量(NSDV)的最大值对结构损伤异常进行定位.框架数值算例结果表明,所提出的算法能够较精确实现信噪比为5dB下的结构损伤异常识别与定位.     

基于多类型传感器信息的结构损伤识别方法

计算2组基于径向基神经网络的结构损伤程度识别结果,一组神经网络输入是加速度传感器信息,另一组神经网络输入是应变传感器信息;以2组识别结果及其可靠性为基础,提出采用D-S证据理论数据融合方法的结构损伤程度综合识别方法.以网壳结构为研究对象,建立结构损伤模型和神经网络样本库及输入输出向量,并对不同噪声水平下结构损伤程度识别结果进行计算.计算结果显示,基于多类型传感器信息的结构损伤程度综合识别结果的误差明显小于基于单类型传感器的识别结果,并在神经网络输入有噪声的情况下,仍保持较好的效果.因此,基于多类型传感器信息的结构损伤程度识别方法在合理应用结构多类型响应信息的基础上,能够获得更优的结构损伤程度识别结果.     

融合语音增强与后续补偿的抗噪声语音识别方法

为了提高基于隐含Markov模型的语音识别系统在噪声环境中的稳健性,研究了一种融合语音增强与后续补偿的抗噪声语音识别方法.在前端,语音增强有效地抑制背景噪声,从而提高了输入信号的信噪比.语音增强后的剩余噪声以及语音失真是对语音识别不利的因素,其影响将通过识别阶段的并行模型合并或特征提取阶段的倒谱均值归一化得到补偿.实验结果表明,此方法能够显著地提高语音识别系统在噪声环境中,特别是低信噪比条件下的识别精度,如对-5 dB的自噪声,该方法可将识别精度从11.7%提高至71.0%.     

一种具有强抗噪性的深度学习故障诊断模型

针对旋转机械运行环境噪声大,现有的基于深度学习的故障诊断模型抵抗强噪声干扰能力不足的问题,提出了一种具有强抗噪性的深度学习故障诊断模型(HAT-MSCNN)。首先将齿轮箱训练集正常状态下样本的频谱信号由大到小排列,取排序的第k个的幅值α为基准值,将训练集中所有样本的频谱信号低于α的值置0,降低了易与噪声耦合的低幅值频率成分对诊断模型的干扰,突出了高幅值频率成分对故障诊断模型的贡献,同时保留零值所在的位置信息。然后将经过此处理的训练集输入到由多种移动步长卷积核组合的多尺度卷积神经网络中进行训练,最终得到强抗噪性的故障诊断模型。以精确率和召回率的调和平均值F作为模型的评价指标,并使用加权梯度类激活映射方法可视化模型的分类权重,在具有丰富故障模式的PHM2009齿轮箱数据集上验证模型。将所提模型与以原始振动信号作为输入的Raw-MSCNN模型、以频谱信号作为输入的Frequency-MSCNN模型、以集合经验模态分解(EEMD)降噪后的信号作为输入的EEMD-MSCNN模型和以所提训练集样本构造方法处理后的信号作为输入的HAT-CNN模型进行对比,结果表明,所提模型在测试集信噪比为-4dB时,诊断的F值为98.6%,比第二名的Frequency-MSCNN高了6.4%,在更强噪声干扰的测试集信噪比为-6dB时,F值为89.1%,比Frequency-MSCNN高了10.9%,证明了所提的HAT-MSCNN模型具有在强噪声干扰下的抗噪能力。     

基于模糊函数主脊切片和深度置信网络的雷达辐射源信号识别

雷达辐射源信号识别是电子侦察系统的关键组成部分,为了提高低信噪比条件下对低截获概率雷达信号识别的准确率,提出了一种基于模糊函数主脊切片(MRSAF)与深度置信网络(DBN)的雷达辐射源信号识别方法。首先对雷达信号进行奇异值分解(SVD)进行降噪预处理,求解雷达信号的模糊函数并提取其主脊切片包络,采用奇异值分解方法降低噪声对主脊切片包络的影响,然后建立基于受限波尔兹曼机的DBN模型并运用标签数据有监督微调模型参数完成训练,最后基于该算法模型实现辐射源信号的分类和识别。仿真结果表明:该方法在低信噪比条件下也有较高的识别率,信噪比高于-4dB时,识别率可以达到90%以上,验证了本算法的有效性和应用价值。     

一种改进轻量化神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断精度低以及深度神经网络模型对计算机硬件要求高等问题,提出了Shuffle-ECANet网络模型用于齿轮箱故障诊断。该模型以轻量化神经网络ShuffleNet V2为基础,在保留网络轻量化结构的同时对网络模型进行了优化,采用Gelu激活函数增强了模型非线性变换能力,嵌入高效通道注意力(efficient channel attention, ECA)模块以提高网络性能。深度可分离卷积提高了网络模型的运算效率,通道混洗技术使得信息更加流通,提高了特征表达能力。实验结果表明,本文所提网络模型在保证轻量化的同时适用于不同噪声工况的齿轮箱故障诊断,在原信号下可达99.6%的诊断准确率,在添加了信噪比为-8 dB的高斯白噪声下可达92.7%的诊断准确率。本文所提方法为神经网络更好地应用于齿轮箱故障诊断提供了一条新的途经。     

基于小波包样本熵和支持向量机的框架结构损伤识别

基于小波包样本熵和支持向量机原理,研究了钢框架结构的损伤定位识别方法.分析在冲击载荷作用下框架结构的动力响应,对加速度信号进行小波包分解,建立小波包样本熵的损伤指标,采用支持向量机原理,识别结构损伤位置以及损伤程度.研究表明,该方法能够利用单一的传感器,实现理想的识别效果,且具有一定的适用性和鲁棒性,在60 dB的噪声水平环境中损伤定位识别结果在90％以上,在40 dB的噪声水平环境中,损伤程度识别结果在90％以上,框架实验模型研究表明,柱的损伤识别精度要高于梁的损伤识别精度.     

基于集成神经网络的板下地基脱空判定

通过有限元法建立了地基脱空的混凝土路面计算模型.提出采用基于信息融合理论的集成神经网络技术对混凝土路面脱空状况进行识别,通过路面脱空输入特征向量的组合,用各子神经网络对混凝土路面脱空进行初步缺陷识别,然后对识别结果进行决策融合.给出了系统的实现策略和子网络的组建原则.数值模拟结果表明,采用这种识别方法合理地选取了各种输入特征向量,具有更好的识别效果.     

采用应变能方法定量分析输电塔损伤程度

为了解决输电塔结构的损伤识别问题,提出了基于模态应变能变化率和能量方程的两步识别方法。首先利用模态应变能变化率方法进行较为精确的损伤定位,然后引入损伤后的单元刚度矩阵,对结构模态应变能耗散率理论进行了相关的改进研究,从而推导出更精确的损伤定量方程方法。该方法只需要前几阶振型模态,不需要完备的测量信息。数值仿真的结果表明,该两步识别方法可以有效地识别出输电塔结构的损伤位置和程度。     

基于KPCA-LSSVM的发动机PT燃油系统故障诊断

为有效解决PT燃油系统进油油路堵塞、滤清器泄漏、喷油器油路堵塞等多种典型故障诊断问题,提出了基于核主元分析(KPCA)和最小二乘支持向量机(LSSVM)的故障识别方法。首先计算油压信号的时域特征集,然后采用KPCA对原始多维初始特征向量进行特征提取,最后将经过KPCA提取的主特征向量输入经多种群遗传算法(MPGA)优化的LSSVM中实现故障类型的识别。实验结果表明,KPCA提取的主特征向量有效表达了原始故障的特征信息,相比于传统的BP神经网络和未经参数优选的LSSVM等分类模型,基于KPCA-LSSVM的故障识别方法速度更快、分类准确率更高。     

基于RMT-CNN的电网短路故障定位研究

随着我国智能电网的快速发展,电网监测数据呈现多元化、高速化、海量化的趋势.为了充分挖掘电力大数据的潜在价值,实现电网内异常区域的自动识别与定位,本文研究了基于随机矩阵理论（random matrix theory,RMT）和卷积神经网络（convolutional neural networks,CNN）的电网异常事件定位方法.首先根据电网内部联系将电网划分为若干子系统,分区构建监测矩阵;然后采用RMT作为数据挖掘的特征提取方法,提取分区矩阵特征向量作为输入,根据电网监测数据和异常识别需求的特点搭建CNN模型;最后基于分区矩阵特征向量构建数据集,训练获得有效的异常事件自动定位CNN模型.以IEEE39节点电网模型三相短路故障为例,分析表明通过RMT提取特征向量的预处理方法能有效降低数据维度,提高CNN模型的故障定位准确率,分区RMT-CNN模型能有效定位电网内异常事件的发生地点,定位精度可达97.96%,精确率可达98.65%.     

基于能量特征的小波概率神经网络损伤识别方法

以小波能量特征向量作为概率神经网络(PNN)的输入向量集,提出了小波概率神经网络(WPNN)的损伤识别方法．为了验证该方法的有效性,对钢框架进行了损伤识别研究,并考虑了随机噪声的影响．识别结果表明：WPNN抗噪声能力强,识别精度高,在结构损伤识别与在线检测方面具有潜力。     

基于密集连接机制的无线信号调制识别

为提高复杂信道环境下无线通信系统对调制信号的检测识别能力,以及针对当前调制识别方法存在的模型复杂、计算量大、输入数据特征不完备等问题。提出一种改进的深度学习算法模型,对真实无线环境下的9种常见调制信号进行识别研究。该算法通过对原始的同相正交(in-phase quadrature, IQ)数据进行幅度相位计算,以此增加模型输入数据的特征信息,采用改进的密集神经网络(dense neural network, DenseNet)对常见调制信号进行识别分类。实验结果表明：在相同的训练数据样本中,相比其他深度学习调制识别算法,改进算法性能最优。在信噪比为0时,DenseNet平均识别率达到84.6%。改进的IQ输入数据明显提高了无线信号的检测识别率,在信噪比为-10 dB和-5 dB时,调制信号的识别率提高了10%。     

利用组合模态参数识别结构损伤的神经网络法

采用组合模态参数在有限元模型基础上对结构损伤进行了识别.同时考虑了噪声输入情况下,即存在数据误差时神经网络的损伤识别能力.结果表明,以组合模态参数作为网络输入参数,并通过学习训练所得网络不仅具有理想的损伤识别能力,还具备良好的容错性和鲁棒性.     

基于多尺度模型修正的结合梁斜拉桥损伤识别方法

以灌河大桥为工程背景,提出了基于多尺度有限元模型修正的结合梁斜拉桥损伤识别方法.首先基于现场环境振动试验结果和两阶段响应面方法对初始多尺度模型进行修正,并将修正后模型定为原始未损伤状态;进而,利用多尺度模型修正方法对结构不同部位不同程度的损伤进行识别,并探讨了模态曲率损伤指标和单元模态应变能损伤指标对不同结构尺度损伤的敏感性.分析结果表明:在不考虑噪声干扰情况下,模态曲率和单元模态应变能指标对精细小尺度单元区域主梁微小(1%)损伤均较为敏感,可识别出结构的损伤位置,而对大尺度单元区域的损伤敏感性略低;在考虑噪声干扰情况下,精细小尺度单元区域比大尺度单元区域在损伤识别方面的抗噪性更好,且模态应变能损伤指标的抗噪性略优于模态曲率损伤指标.故而提出的多尺度建模及其损伤识别方法具有应用到实际工程中微损伤识别的潜力,并为大跨结构损伤预后奠定了基础.     

基于不完备静态数据的结构损伤两阶段识别方法

在结构损伤识别中,由于实测数据有限而待识别参数过多,往往导致传统的结构损伤识别方法判断损伤位置不准确或损伤程度识别误差较大,从而限制了其在复杂结构中的应用.将基于静态应变能的损伤定位指标和基于有限元缩聚法的损伤程度计算相结合,提出了一种两阶段的结构损伤识别方法.该方法利用损伤定位指标对结构可能的损伤位置进行定位,在确定可能损伤位置的基础上,利用模拟退火算法求解损伤状态方程,从而确定损伤程度.为验证该方法的有效性和可靠性,分别对5单元超静定、13单元静定和10单元超静定平面桁架的损伤识别进行了数值模拟.结果表明,该方法不仅可有效地识别出结构的损伤位置和程度,而且对测量噪声具有较强的鲁棒性.     

基于卷积神经网络和迁移学习的结构损伤识别

针对传统基于机器学习损伤识别方法手工提取特征适应性差、识别能力弱等问题,提出一种基于卷积神经网络和迁移学习的新颖、快速结构损伤识别方法.首先根据损伤特征向量特点,提出原始信号的分帧处理流程;其次考虑多传感器数据融合要求,建立多通道一维卷积神经网络结构损伤识别模型,给出模型的整体流程和网络参数;然后采集不同通道和不同噪声水平下,模拟不同位置程度损伤的15层框架数值模型加速度数据,进行损伤识别;最后将网络模型进行迁移学习,对7层框架模型试验进行损伤识别,并验证所提方法的可行性、准确性和计算复杂性.结果表明,该方法实现了特征自适应提取、损伤位置和损伤程度的精准识别,具有突出的计算效率.     

基于深度学习的交警指挥手势识别

为解决无人驾驶汽车快速准确地识别交警指挥手势的问题,本文提出一种基于深度学习的三通道输入交警指挥手势识别方法.仿真实验表明,利用深度学习优化模型参数后,采集的8种交警指挥手势数据集的平均识别准确率可达97.87%,识别率较高,具有一定的应用价值.     

多类型的雷达有源干扰感知新方法

针对雷达有源干扰可识别的类型有限且识别效果欠佳的问题,提出了一种多类型雷达有源干扰识别新方法。该方法首先利用变分模态分解对雷达有源干扰信号进行分解,得到具有不同中心频率带宽有限的固有模态分量,然后分别计算每个固有模态分量相应的矩形积分双谱,并计算其Renyi熵以组成特征参量,最后采用随机森林分类器将多个随机决策树的结果取众数,从而实现了雷达有源干扰类型的识别。仿真结果表明,所提方法不但能够有效地识别多种不同类型的雷达有源干扰,而且具有良好的抗噪声性能和稳健性。与基于熵理论的识别方法和基于时频特征的识别方法相比,当信噪比为5 dB时,压制式干扰识别率分别提高了0.33%和1.75%;与基于时频图的识别方法和基于时频分布的识别方法相比,当信噪比为0 dB时,拖引欺骗干扰识别率分别提高了3.89%和5.06%。     

基于不完备模态测试信息的结构损伤识别方法研究

测试信息不完备、测量噪声等因素是制约结构损伤识别方法应用的主要难点.为此首先采用部分测点的实测模态振型数据和未测点的有限元模型模态振型数据构造出完整的模态振型.其次,建立了一种适合梁系和杆系结构的基于不完备测试信息的损伤识别方程,并采用Levenberg-Marquardt非线性最小二乘算法进行了方程的求解.由于采用的是标量损伤模型,该方法可以同时进行结构的损伤定位和定量研究.最后,用一个平面桁架模型进行了数值模拟,重点考查了实测自由度数、模态数、测试噪声对损伤识别结果的影响.研究表明,在测试数据不完备及一定噪声水平条件下,该方法仍有较好的损伤识别能力.