基于核密度估计方法的涤棉混纺纱拉伸断裂声发射信号分析

为了研究涤棉混纺纱拉伸断裂过程中各组分纤维的断裂情况,自主搭建了声发射信号采集装置,分别采集纯涤纶、纯棉和涤棉混纺环锭纱的拉伸断裂声发射信号,采用HHT和ICA分析方法将声发射信号的时域信号转换成频域信号,并提取特征量频率与幅值。基于核密度估计方法对涤棉混纺纱的拉伸过程中涤纶与棉纤维的声发射信号进行分析。结果表明:涤棉混纺纱拉伸过程中其组分纤维的声发射信号可以用特征频谱表征;在拉伸过程的每一个阶段,各种材料声发射特征频谱的不同可以由特征频率的核密度估计表达,并可推测其组分纤维的断裂次序。     

钢筋混凝土材料损伤的声发射信号处理

针对钢筋混凝土材料试件进行了加载破坏试验,采用小波变换对现场采集到的混凝土断裂过程中的声发射信号进行分析处理。试验结果表明用小波变换进行消噪处理,噪声消除效果显著,提高了声发射信号对结构健康监测的准确性,为实际监测钢筋混凝土材料的损伤提供了依据。     

波形特征和频谱特征组合识别纤维断裂声信号

利用波形特征和频谱特征组合的方法,去除背景噪声和瞬态噪声对纤维断裂声信号判识的影响,实现对纤维断裂声信号的准确识别.首先,采用小波包法去除部分背景噪声,然后利用其波形和频谱特征去除声信号中的剩余噪声.试验结果证明,该方法的误差率小于4%,可以有效应用于纤维断裂伸长率的表征.     

小波包变换在煤与瓦斯突出预测中的应用

针对目前滤噪技术不能很好地使声发射监测得以准确预报的情况,进行了基于小波包变换的去噪研究.该研究利用信号的小波包分析、计算和最优小波包基选取的方法,通过计算机数值计算,模拟了强噪声下声发射信号检测,并通过Sym8小波包与小波变换去噪的比较,证明前者优于后者.用小波包变换进行消噪处理,噪声消除彻底,提高了预警准确性.     

破茬圆盘刀点蚀声发射信号的小波消噪方法的研究

分析了破茬圆盘刀点蚀声发射信号及小波变换的特点,以说明小波变换是适合于点蚀声发射信号处理的一种方法。利用小波的多分辨分析对声学信号中参杂的噪声进行抑制,使声发射数据满足"规则化"的要求;同时为减少声发射点蚀实验对环境的依赖发挥重要作用。实验结果证明小波分析对声发射信号具有良好的去噪效果。     

基于声发射的塔吊安全检测方法与实验研究

针对现有的塔吊安全检测技术存在抗干扰能力差,实时性不足的问题。提出一种基于声发射的塔吊安全检测方法。通过详细分析声发射波源在吊塔缺陷区域形成的信号特征,引入小波去噪技术去除检测中的电气干扰噪声、机械噪声、传播途径引起的畸变和衰减等干扰。运用参数分析和波形分析两种技术,识别缺陷区域信号特征。仿真实验结果表明,基于声发射的塔吊安全检测方法能够较好地去除干扰,采集到稳健性较好的去噪特征信号,对塔吊非安全区域的连续型和突变型损伤特征信号能较好地重构,满足应用需求。     

基于断裂声波形分析的断裂纤维识别与计数

束纤维拉伸断裂时发出的声信号,可以用来表征束纤维的断裂行为,但拉伸过程中同步产生的噪声会干扰对断裂声信号的判断.为了精确求出束纤维拉伸试验中在某一时刻或某一伸长时的断裂根数,提出了基于小波变换和波形分析的方法来区别纤维断裂声和噪声.对比了不同波形参数区分断裂声和纤维噪声的效果,并提出了复合参数M,试验结果验证了采用M参数临界值所得的断裂纤维总数判定准确,误差率小于5%.根据纤维断裂时间可以计算出单纤维断裂伸长率分布.因为不受纤维强度离散的影响,较之基于束纤维强伸曲线计算的结果,其具有更高的可靠性和准确性.     

基于AE技术与HHT的环锭纱拉伸断裂过程研究

在常规纱线拉伸强力仪上采用自主搭建的声发射检测系统,分别采集涤纶长丝和环锭纱在拉伸破坏过程中的声频,利用Matlab软件编制Hilbert-Huang transform(HHT)程序对采集的信号进行分析与处理,以获取纱线拉伸过程中各破坏源的时频特征。分析结果表明,AE信号经HHT可识别涤纶环锭纱拉伸过程所涉及的纤维断裂和纤维滑移2种模式,其特征频率分别为30,20kHz和6,3kHz,本研究为纱线拉伸断裂机理的分析和进一步的延伸研究提供一种有效方法。     

基于小波多尺度乘积的信号去噪算法

根据信号与噪声在小波变换下表现出截然不同的性质,提出了一种基于小波多尺度乘积的信号去噪算法,该算法首先对信号进行多尺度二进制小波变换,通过相邻尺度小波系数乘积提取小波变换模极大值的小波系数和去除噪声小波系数：再利用模极大值小波系数进行小波逆变换得到去噪后的信号。实验仿真表明：该算法在有效去除噪声的同时,也能保留信号的重要特征。     

LMD和改进小波阈值去噪的轴承声发射信号故障诊断

针对机械故障声发射信号特征提取的问题,提出了一种局部均值分解(local mean decomposition,LMD)和改进的小波阈值去噪相结合的方法;并应用于滚动轴承的故障诊断。首先,把改进小波阈值与三种小波阈值去噪方法进行比较分析。通过仿真信号表明,改进小波阈值方法能更为有效地去除噪声。其次,采用LMD方法将原始轴承故障的声发射信号分解,分解为若干个乘积函数(production function,PF)的线性组合,通过相关系数原则选取能够反映故障特征的PF分量,利用改进小波阈值去噪法对选出的PF分量进行进一步去噪。最后,对去噪后的声发射信号进行包络谱分析,诊断轴承故障的位置。通过滚动轴承单一故障和耦合故障的声发射实验验证了该方法的有效性。     

基于AE技术和HHT的涤纶机织物拉伸断裂过程研究

为了获取与研究织物拉伸破坏模式的时频特征,通过改变织物组织结构和纬纱密度织造4种不同织物,在常规织物强力仪上利用自主搭建的声发射检测系统,分别采集对应织物拉伸破坏过程中产生的动态声频信息,利用Matlab软件运行基于HHT方法编译的程序对所采集信息进行信号分析与处理。分析结果表明:织物拉伸过程的AE信号曲线与拉伸载荷-位移曲线完全对应,所表征的结构相变化、纱线形变以及纱线断裂3个破坏模式可明显区分;4种织物结构相变化阶段特征频率相同,均为100Hz,且来自同一来源——经纬纱间正交摩擦,与织物组织、密度无关,表现在持续时间、幅值、能量等声发射信号参量上,结构相变化阶段与纱线强力利用系数大小有关。     

基于声发射技术的混凝土压缩损伤研究

结合力学特性参数及声发射特征参数对混凝土压缩破坏过程进行分析,结果表明声发射特征参数能有效表征混凝土材料内部裂纹扩展数量及损伤程度.基于小波变换对采集的声发射信号进行瞬态分析,获得了裂纹萌生、裂纹生长和微孔洞压缩、裂纹汇合所对应的声发射信号的时频特征.实验中裂纹萌生、裂纹生长和微孔洞压缩、裂纹汇合所对应的声发射信号的上升时间依次增长,频率依次降低与应变能释放理论相符合.     

基于小波变换的说话人识别技术

说话人识别技术是通过判断待识别人语音与预先提取的说话人语音特征是否匹配来鉴别说话人身份的一种生物认证技术,环境噪声是说话人识别技术走向实用化的一个主要障碍.针对噪声环境中说话人识别性能较差的不足,结合小波变换的优点,提出了将小波变换技术与传统的特征参数提取方式相结合的方法.该方法首先对语音信号进行小波分解,在此基础上再对小波系数进行阈值处理,仅保留阈值以上的数据,而后提取相关性不大的传统特征参数进行组合,分别作为说话人识别系统的输入矢量.仿真结果表明:在噪声环境中,说话人识别系统能较好识别出说话人,经过小波变换后再提取特征参数的方法可以得到更高的识别率,大大提高说话人识别系统的识别性能.     

噪声环境下基于小波熵的声发射识别

针对声发射技术在旋转机械故障检测中的强噪声干扰问题,提出了一种基于小波熵的声发射检测算法.该算法首先给定一个合理的阈值.对声发射信号进行小波分解.然后进行分帧处理,使信号在较短的时间间隔内保持特性基本不变,从而求出每一帧信号的小波熵.通过比较每一帧信号的小波熵值与阈值的大小,判断该信号为声发射帧还是噪声帧.为了检验算法的检测效果,在转子实验台上获得碰摩声发射信号.并在测试数据上叠加不同信噪比的高斯白噪声和非平稳噪声,进行声发射识别.实验结果表明:该算法具有较高的识别正确率;在低信噪比环境下,通过调整阈值的可调参数可以有效提高识别的正确率.     

ReliefF算法在雷达辐射源信号识别中的应用

采用小波包变换提取雷达辐射源信号特征能够有效对信号进行识别,然而,由小波包变换提取的信号特征维数高,部分信号特征受噪声污染严重.基于此,采用ReliefF算法对信号特征的分类能力进行评价,选择出小波包中分类能力强的信号特征,再通过特征相关度算法去除分类能力相近的冗余特征,利用剩余的分类能力强的信号特征组成特征向量进行分类.仿真实验结果显示,该方法用较少的信号特征能够获得较高的正确识别率.     

基于距离分类准则的雷达目标识别方法

雷达目标信号是非平稳信号，对于这样的非平稳信号，用于分类的特征往往包含在局部的时一频信息中，用一般的变换提取有效的特征比较困难。利用小波包基的性质，提出了一种雷达目标识别方法。首先，对雷达回波信号进行小波分解，利用距离准则，选择最优小波包基，从被识别的信号中提取具有最大可分性的特征，得到目标识别的特征向量，由此进行目标识别。仿真实验结果表明，该方法具有高的识别率。     

基于小波分析的刨花板声发射信号降噪处理

应用MATLAB工具箱中小波函数对刨花板受压时产生的声发射信号进行了小波降噪处理,并比较了小波分析降噪和滤波器方法降噪的异同。结果表明:选取适当的小波分解级数,进行合理的阈值门限处理,可以大大提高重构后信号的识别度,对声发射信号采用小波方法降噪可达到较理想的效果。     

基于改进粒子群算法的UWB雷达人体动作识别研究

针对雷达信号中的杂波干扰及样本数量对人体动作识别精度的限制,提出一种基于改进粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)模型的超宽带(ultra-wideband,UWB)雷达人体动作识别算法。利用动态目标指示(moving target indication,MTI)与小波阈值滤波对接收到的UWB回波信号进行预处理,消除回波信号中的杂波和噪声对人体动作识别的影响;结合二维离散小波包分解(two dimensional discrete wavelet packet decomposition,2D-DWPD)与奇异值分解(singular value decomposition,SVD),对预处理后的雷达信号进行特征提取和降维;提出一种改进粒子群算法,优化SVM模型的相关参数进行识别和分类。实验结果表明,提出的算法准确率可达到96.25%,具有良好的识别性能。