金属罐形容器罐底声发射信号的检测研究

基于小波包分析和神经网络的声发射信号缺陷检测方法,提出采用区间小波包分解与能量距相结合作为声发射信号的特征向量,取代了传统的“小波包-能量“特征提取方法,并以金属罐形容器罐底缺陷诊断为例验证了该方法的有效性.结果表明,基于区间小波包能量距的神经网络特征提取方法更好地利用了缺陷信号的主要频带和小波包分析的时频信息,与传统方法相比,能大大简化检测系统的复杂度,提高容器的检测识别率.     

振动环境中螺栓连接结构声发射特性的实验研究

振动环境中螺栓连接结构会发生碰摩现象,产生声发射信号。利用振铃计数率与能量等特征参数对声发射检测信号进行时域分析,结果表明:频率与加速度的改变都可以引起振铃计数率和能量的变化,振铃计数率和能量均随振动台加速度以及频率的提高而提高;螺栓连接结构在碰摩作用下产生出的能量与施加给螺栓的预紧扭矩的取值呈现一定的规律性:当预紧扭矩小于10 Nm时,能量随预紧扭矩的增加而减少;预紧扭矩等于10 Nm,产生的能量最小;预紧扭矩大于10 Nm以后产生的能量反而很高。     

石灰岩声发射频谱特性演化及破裂阶段识别

为获得石灰岩受压破裂阶段声发射识别信息,开展石灰岩单轴压缩声发射试验,获得加载全过程的声发射特征参数及其波形信息,首先结合石灰岩应力与累积能量走势的特征选取 5 个岩石加载破坏过程中的关键点。通过频谱分析与小波包分析,找到石灰岩声发射频谱特征变化规律,获得适合的破裂阶段识别信息;其次利用小波包分解所提取的频带能量占比训练 BP 神经网络,为岩石破裂阶段预警提供双 重保证。研究结果表明：主频值整体呈现先上升后下降的趋势,频谱宽度变化为 200 kHz-300 kHz-200 kHz,频率由单一低频转化为低高频并存后又恢复单一低频;低频高幅为频谱特征的一种主要形态存在;小波包分解将信号频率分为 8 个频段,可将 1、2 低频段之和小于 30%的信号作为特征点,进行岩石破裂预测;以该特征点为界将石灰岩声发射信号划分为两类,训练后的 BP 神经网络能够实现这两类信号的快速准确识别与分类,对于预测岩石破裂阶段有一定价值。     

基于声发射信号的铣刀运行可靠性评估

研究了基于声发射方法的Logistic回归模型的铣削过程中刀具可靠性评估.从试验数据分析得出铣削过程的声发射信号和切削力信号,与刀具磨损量具有较强线性相关性,是刀具性能退化监测的有效方法.运用小波包分解提取声发射信号的能量,选取与刀具磨损相关的频带能量作为特征指标.将应用切削力和声发射两种监测方法建立的可靠性模型与仅用声发射监测的可靠性模型进行对比发现,两个模型都较为准确地评估出了刀具在铣削过程中的可靠度指标,而基于声发射可靠性评估模型更为方便,在实际切削力不易获得的情况下,运用此方法能够进行刀具的可靠性评估与寿命预测.     

液压挖掘机反铲切削过程振动信号去噪处理

针对小波包频带能量分解和Hilbert-Huang变化在信号的去噪研究中的优势,对比2种方法在液压挖掘机反铲切削过程中振动信号去噪的准确度.以液压挖掘机工作装置的振动信号为例,利用小波包频带能量分解算法与Hilbert-Huang变化算法分别对振动信号进行重构.其中,Hilbert-Huang变换首先是对振动信号通过经验模态分解(empirical mode decomposition,EMD)得到IMF分量;然后,对IMF分量进行Hilbert谱分析,得到IMF分量的能量特征,选择有用的IMF分量进行信号重构,从而消除噪音信号的干扰.研究结果表明:与小波包频带能量分解方法相比, Hilbert-Huang变换的液压挖掘机反铲切削过程振动的重构信号更加接近真实信号.     

352226X2 滚锥轴承内圈松动的声发射诊断

采用声发射技术对铁路货车轴承352226X2内圈松动故障进行检测,以小波包分析方法提取故障信号的能量特征向量,通过对内圈不松动和松动两种情况下能量分布的比较,提取高频带内能量与总能量之比作为特征参数,可有效地诊断内圈松动故障.     

听觉诱发电位信号分析中小波基函数的确定

声舒适是评价建筑室内环境的重要部分,听觉诱发电位是声环境舒适度评价的客观生理指标,听觉诱发电位信号的时频能量特征可以用来评价声环境的舒适性.小波包分析可以探究听觉诱发电位信号时频能量分布规律,分析时运用的小波基不同,产生的结果也不同.为了更好地研究听觉诱发电位信号的时频能量分布,比较了5种小波基函数的时域特点和幅频特性.对16名正常成年人进行了脑干听觉诱发电位实验,将所测16组听觉诱发电位的平均值进行小波包时频能量分析.结果表明,dmey小波分析结果在时频分布上可与实际信号的能量信息相匹配,可以减少各个频带信号分解后的失真问题.选择dmey小波对听觉诱发电位信号进行处理,能够更准确地分析听觉诱发电位信号的时频能量分布,为声环境的舒适性研究提供理论依据.     

融合频带能量特征和双向门控循环单元的运动想象意图识别

针对脑电信号分类正确率低的问题,结合频带能量、小波包变换和双向门控循环网络,提出了一种基于频带能量特征序列和深度学习算法的运动想象意图识别方法。首先,利用小波包变换对脑电信号进行分解、重构,获得运动想象相关频带信号;其次,对所得频带信号进行加窗,并滑动截取,通过计算所截每段信号能量,实现能量特征的时序化分解;最后利用双向门控循环网络对脑电信号进行识别并输出分类结果。实验结果表明:所提算法取得了92.1%的分类正确率,表明所提方法是切实可行的,能够有效改善分类识别率。     

基于小波变换的语音信号的特征提取

本文将小波变换用于语音信号目标特征的提取,利用小波变换对语音目标进行小波包分解后提取各频带内的能量特征作为特征向量。实验表明,小波变换使信号的频率特征得到增强,且压缩了特征空间的维数,具有很好的语音信号分类效果。     

基于小波包能量谱及SVM算法的轴承故障检测

针对小波分析在故障诊断时的局限性,将小波分析和支持向量机算法相结合,提出基于小波包能量谱及支持向量机算法(SVM)的故障检测方法.该方法以振动信号小波包分解后各子频带的能量作为故障检测特征,利用SVM算法对轴承故障进行检测实验.结果表明:小波包能量谱能有效地反映轴承信号特征,并对故障进行检测.该方法同基于Lipschitz指数熵、单奇异点检测,以及小波包能量谱与神经网络相结合的故障检测方法进行比较,检测率均优于其他三种常用方法.