基于人工神经网络的扬声器故障检测方法

提出了一种基于神经网络的扬声器故障检测方法.通过扫频仪激励扬声器,采集扬声器的响应信号,利用小波包分解的方法时频分析响应信号,得到各频段的能量;对分解后各频段信号的特征能量进行提取,规一化特征能量;把规一化后的特征能量作为人工神经网络的输入,通过BP神经网络对扬声器故障进行分类识别.实验对165个扬声器进行识别,识别率为95.8%.实验结果表明,该方法简便有效,具有实用价值.     

基于注意力机制BiLSTM的设备智能故障诊断方法

状态监测与故障诊断是保证机械设备安全稳定运行的必要手段.本文提出一种基于注意力机制双向LSTM网络(ABiLSTM)的深度学习框架用于机械设备智能故障诊断.首先,将传感器采集的设备原始数据进行预处理,并划分为训练样本集与测试样本集;其次,训练多个不同尺度的双向LSTM网络对原始时域信号进行特征提取,得到设备故障多尺度特征;再次,通过引入注意力机制,对不同双向LSTM网络提取特征的权重参数进行优化,筛选保留目标特征,滤除冗杂特征,以实现精准提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过利用发动机气缸振动实验数据和凯斯西储大学滚动轴承实验数据进行故障诊断实验,故障识别准确率均达到99%以上.实验结果表明,ABiLSTM模型可以实现对原始时域信号的多尺度特征提取和故障诊断,通过与深度卷积网络(CNN)、深度去噪自编码器(DAE)和支持向量机(SVM)等方法进行对比,ABiLSTM模型的故障识别性能优于各类常见模型.另外,通过利用凯斯西储大学滚动轴承在不同工况条件下的数据,对ABiLSTM模型进行泛化性能实验,变工况样本的故障识别准确率仍然能够达到95%以上.     

基于自适应数学形态学的滚动轴承故障诊断方法

作为一种非线性信号处理方法,数学形态学法对信号的特征提取完全在时域中进行,与其他非线性非平稳的信号处理方法相比,它具有幅值不偏移、不衰减等显著优点.基于此,提出一种自适应的数学形态学和谱相关分析相结合的轴承故障诊断方法.该方法通过基于信号的三角结构元素和非单一形态学开闭运算对已知故障信号加以训练,自适应得到各故障类型的结构元素高和最优开闭运算加权因子,构建形态学模型;之后将测试信号通过形态学模型进行特征提取,并与训练信号进行频域内相关性分析;最终根据相关系数大小识别故障.以西储大学轴承故障数据为例,表明了该方法不仅能识别出不同类型的故障,而且还能识别不同损伤等级的故障,相比传统的方法识别率和可靠性有所提高.     

基于SVM混凝土电镜图像类型识别

目的为了准确、快速地对混凝土电镜图像进行自动识别分类,选取合理的特征提取方法以及分类算法,解决预判混凝土耐久性问题.方法利用一种基于局部二值模式(Local Binary Pattern,LBP)的特征提取方法和支持向量机(Support Vector Machine,SVM)分类器的组合模式,对混凝土在电镜下的图像进行特征提取和类别判定,并对SVM分类器选取合理的核函数以及核函数参数.结果采用笔者方法最终图像识别准确率可达79.7%,LBP基本特征算子较好地满足了纹理特征图像的特征提取要求;通过SVM分类器对图像进行分类可以将含有纹理特征的图像成功分类.结论该方法成功有效地识别混凝土的内部多层次结构辅助辨别混凝土的耐久性问题;LBP基本算子和SVM分类算法的组合算法在特征提取与识别分类具有很好的实用性及高效性.     

基于EEMD与模糊信息熵的旋转机械故障诊断方法

针对旋转机械故障识别率偏低的问题,提出一种基于EEMD与模糊信息熵的旋转机械故障诊断方法.该方法结合EEMD分解和模糊信息熵在特征提取方面的优势,构造出一种能够精细度量不同类别振动信号故障概率复杂度的特征集合.首先将原振动信号进行EEMD分解,获得若干个本征模态函数(IMFs);计算出前5个高频IMF分量的模糊信息熵组成高维特征集;利用LPP对高维特征集进行维数约简剔除冗余不相关特征;最后将约简后的样本集输入到KNN分类器中进行故障识别.用双跨转子实验台采集的数据对所述方法进行验证,并与EMD模糊熵、EMD模糊信息熵、EEMD模糊熵方法进行故障识别率对比,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更高的故障识别率.     

基于MLER的语音/音乐分类方法

音频分类是音频信号处理中一项重要的预处理工作.该文描述了一种基于能量的分类方法,将音频信号分为语音和音乐2种类型.分类的过程分为3个阶段,首先计算优化低能量率MLER(modifiedlow energy ratio)作为特征,然后利用初级分类器得到初步分类的结果,最后利用音频类别的前后相关性,使用上下文分类器修正初始分类得到最终分类的结果.该文重点对MLER中参数的合理选取范围进行了讨论,并对传统的初始分类器作了改进,用非参数分类器和参数分类器代替原有的Bayes硬判决的方法,避免了由于门限选择不当所带来的分类错误.实验表明,使用参数分类器时,对纯语音和纯音乐分类效果很好,正确率达99％以上.     

基于时频特征和PCA-KELM的液压系统故障诊断

为了解决液压系统泄漏、堵塞和气穴等多类型故障下特征提取和模式识别困难的问题,提出基于时频特征和PCA-KELM的液压故障智能诊断新方法。首先利用统计分析和总体平均经验模态分解方法,构造高维混合域初始特征向量,从不同特征指标、不同分析角度对不同种类液压故障进行表征和刻画;然后通过主成分分析对多维初始特征向量进行降维和特征二次提取,将高维相关变量转化为低维独立的主特征向量;最后利用PCA主元构造的主特征向量输入核极限学习机网络中,实现故障类型的识别。实验结果表明,混合域初始特征向量能全面准确地描述故障特征,PCA提取的主特征向量摒弃了冗余信息且简化了分类器结构,KELM网络诊断速度快、分类准确率高。     

基于VMD-Hilbert倒谱和多重分形特征的电力电缆局放识别

为了实时监测电力电缆局部放电故障的发生以及较好地处理微弱局放信号,本文提出了一种基于VMD-Hilbert倒谱和多重分形特征提取的方法.首先采用VMD分解信号,再经Hilbert变换得到Hilbert谱;然后分别利用Hilbert边迹谱和分形理论提取其倒谱和多重分形维数两种特征,并将其组合成特征向量;最后利用SVM实现故障识别.将本方法与现有方法进行比较,结果证明,本方法的识别率更高,肯定了该方法的可行性.     

基于核主元分析的滚动轴承故障混合域特征提取方法

为有效利用时域、频域、时-频域中各类具有显著类别差异信息的非平稳统计特征,提高滚动轴承状态监测和故障诊断的性能和效率,提出一种基于核主元分析的混合域特征提取方法.通过对原始信号分别生成时域、频域状态特征,并利用多分辨率小波分解生成时-频域状态特征,构建出144个表征原始振动信号特征的混合域特征集.采用核主元分析方法对其中能敏感地反映故障特性的特征进行二次非线性特征提取,按累计贡献率大于90％的标准,选取前11个核主元作为主要特征量,将其输入支持向量机分类器进行状态识别.仿真结果表明:混合域特征集比单个特征、单域特征能更全面准确地反映故障特性,核主元分析方法能有效降低输入特征维数,并确保输出特征具有较高的反映轴承运行状态的敏感性和适于模式识别的可分性;与通常使用的基于小波分解的特征提取方法相比,本文方法能更加准确有效地提取不同运行条件下滚动轴承不同类型不同程度的故障特征.     

一种基于高阶频率能量均值的扬声器异音故障诊断方法

对扫频信号激励的扬声器响应信号进行短时傅里叶变换,形成一幅二维时频图,按照各阶频率能量的分布,可将时频图划分为若干区域.为获得扬声器故障特征,对时频图的高阶频率区域的各列数值求取局部均值,将其均值分布用特征曲线描述,利用特征距离S则能够表现出被诊断扬声器与正常扬声器的差异,并由此作为扬声器异音故障诊断的依据.实验表明,该方法可显著提高诊断结果的可靠性.