乏燃料模拟组件剪切断裂过程分析

目前我国乏燃料后处理关键设备之一的剪切机仍存在一些技术性问题,为了进一步合理使用,需要得到详细的剪切力变化趋势、间隙与刀具磨损对剪切力和剪切质量的影响.本文利用ABAQUS软件对乏燃料模拟组件剪切过程进行有限元分析,得到了断裂区单元应力、应变趋势和剪切过程中剪切力的变化曲线.通过建立不同间隙和倒角时单根燃料棒剪切的有限元模型,分析了主副刀间隙和刀具磨损对剪切力和剪切质量的影响.并在乏燃料剪切实验装置上进行实验研究,实验结果与模拟结果一致,为乏燃料剪切机的有效应用提供了可靠的依据.     

基于时频联合特征提取的风电机组齿轮箱齿轮磨损程度识别

针对风电机组齿轮箱齿轮发生磨损故障时其声信号非平稳非线性的特点,提出一种基于小波域倒谱的时频域联合特征提取,并与支持向量机相结合的方法,对齿轮磨损程度进行识别.特征提取部分选用db3小波对原始声信号进行三层小波包分解,对每一个节点分别进行小波包重构,计算出重构信号的能量值并进行归一化;对重构信号进行倒谱变换并选取频域异常幅值对应的频率作为特征值,形成一个八维的特征向量;以波形、峰值、峭度、脉冲、裕度五个时域因子组成时频联合特征向量作为原始信号的特征输入;用支持向量机作为模式识别的工具.试验结果表明,基于时频联合特征的分析相对于单特征提取在一定程度上提高了故障识别的准确率.     

基于自适应小波基的刀具磨损检测

通过刀具磨损特征向量的定义和提取,建立了奇异性指数和刀具磨损的对应关系,并利用小波变换对切削力信号进行分析,实现了刀具的磨损检测.     

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.     

基于自适应小波基的刀具磨损检测

通过刀具磨损特征向量的定义和提取,建立了奇异性指数和刀具磨损的对应关系,并利用小波变换对切削力信号进行分析,实现了刀具的磨损检测。     

基于小波包神经网络分析的滚动轴承故障诊断

针对轴承故障识别率低、故障信号不平稳的问题,提出了改进小波包能量特征提取和神经网络的故障诊断方法.首先利用改进小波包算法将轴承内圈、外圈、滚动体三个部位的采集信号进行三层分解与重构;然后通过小波包能量谱提取不同节点能量,形成故障特征集;最后依次建立BP和Elman神经网络故障分类模型,将所得的小波包节点能量作为特征向量输入到故障模型,进行轴承不同故障状态的分类识别.实验结果表明,本文算法可准确分类并预测轴承运行状况,提高了诊断准确率.     

基于非线性特征提取的EEG信号支持向量分类器

为提高癫痫脑电(EEG)信号的正确识别率,设计了一种基于非线性特征提取的EEG信号支持向量分类器.分类器首先将EEG信号通过四层小波包变换分解到不同频段,然后计算各频段小波系数的近似熵(ApEn)值,作为特征向量,最后使用支持向量机(SVM)进行分类.实验结果显示该分类器能有效提高正确识别率.     

基于小波包变换的下肢肌电假肢控制信息源的研究

肌电信号作为下肢假肢的控制信息源必须经过信号处理与特征提取.小波变换能将各种交织在一起的由不同频率组成的混合信号分解成不同频段的信号,检测出许多其他分析方法忽略的信号特性,因此小波变换常被用于表面肌电信号处理.而小波包变换对信号逐渐变宽的频谱可以进一步分割细化,具有良好的局部化品质,比正交小波变换更优越.该文将利用小波包变换方法对站立与行走过程中大腿股四头肌部位的肌电信号进行分析和特征提取,并利用各频段能量构造特征矢量,经过学习矢量量化神经网络训练,能够有效地从股四头肌采集的肌电信号中识别站立及行走的运动模式.     

基于小波和神经网络的焊接缺陷识别方法

超声检测是钢结构焊缝质量检验的常用方法,本文针对超声检验中缺陷类型识别困难的问题,提出一种定性方法.首先利用小波包变换提取超声回波信号的能量作为特征向量,然后将得到的特征向量输入到BP神经网络中,应用于裂纹、气孔、未焊透三类缺陷,识别率达到了86.7%.结果表明:基于小波包变换和BP神经网络的钢结构焊缝缺陷定性方法是十分有效的.     

WAVELET PACKET AND FUZZY NEURAL NETWORK FOR TOOL CONDITION MONITORING *

在自动化制造中,线监控刀具状况以保护刀具与加工工件显得越来越重要．近年来,许多研究者在此领域进行了广泛的研究,然而由于加工过程的不确定性,现有的刀具监控系统的可靠性还有待提高．本文提出了一种基于小波包分析与模糊神经网络的自适应刀具监控系统,该系统利用小波包分析方法将加工过程振动信号分解为不同的频率段,并在此基础上,建立了自适应特征提取方法,为模糊神经网络提供最优的特征输入,然后模糊神经网络据此进行决策,分析刀具磨损状况．实验结果表明：该系统模糊神经网络能有效通过学习人类模糊知识和在线学习样本来提高刀具监控精度．     

基于小波包的开关电流电路故障诊断

为提高开关电流电路故障诊断的精度,提出了一种基于小波包优选和优化BP神经网路的开关电流电路特征抽取与识别方法.首先对开关电流电路原始响应信号进行多层次的小波包分解,接着计算N层分解后的归一化能量值,以特征偏离度作为评价选择最优小波包基,构建最优故障特征向量,最后将提取的最优故障特征通过遗传算法优化的BP神经网络进行分类.该方法以实例电路进行验证,结果表明所有的软故障均得到了有效的分类,说明了该方法在开关电流电路故障诊断中的优越性.     

基于小波包和支持向量机的传感器故障诊断方法

针对自确认压力传感器的故障诊断问题,提出了一种基于小波包变换和支持向量机的传感器故障诊断方法。该方法对传感器输出信号进行三层小波包分解,提取各个节点的小波包系数,对每个节点的小波包系数通过一定的削减算法增强故障特征,然后利用重构的时域信号计算各个节点的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型。对自确认压力传感器、温度和流量传感器的故障诊断结果表明,该方法能有效地应用于传感器的故障诊断中。     

基于小波包能量熵和GWO-SVM的滚动轴承故障诊断

针对滚动轴承不同故障类型和不同损伤程度识别准确率较低的问题,提出了将小波包能量熵、灰狼优化算法和支持向量机相结合的故障诊断方法.首先,将滚动轴承振动信号进行3层小波包分解,对第3层各频段小波包分解系数进行重构,提取各频段成分的能量熵构成故障特征向量;其次,利用灰狼优化算法实现支持向量机参数优化;最后,基于优化后的支持向量机分类模型完成对测试集滚动轴承不同故障类型和不同损伤程度特征向量的识别诊断.实验结果表明,相比实验和文献中其他方法,该方法对滚动轴承不同故障类型和不同损伤程度具有更加突出的故障辨识能力.     

一种基于压缩感知和小波信息熵的滚动轴承特征提取方法

为降低滚动轴承在线监测和故障诊断过程中振动信号采集、传输、存储和处理负担,基于压缩感知理论和小波包分析技术,提出一种基于压缩感知和小波信息熵的滚动轴承特征提取方法,用于滚动轴承故障诊断。应用部分哈达玛矩阵采集振动信号实现压缩,通过小波包分解提取滚动轴承状态特征,计算其小波信息熵作为故障诊断特征。在标准数据集上进行振动信号特征提取,并采用四种分类方法完成故障诊断实验,结果表明本文特征提取方法能够在较高的数据压缩率条件下,保持较高的故障诊断精度,适用于滚动轴承在线监测和故障诊断。     

脑机接口中基于小波包最优基的特征抽取

在脑机接口研究中，针对脑电特征抽取，提出一种基于小波包最优基分解的方法．依据距离准则，从小波包库中选择一个对分类最优的小波包基；在该小波包基包含的所有分解系数中，抽取部分具有最大可分性的系数作为有效特征；不同通道脑电信号有效特征的结合，构成分类的特征矢量．通过对该特征矢量可分性和识别精度两个性能指标的评估，并与现有分类结果进行比较，表明了所提出方法的有效性．     

滚动轴承故障程度识别

针对实际运行滚动轴承的故障程度问题,提出一种诊断滚动轴承故障程度的方法.深入研究滚动轴承的故障机理、振动信号的时域特征以及不同程度故障对滚动轴承运行的影响进行了,广泛分析振动特征提取方法和支持向量机的算法,采用了小波包能量法提取状态特征,使用新型二叉树支持向量机的多类分类算法.实验结果表明采用小波包提取状态特征和支持向量机可以滚动轴承故障程度识别,模型的学习、泛化能力强.     

基于局域判别基空间能量的特征提取

针对模式识别中如何提取信号有效特征的问题,对信号进行小波包分解,求取小波包局域判别基,提出求取局域判别基的各子空间的能量,形成特征矢量的特征提取方法。利用Fisher准则函数进行特征选择,得到识别特征矢量。在水声模式识别实例中应用此方法提取特征矢量进行分类实验,取得良好的分类效果,验证了该方法的有效性。     

小波包隐Markov模型刀具状态识别研究

针对切削过程中振动信号的特点,利用小波包得到信号能量分布,借助于隐Markov模型(HMM),并以信号的能量分布为特征进行分类,得到一种基于小波包和HMM的切削过程监测新方法.利用实测的钻削振动信号,对该方法进行验证.结果表明该方法能够较有效地识别切削过程刀具的工作状态.     

基于小波包和RBF神经网络的压电加速度传感器故障诊断

根据压电加速度传感器故障的特点,提出运用小波包变换和RBF神经网络的故障诊断方法。首先运用小波包分解和重构原理将传感器输出信号分解到不同频段中,提取每个频段的能量作为状态监测的特征向量,作为RBF网络的输入,然后利用最佳的RBF神经网络进行压电传感器故障分类。实验结果表明该方法具有良好的非线性跟踪能力,较高的诊断准确率。     

小波包能谱熵与神经网络在断路器故障诊断中的应用

提出了一种以振动信号小波包能谱熵为特征量的断路器故障神经网络诊断方法。利用小波包分解原理将高压断路器振动信号分解到不同频段中,计算各频段的能谱熵值,以此构造小波包能谱熵向量作为神经网络的输入向量,并利用遗传算法对网络的连接权值进行了优化。引入置信度的概念,对改进神经网络输出的故障模式识别结果进行评价。通过试验分析结果表明了该方法的有效性,改进后的神经网络具有新故障模式的识别功能。