基于遗传编程和支持向量机的故障诊断模型

提出了一种基于遗传编程和支持向量机的故障诊断模型．该模型利用遗传编程对传统的时域指标进行特征选择和提取，得到更能反映信号本质的特征，与其他特征组合后作为识别特征输入多类支持向量机，实现了对机器不同类型故障的识别．实验结果表明，同传统时域指标相比，经过遗传编程选择和提取的特征对轴承的故障具有更好的识别能力，进而提高了多类支持向量机的分类准确性．     

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.     

多特征和支持向量机相结合的语音端点检测模型

为提高语音端点检测正确率,提出一种基于多特征和支持向量机相结合的语音端点检测模型。首先提取多种语音特征,并将它们组合在一起,然后将组合特征输入到支持向量机训练建立相应的语音识别模型,最后采用建立模型对语音信号进行检测和识别。仿真结果表明,与其他检测模型相比,多特征融合和支持向量机的检测模型提高了语音端点检测正确率,具有更好的适应性和鲁棒性,对不同信噪比的信号都有较好的检测能力。     

基于特征熵和优化SVM的轴承故障诊断方法

为了对轴承的故障进行有效的识别,提出基于特征熵和优化支持向量机的轴承故障识别新方法.利用EMD分解信号提取分解信号的能量熵,由于这些熵值之间冗余信息较为严重,因此选用主成分分析对这些熵信息进行约简,提取最有效的特征信息,作为支持向量机模型的输入.通过粒子群优化选取最优决策树构造最佳的支持向量机分类模型进行状态的识别和判定,提高了分类的精确度.通过一个滚动轴承的实例说明方法的有效性和准确性.     

基于动柔度矩阵和支持向量机的井架损伤识别技术

动柔度矩阵是结构损伤检测的有力工具.支持向量机是在统计学习理论上发展出的一种学习机器,其针对小样本分类识别性能优越.提出了一套基于支持向量机和动柔度矩阵的损伤识别技术.对JJ160/41-K型石油井架模型进行了损伤实验研究,利用实验数据构建了分类识别支持向量机,并以数值仿真计算,验证了该技术的有效性.     

基于PCA-SVM算法在岩性识别中的应用

针对岩性识别中传统方法识别率低且信息冗余的问题,建立PCA-SVM(主成分分析与支持向量机组合)岩性识别模型,即先利用主成分分析(PCA)进行参数处理,整合冗余,降低维数,后将处理得到的主成分作为支持向量机(SVM)测量模型输入的分类方法。在此过程中,优化主成分分析和支持向量机的参数,使模型具有较高的训练精度。结果表明,与传统的基于主成分分析的判别分析方法相比,预测结果与实际结果相比具有较好的一致性,识别准确率达100%。     

基于结构响应向量与支持向量机的桥梁损伤识别方法

针对基于结构动静态响应的损伤识别方法研究不够深入、结构动态响应对噪声比较敏感,从而极大影响损伤识别效果的问题,提出一种基于结构响应向量(SRV)与支持向量机(SVM)的损伤识别方法,引入主成分分析(PCA)提高方法的抗噪性,并利用简支梁和实际桥梁模型验证方法的有效性。结果表明,基于结构动静态响应组成SRV的识别效果和计算效率更优,结合PCA可以提高方法的抗噪性,并且能在所需响应信息更精练的基础上对实际桥梁模型进行良好的损伤识别。     

改进的阈值小波和PSO－SVM算法及应用

本文提出了基于改进阈值小波及改进支持向量机的低速重载滚动轴承故障识别方法.首先在实验台上测量三种不同工况的轴承信号,利用改进阈值小波对信号进行降噪处理,将降噪的信号利用小波包分解法得出各频带的特征能量值;其次利用粒子群算法来优化支持向量机的学习因子,提高支持向量机多分类器的识别性能;最后,将特征能量值导入优化后的多分类器,实现低速重载滚动轴承的智能识别.结果表明,结合后的方法有着良好的诊断效果.     

基于时域统计特征的井眼碰撞识别方法

相同钻井条件下,钻头钻遇水泥环、套管的振动信号与钻进地层的振动信号的时域特征不同。提出一种基于时域统计特征的井眼碰撞识别方法,通过识别振动信号的特征差异,实现对钻头碰撞邻井井眼的及时预警。首先在时域上提取信号的分散特征和形状分布特征,然后利用主成分分析法对时域特征进行降维处理,进而得到主要特征成分,最后利用支持向量机对特征进行分类训练,以完成对钻进地层和钻遇水泥环、套管的自动识别。通过南海某钻井平台现场作业数据检验,验证了该方法的可行性,表明该方法可以加强海上丛式井作业的安全性。     

石油井架结构损伤的分步识别技术研究

针对JJ160/41-K型石油井架结构损伤识别问题,提出基于模态参数和支持向量机的分步识别方法,即先使用柔度矩阵方法进行井架结构损伤位置识别,再以柔度曲率差值作为损伤识别指标,应用支持向量机回归算法对已定位的损伤进行定量分析.仿真计算结果表明该技术可有效实现井架结构损伤的定位与定量分析.     

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RD&ITD法的JJ160/41-K型石油井架结构的模态参数识别

模态参数作为石油井架结构重要的动力指纹,以JJ160/41—K型石油井架结构为研究对象,通过随机减量法获取环境随机激励下,井架结构的自由振动衰减信号,利用ITD法对单测点和多测点两种情况下的脉冲响应信号进行模态参数识别;并将有限元和频谱分析的模态参数进行对比分析。数值模拟分析表明,利用RD&ITD法识别的模态频率结果基本一致,而模态阻尼比的识别结果则相差较大,同时有限元分析表明,由于噪声的干扰,存在着虚假阻尼比,需要人为地进行甄别。故对于难以直接激励的大型石油井架结构来说,利用RD&ITD法进行系统模态参数识别是可行的,为做好井架结构的安全评估工作,减少工程事故隐患提供了有效的理论依据。     

JJ16041-K型石油井架结构的动力响应分析

针对石油井架结构长期服役在野外恶劣环境下,局部或整体损伤等缺陷常成为安全生产中的事故隐患。通过白噪声模拟随机环境激励,利用ANSYS有限元建模,对石油井架系统进行动力响应分析。研究结果表明:井架结构的振动模态为空间振动,同时各节点在白噪声激励下的动力响应规律基本一致,动力响应数据的获得可为损伤诊断研究提供输入数据,对提高井架承载能力检测与安全评估水平,具有重要的理论意义和实用价值。     

基于时间序列模型的结构损伤识别方法

针对现有结构损伤识别方法中因模型参数物理意义不明确而导致的损伤信息遗漏等问题,提出一种基于时间序列模型的损伤识别方法.首先,推导了具有外部输入的自回归模型(ARX)的一般表达式,并通过联立多自由度体系运动方程建立了考虑结构动力特性的ARX模型.随后,运用该模型预测得到未损伤情况下的节点加速度时程序列,根据其与实测数据的差异程度构造表征结构损伤的参数,即损伤因子.最后,根据损伤因子数值大小与分布情况评估结构损伤状态.数值算例结果表明,该方法在较少的测量数据样本下,能够较好地识别单位置与多位置损伤,并可较为准确地判断损伤程度,同时识别结果受激振位置与测量噪声的影响较小.     

基于支持向量机的钢框架结构损伤定位试验研究

钢框架截面损伤会引起结构的模态频率发生变化。这里以钢框架模型的试验模态频率作为支持向量机的训练和测试样本的输入,由支持向量机输出判断结构损伤位置。研究表明,将支持向量机识别技术与常规的结构模态频率分析相结合,能够有效地识别钢框架结构损伤位置。该算法对损伤位置敏感,且识别精度较高。     

基于小波分析的结构损伤检测

针对结构损伤检测系统的实时性和复杂性特点,探讨了基于小波分析的结构损伤识别方法。以小波分析方法为基础,对损伤工况下三层框架结构进行加速度响应的数值仿真,结果表明结构不同层的加速度信号对不同位置的损伤有不同的敏感性。应用小波分析法对结构工程损伤进行实时检测,可实现对结构损伤发生时间和位置同时进行定位,实现对结构工程损伤的早期诊断,为结构的维修加固提供可靠的依据。     

基于环境振动信号的框架结构震后损伤识别

提出了一种新的损伤指标用于框架结构的震后损伤识别.以环境振动作为激励信号,采用小波包分解理论,利用框架结构损伤后振动信号的能量在频域内的变化,构建损伤指标DI,并给出了损伤识别流程图.在此基础上,以某钢筋混凝土框架结构为例,设定4种震后损伤工况,对框架结构进行了震后损伤识别分析,探讨了不同楼层、不同类型振动信号对损伤识别效果的影响.结果表明:本文构建的损伤指标DI可以有效识别框架结构的震后损伤,损伤指标DI与损伤程度之间有近似线性的关系;基于较高楼层振动信号的损伤指标值对结构的损伤识别效果较佳;利用速度信号可获得比加速度信号更好的识别效果.     

雷达近场成像中SVM的目标识别方法

雷达近场成像中,在精确定位的基础上,为解决目标形状识别问题,提出了利用支持向量机（SVM）预测目标信息的方法.根据时域算法——后向投影（BP）算法和频域算法——频率波数域（F-K）偏移算法得到的场强值作为SVM的特征数据,并利用时域有限差分法（FDTD）进行仿真.仿真结果表明,基于BP算法的SVM识别方法具有特征数据提取时间长、SVM预测时间短、多目标时目标信息全和虚警较多等特征,基于F-K算法的SVM识别方法具有特征数据提取时间非常短、SVM预测时间非常短、多目标时目标漏检的特征;两者都能较好地识别目标的形状,且前者的识别能力高于后者,而后者更适合实时成像.     

工程振动信号微积分敏感性及其应用研究

工程施工监测中常常需要监测振动速度信号或振动加速度信号,振动速度信号和振动加速度信号的频谱特性差别很大,进而影响后续分析.本文采用傅立叶变换的时域微积分性来分析工程振动信号频谱的微积分敏感性,并通过拉普拉斯变换求取结构振动傅立叶谱,自功率谱,频响函数,并分析它们微积分敏感性.通过频响函数分析了其微分敏感性的物理意义.通过对背景工程中高层建筑实测自然激励的振动信号,验证了频谱微积分敏感性,并分析了频谱微积分敏感性对于振动信号分析的影响.研究结果表明：工程振动信号在数学上由于傅立叶变换的时域微积分性质,使得傅立叶谱峰值的频率分布具有微积分敏感性,随着振动信号微分阶次的升高,高频成分逐渐升高,低频成分逐渐降低;由不同信号的频响函数表达式,对结构动刚度、阻抗、动质量的频率分布规律进行了阐述;不同监测信号对于高、低频成分的识别精度不同,对于结构物高、阶模态的识别精度亦不同,对于高阶的频率成分的识别建议进行振动加速度信号监测,对于低阶频率的识别建议采用振动速度信号监测.