基于递归图和BP神经网络的桥梁损伤识别研究

为研究递归图和多层前馈(BP)神经网络在桥梁损伤识别方面的应用,以某大跨斜拉桥为例,采用ABAQUS有限元软件建立其三维模型,通过动力分析提取该三维模型的加速度曲线并进行递归图处理和BP神经网络分析。研究结果表明:递归图方法能够初步地识别主梁的损伤位置和损伤程度;BP神经网络分析能够精确识别主梁损伤的具体位置和损伤程度值,且识别准确率均大于85.0%。该方法可为类似桥梁工程的损伤识别提供借鉴。

基于递归图多尺度特征的储能锂离子电池剩余寿命预测方法

锂离子电池在长期循环使用过程中不可避免地会出现性能退化,这直接影响储能锂离子电池系统的稳定运行。为此,本工作提出基于递归图多尺度特征的锂离子电池剩余寿命预测方法,用于解决从一维状态信号中提取关键退化特征的局限性。鉴于递归图像内蕴含丰富的时空退化特征,首先,构建深度学习多尺度特征提取架构,通过可变大小的感受野,识别同一电压区域在多个周期内的时间维度变化以及相邻电压区域之间空间维度的递归图像时空演变,进而提取深层多尺度特征,用于实现从多尺度特征到RUL的映射建模。再次,通过开展综合评估实验,对所提出方法的预测效果进行系统验证。研究结果表明,该方法使用有限数量的充电过程递归图作为输入,能实现模型快速收敛和准确预测。此外,在跨倍率预测场景中,相较于浅层指标,可实现在2C倍率下将绝对误差和均方根误差的指标性能提升约7倍和5.7倍。最后,通过开展与一维序列输入的对比实验,进一步验证基于递归图多尺度特征进行锂离子电池剩余寿命预测的有效性,实现了各评价指标约50%和43%的性能提升,同时成像所需时序电压采样点数据量相对较小。

基于数据扩充与无阈值递归图的非侵入式负荷识别方法

非侵入式负荷监测技术不仅能将电能流向透明化,还能简化智能电表安装流程,从而有效降低负荷监测成本。为提高非侵入式负荷监测中的负荷识别准确性,提出了基于数据扩充与无阈值递归图的非侵入式负荷识别方法。采用去噪扩散概率模型对小样本负荷数据进行数据扩充,以提升负荷识别方法的鲁棒性;通过去除递归图的Heaviside函数实现无阈值递归图以高效表征负荷特征,并结合Transformer深度学习网络构建负荷识别框架。将所提出的方法应用到3个实测数据集中,实验结果表明,所提方法能有效提高负荷识别准确度,改善分类效果。

小样本下基于递归图和迁移学习的轴承故障诊断

针对实际工程中故障振动信号数据分布不同、数据量小的问题,提出一种基于卷积神经网络进行迁移学习的滚动轴承诊断方法。利用递归图对滚动轴承的一维时序数据进行图像转换,得到二维图像下的源域数据和目标域数据;将源域数据输入到添加ECA注意力机制的ResNet网络中进行预训练,得到预训练权重;将预训练权重迁移至模型当中,用少量样本进行训练,以验证集准确率为基准,获取此时的训练权重,并保存至目标模型中,最后将测试集数据输入到此时的模型进行验证。结果表明:所提方法能够在目标域仅有少量训练样本的情况下,达到较高的故障识别准确率,且具有较强的鲁棒性能和泛化性能。

采用递归图编码技术与残差网络的滚动轴承故障诊断

针对传统故障诊断方法未充分挖掘故障信号的时间序列间关联性特征的问题,将递归图编码技术引入故障诊断领域,提出了递归图编码技术与残差网络的滚动轴承故障诊断模型。采用递归图编码方式将振动信号转换为增强信号特征的二维纹理图像;将这些特征图像输入残差网络中,结合残差网络对二维图像数据优秀的自适应特征提取能力,对滚动轴承进行故障诊断。使用凯斯西储大学轴承数据集和某局机务段采集的真实机车轴承数据进行试验验证,结果表明:所提模型对轴承故障诊断的识别准确率为99.99%和99.83%;在输入不同的数据长度和变工况的试验中,所提模型均保持了良好的故障诊断效果;对比其他常见的故障诊断方法,所提模型拥有更好的泛化性能和识别准确率。

基于卷积神经网络和多变量递归图的斜拉桥拉索损伤识别

大跨索承桥梁在实际运营中除了承受自重和车辆荷载外,还易受到地震、强风和车辆超载等威胁,结构构件容易发生损伤。传统的损伤识别方法具有精度低和鲁棒性差等问题,具有一定的局限性。针对斜拉桥中的易损构件斜拉索,采用多变量递归图分析方法对包含非平稳和非线性成分的主梁加速度信号生成递归图,将其作为卷积神经网络的输入样本,实现了斜拉索损伤位置和程度的识别。模型斜拉桥数值模拟研究结果表明,在拉索单处损伤程度达15%时识别的召回率超过90%,准确率超过88%,损伤识别效果良好,具有较为广阔的应用前景。

基于递归图和张量分解的故障可诊断性评价方法

可诊断性反映了系统故障诊断的难易程度,对系统进行可诊断性评价是开展故障诊断工作的前提条件。针对可诊断性评价问题,将测点信号考虑在内,提出了一种基于递归图和张量分解的故障可诊断性评价方法。利用相空间重构技术对装备在不同状态下的测点信号进行图形化表示,形成递归图;对递归图进行分析以提取其中的特征,并将该特征视为原信号特征;通过张量分解的方法,计算不同状态下信号特征之间的相似程度,作为故障诊断难易程度的基本度量。通过仿真实验对所提出的方法与仅考虑系统模型的D矩阵的可诊断性评价方法进行对比,结果表明该方法在评价可诊断性方面具有准确性和客观性。

基于递归图的结构损伤识别

结构损伤检测是建筑、机械等工程领域中的一大热点,通过振动信号对结构进行整体评估,了解结构当前的状态,并基于此为结构的运营维护提供参考依据,具有重要工程意义。递归图具有能反映结构内部特性的特点,递归图定量分析方法常用于分析结构的信号递归图,本文使用五层钢框架模型实验探讨了利用该方法进行结构损伤识别的可行性。

基于递归图深度学习的电能质量异常扰动检测

电能质量问题会严重影响供电质量。为解决该问题,本文研究了电能质量的识别。首先,提出了一种基于数据预处理递归图的特征提取方法,用于提取各类电能质量异常扰动的特征;然后,提出了一种基于机器学习的电能质量异常扰动检测方法,利用Swin-Transformer网络高效表征递归图中的隐含信息,同时降低模型计算的复杂度,增加对电能质量事件的识别率和准确率;最后,通过MATLAB-Simulink仿真模拟电能质量扰动数据并进行实验,验证了该方法的有效性。结果表明,数据预处理递归图能有效提高不同电能质量异常扰动类型的特征区分度。Swin-Transformer网络能高效且精确地识别电能质量异常扰动。

基于递归图和GoogLeNet模型的锂离子电池的历史滥用回溯

针对各种滥用操作会导致锂电池产生不可逆转损伤的问题,提出了一种基于递归图和卷积神经网络的锂电池历史滥用回溯方法。首先,采用改进的Pearson相关系数计算电压间的一致性信息;然后,利用递归图转换,将得到的相关系数序列转化为具有丰富特征的二维图像;最后,使用卷积神经网络中的GoogLeNet模型对递归图进行特征提取和分类,进而对锂电池历史滥用情况进行判断。实验中,对锂离子电池进行了多种滥用操作的模拟实验,以获得真实的数据集。实验结果表明,所提出的方法能够对电池所受滥用操作的类型和强度进行准确可靠回溯,回溯准确率分别达77.34%和75.37%。

基于交叉递归图理论的光信道性能分析方法

为了及时准确地识别和处理光路故障,实现透明和实时的网络智能化管理,针对光信道状态性能监测提出一种基于交叉递归图理论的光信道性能分析方法。首先,该方法利用交叉递归图可视化邻近信道的状态参数分析影响信道的动力学特性;然后,通过定量分析方法来量化2个序列系统的同步特性。仿真结果表明,光信道性能与邻近信道状态参数具有相似的动力学形态,证实了其潜在的关联特性。

气-固流化床压力脉动递归图分析

引入递归图分析方法对具有混沌与分形特性的气-固循环流化床压力脉动信号进行分析,针对Logisitc模型比较了递归图特征量递归率、确定性、平均对角线长度、分叉性与最大Lyapunov指数之间的关系,得出了递归图特征量对于混沌特性具有表征作用的结论。研究了递归图特征量在气-固循环流化床不同床型下的变化规律,递归图特征量在固定床型、湍流床型、气力输送床型下保持稳定,在鼓泡床型、快速流化床型下分别迅速递增或递减,因此递归图特征量同样可以对循环流化床不同床型进行辨识。

基于递归图和卷积神经网络的脉象分析识别

在脉象信号分析识别中,时域、频域等分析方法难以挖掘脉象信号的非线性信息,且传统机器学习方法需要人工定义特征,无法进行特征的自学习。提出一种基于无阈值递归图和卷积神经网络的脉象分析识别方法。基于非线性动力学理论,将脉象信号转换为无阈值递归图,通过VGG-16卷积神经网络实现递归图非线性特征的自动提取,并建立脉象分类模型。实验结果表明,该方法分类准确率可达98.14%,与已有的脉象分类方法相比有所提升。该研究为脉象信号分类提供了一种新的思路和方法,对脉诊客观化具有一定的实用价值。

交叉递归图在变压器铁芯压紧力变化检测中的应用

基于交叉递归图(CRP)能够对信号的非线性非平稳变化进行检测的特点,提出了一种基于CRP的铁芯连续压紧力变化的检测方法。首先对铁芯在压紧力单调下降情况下的振动信号进行递归图分析,根据铁芯振动信号的特点经验性地选择距离阈值ε,然后分别采用一元和多元传感器信号进行相空间重构并进行递归图分析,计算铁芯全局和局部的压紧力的4个基于对角线结构的递归度量分析(RQA)度量,对铁芯压紧力的变化从总体角度和局部角度分别进行衡量。对实验数据使用该方法的分析表明,选取的4个度量在一定压紧力范围内随压紧力的下降而单调下降,多个RQA参数结合能够有效地表征铁芯压紧力的变化趋势。该方法能较好地反映铁芯结构发生的非线性变化,能有效地监测铁芯松动故障。

基于经验模态分解和递归图的语音端点检测算法

结合Hilbert-Huang变换中的经验模态分解(EMD)和递归图(RP)法,提出了一种新的语音端点检测算法。该算法首先基于语音和噪声通过经验模态分解及其多尺度特征,在不同的固有模态函数(IMF)上进行软阈值时间尺度滤波处理,然后采用非线性动力学行为中的递归图法,定量统计递归分析中的确定性进行语音端点检测。仿真结果表明,该方法具有很强的非稳态动态变化分析能力,在低信噪比环境下较传统方法能更准确提取出语音信号的起止点,鲁棒性好。

利用多尺度形态学和递归图分离辨识大地电磁微弱信号

为了突出形态滤波中结构元素不同尺度下的相关局部特性、分层次刻画大地电磁信号本身所固有的多尺度特征,将加权多尺度形态滤波与递归图相结合对大地电磁微弱信号与噪声进行信噪分离及信噪辨识。首先,利用不同尺度的结构元素对大地电磁信号进行全方位扫描;然后,加权合成获取更精细的形态特征信息;最后,引入非线性动力学行为中的递归图对分离出的信噪特征进行确定性检验。研究结果表明:大地电磁微弱信号与噪声得到更精细分离;递归图的相空间轨迹适合定性判断大地电磁时间序列的非稳态动态变化;卡尼亚电阻率曲线更加光滑、连续,大地电磁低频段数据质量得到有效改善。

使用多尺度递归图和视觉转换器的心律失常分类

心电(ECG)信号反映心脏电生理活动状态,其准确分类对于心脏疾病的自动诊断非常重要,为此,提出一种使用多尺度递归图和视觉转换器的心律失常自动分类方法。首先使用小波变换将心电信号分解为低频分量和若干个高频分量,并采用递归图方法将其分别变换为二维纹理图像;然后针对样本不平衡问题,采用多分类Focal loss替代交叉熵损失函数,对视觉转换器模型进行改进;最后基于心电信号的多尺度递归图表示,使用改进的视觉转换器进行心律失常分类。采用MIT-BIH心律失常数据库中的数据进行实验,所提出的心律失常分类方法的平均准确率为97.38%。实验结果表明,提出的方法能有效识别心律失常类型,且其性能明显优于传统的心律失常自动分类方法。

对基于递归图的时间序列可预测性的进一步研究

理论与实例皆表明 :在重构系统相空间的基础上构造递归图来描述时间序列的可预测性时 ,递归图能否真实反映时间序列的实际可预测程度 ,这起决于重构系统相空间时是否选用了合适的嵌入参数。本文在虚假最近邻域概念的基础上 ,提出了可同时确定最优的嵌入维数与时间滞后的方法 ,为正确、快速判定时间序列的可预测性提供了可靠的保证。

基于交叉递归图和局部匹配的翻唱歌曲识别

基于Qmax算法,提出了一种新的序列局部匹配算法,用于翻唱歌曲识别。该算法通过改变所使用的步长条件使得匹配过程既能防止病态弯曲又能增加局部匹配分数。为了验证该算法在翻唱歌曲识别中的有效性,采用基于节拍同步的音级轮廓(PCP)特征作为测试对象,并利用最佳移位索引(OTI)实现基调不变性;根据所提取的特征构造交叉递归图(CRP),利用提出的局部匹配算法计算序列之间的相似度。实验结果表明,该方法获得了比传统匹配算法,如动态时间规整(DTW)、互相关和Qmax算法更高的识别准确率。

基于递归图理论的飓风信号非平稳特征定量分析

为解决传统时频域分析方法无法定量表征风信号的非平稳特征问题,提出采用递归定量分析方法对风场的非平稳特征进行可视化和定量化分析,该方法适用性强且噪声对计算过程的影响较小.首先,采用相空间重构技术和递归图理论对飓风Gustavo(2008)典型时间序列做非平稳性分析;然后,通过引入递归率、确定率、信息熵、对角线平均长度、层状度和捕获时间等6项递归定量分析指标对飓风过境的全过程进行信号特征的定量分析,并给出飓风信号和良态风信号的6项定量指标界限;最后用台风梅花(1109)进行了上述指标的验证.研究发现,飓风过境前期信号具有一定的周期性和平稳性,中期信号的非线性、非平稳性比较突出;6项递归定量分析指标能够客观区分开飓风信号和良态风信号;递归定量分析方法完全适用于风信号系统的研究,能够更全面、定量地描述风信号的非平稳特征.