Φ-OTDR系统振动信号的聚类识别方法

分布式光纤声学传感(DAS)利用单模通信光纤即可实现大规模、低成本的传感阵列,针对基于相位敏感光时域反射(Φ-OTDR)技术的DAS系统产生的大量数据中有效信息稀缺的问题,提出了一种基于时域振幅特征提取和无监督聚类的方法,旨在探索无监督学习在DAS入侵事件识别中的应用。该方法通过计算相邻数据点差值、提取关键特征,并使用层次聚类对振动事件进行分类,相较于主流神经网络算法,需更少样本且无需手动标记。实验模拟了风噪声、人工敲击和挖掘三种振动事件,结果表明,该方法的V度量为0.721、剪影系数为0.778、聚类准确率可达88.68%,有效区分了入侵信号与噪声,并基本分辨出人工敲击与挖掘信号,证明聚类识别可应用于Φ-OTDR事件识别。

空间结构-地基动力相互作用数值分析时域算法研究

对于大型结构地震响应分析,结构-无限地基耦合系统动力分析的数值实现,往往由于有限元网格过多,以及地基无限域时域计算模型中存在的复杂卷积运算,严重限制了求解规模.为解决此问题,提出了基于阻尼溶剂抽取法的三维结构-地基相互作用分析的分区时域逐步求解模型.并针对三维大规模工程问题的数值求解,在积分算法及矩阵存储格式等方面,结合阻尼溶剂抽取法的特点进行了详细的探讨,以推进动力相互作用时域数值分析的实用化.以三维全空间球形空腔动力变形及大岗山拱坝的地震响应分析为例,针对上述数值实现算法进行了具体验证,并就不同的地基弹模及地震波输入方式对坝体响应的影响进行了探讨.计算结果表明,地基辐射阻尼以及河谷散射效应对结构的动力响应有很大影响,而该模型表现出了良好的精度和计算效率.

无限地基-结构动力相互作用分析的分区递归时域算法研究

基于阻尼抽取法,针对结构-无限地基动力相互作用时域分析提出了一种新的分区递归数值求解算法,包括逐步积分形式的地基作用力计算公式及动力相互作用分析中,基于子结构法的具体数值实现过程。该算法隐式地满足了无限介质辐射条件,可方便地确定地基作用力与交界面位置变位的关系,消除了无限地基动刚度时域算法中的频率相关性及褶积分,此外,时域子结构方式的求解可以方便地考虑结构部分的非线性力学特征。以实例的形式说明了该方法良好的精度与应用的简便性。

基于Φ-OTDR的智能识别技术研究

相位敏感光时域反射计(Φ-OTDR)已广泛应用在防入侵检测、建筑结构的裂缝健康检测和管道检测,但其准确性和抗噪性能还需要提高。提出了一种基于Φ-OTDR的智能识别系统,该系统采用神经网络算法进行智能识别,并对振动强度进行识别概率化处理。实验结果表明:提出的系统能够准确识别并定位入侵行为,定位精度达到5 m以内。

小样本下基于CNN-DCGAN的电缆局部放电模式识别方法

在电缆局部放电模式识别过程中,传统人工特征提取依赖特定领域的知识及经验,特征选择和优化工作量较大。针对该问题并为了避免非均衡小样本数据下分类器的过拟合,文中提出了一种在小样本的情况下基于CNN-DCGAN的电缆局部放电模式的识别方法。利用滑动时间窗将局部放电时域信号转化为二维图像信息,构建深度卷积生成对抗网络,在原始数据集的基础上进行样本增强,将原始样本和增强样本作为系统输入,构造卷积神经网络,利用其非线性编码器自动提取局部放电特征,并通过Softmax层训练特征分类模型。实验结果表明,相较于人工特征,基于自动特征提取的CNN分类器识别准确率提高了4.18%。相较于原有数据集,基于样本增强数据集的系统识别准确率提高了3.175%。

基于时域特征DC-DC电路软故障诊断

针对矿用DC-DC电路软故障模式的高效故障特征参数获取难的问题,基于测点信号的获取便利性、故障特征提取简单性、故障分类高效性,给出基于时域特征的软故障诊断方法。首先分析典型DC-DC电路工作原理及主要元器件参数退化对电路性能的影响,选取便于监测的多个测点信号,计算14种时域故障特征参数,进而根据相似度指标选取最优测点组合,最后利用分类器实现DC-DC电路软故障的高效诊断。该故障诊断方法无需复杂计算及参数设置,简单、便利、高效,实验结果表明其性能优于变分模态分解和模糊熵的故障诊断方法,测试时间短,分类正确率高,较适用于DC-DC电路软故障诊断。

基于KNN算法与φ-OTDR系统的高铁声屏障故障识别方法

提出了一种基于K近邻(K-nearest neighbors,KNN)算法和相位敏感光时域反射(Phase-sensitive optical time domain reflectometry,φ-OTDR)系统的高铁声屏障故障识别方法。设计了V字型光缆敷设方式,能够感知声屏障不同高度吸声板在脉动力冲击下的振动,并利用φ-OTDR系统采集振动信号。对振动信号进行多域特征提取以及K近邻分类后,可以实现对声屏障故障状态识别。实验结果表明,在复杂场景下对于故障点的识别正确率达到了90.9%。该方法为声屏障故障识别提供了一条可行的技术路线,能够减少对专业人员的依赖,对于提升高铁声屏障智能运维水平具有重要意义。

A NEW SINGULARITY EXTRACTION TECHNIQUE FOR TDEFIE

A new singularity extraction technique is presented to calculate accurately the singular integrals in Time Domain Electric Field Integral Equation (TDEFIE).In singularity extraction pro- cedure,through the aid of the first order Taylor series of time base function including time-retardation,the singularity of the integrand can be removed.The surface current density and backscattered far-field response of a conducting cube illuminated by a Gaussian plane wave is com- puted using the presented technique.Comparisons are made with the results obtained by the Inverse Discrete Fourier Transform (IDFT) of the frequency domain and the results obtained by using Ve- chinski's time averaging technique,which demonstrate that the presented method with this new time domain singularity extraction technique to solve TDEFIE is very accurate and stable.

基于VMD-MRMR-LSTM的铣刀磨损预测

针对机械加工过程中刀具磨损状态的预测精度低问题,提出一种基于VMD-MRMR-LSTM的刀具磨损预测方法。首先,通过Kistler测力仪、振动传感器采集刀具铣削过程中的力、振动信号;其次,对信号进行变分模态分解和时域统计提取时域、频域特征,利用最大相关最小冗余法筛选出最优特征子集;最后,对特征子集中的每个特征序列搭建长短时记忆神经网络(LSTM)模型预测,所有特征列预测值之和为最终预测结果。实验表明,与其他方法进行对比,VMD-MRMR-LSTM的平均绝对误差(MAE)和LSTM,EMD-LSTM,VMD-LSTM相比分别减小了2.36,1.33,0.43,均方根误差(RMSE)分别减小了2.44,1.38,0.47,能够提高预测精度。

Non-stationary Buffeting Response Analysis of Long Span Suspension Bridge Under Strong Wind Loading

The non-stationary buffeting response of long span suspension bridge in time domain under strong wind loading is computed. Modeling method for generating non-stationary fluctuating winds with probabilistic model for non-stationary strong wind fields is first presented. Non-stationary wind forces induced by strong winds on bridge deck and tower are then given a brief introduction. Finally,Non-stationary buffeting response of Pulite Bridge in China,a long span suspension bridge,is computed by using ANSYS software under four working conditions with different combination of time-varying mean wind and time-varying variance. The case study further confirms that it is necessity of considering non-stationary buffeting response for long span suspension bridge under strong wind loading,rather than only stationary buffeting response.

Analysis of photonic crystal on LED extraction efficiency

Because of its very low light extraction efficiency(LEE),LED is limited to be widely used under the condition of the internal quantum efficiency which up to 90%.In order to fullfill the design of a more efficient GaN-based blue light LED,the model including deeply etched surface photonic crystals(PhCs)LED is discussed using mode analysis method from light waveguide theory.The distributions of all order modes in GaN layer are obtained by the effective index approximation.The light extraction efficiencies are also calculated by finite-difference time-domain method(FDTD).The emulated results fully coincide with the former analysis.Because the manufacture of the surface photonic crystal is feasible,the work can be very meaningful to design and manufacture the high efficiency GaN-based blue light LED in factory for a large amount.

基于多域特征提取的多变量时间序列异常检测

多变量时间序列(MTS)数据具有高维性,且分布复杂多变,现有的异常检测模型在面对MTS数据集时普遍存在误判率高、训练困难等问题,且多数模型仅考虑时间序列样本的时空特征,对时间序列特征的学习并不全面。为了解决以上问题,提出一种基于多域特征提取的MTS异常检测模型(MFE-TS)。首先,从原始数据域出发,使用长短期记忆(LSTM)网络与卷积神经网络(CNN)分别提取MTS的时间相关性和空间相关性特征。其次,用傅里叶变换将原始时间序列转换到频域空间,并利用Transformer学习数据在频域空间的幅度与相位特征。多域特征学习能更全面地建模时间序列特征,从而提高模型对MTS的异常检测性能。此外,引入掩码策略,进一步增强模型的特征学习能力,并使模型具备一定的抗噪性。实验结果表明,MFE-TS在多个真实MTS数据集上展现了优越的性能,同时在含有噪声的数据集中仍能保持较好的检测效果。

基于时域卷积网络的精轧出口厚度预测

以精轧过程为研究对象,引入时域卷积网络算法,构建了基于时域卷积网络的精轧出口厚度预测模型。利用时域卷积网络模型提取精轧过程时序数据的特征信息,通过优化模型结构和参数,提升精轧出口厚度预测性能。实际钢种数据集仿真实验结果表明,相较于传统方法,本文所提出的时域卷积网络算法在均方根误差、平均绝对百分比误差及决定系数等评价指标方面存在较大优势,可为现场工程师提供重要的决策信息。

基于时频域特征参数的风电机组滚动轴承故障诊断方法及应用

针对风电机组滚动轴承工作环境恶劣、工况多变且振动信号成分复杂等特点,将33项时域和频域特征参数及其特性应用于风电机组滚动轴承状态监测和故障诊断中,利用奇异值分解重构法(Singular Value Decomposition,SVD)将滚动轴承振动故障信号中的噪声等干扰成分去除,降噪重构后的信号经过基于经验模式分解法(Empirical Mode Decomposition,EMD)的希尔伯特-黄变换,实现故障冲击信号的共振解调处理,将低频周期故障调制信号筛选出来,最终结合滚动轴承各部件故障特征频率、振动信号时频分析结果和时频特征参数诊断结果实现滚动轴承的状态监测和故障识别。并通过振动测试信号分析,验证了该方法对提取风电机组滚动轴承故障特征的有效性。

基于深度学习的广播信号自动分类研究

非法广播信号指未经国家无线电管理部门批准擅自设立的广播电台,这类信号会扰乱正常的无线电通信秩序。因此,提出了一种基于时频域特征提取和反向传播(Back Propagation,BP)神经网络的非法广播信号监测方法。该方法先使用时频域分析方法提取信号的特征,然后使用BP模型进行分类。在实验中,文章使用MATLAB生成模拟广播信号数据集,并对设计方法进行测试。结果表明,该方法的准确率、召回率和F1值均在99%以上,证明了该方法的正确性。

基于分解和频域特征提取的多变量长时间序列预测模型

针对现有基于Transformer的多变量长时间序列预测(MLTSF)模型主要从时域中提取特征,难以直接从长时间序列分散的时间点中找出可靠依赖关系的问题,提出一种新的基于分解和频域特征提取的模型。首先,提出基于频域的周期项-趋势项的分解方法,以降低分解过程的时间复杂度;其次,在利用周期项-趋势项分解提取序列趋势性特征的基础上,利用基于Gabor变换进行频域特征提取的Transformer网络捕捉周期性的依赖,提高预测的稳定性和鲁棒性。在5个基准数据集上的实验结果显示,与现有的先进方法相比,所提模型在MLTSF上的均方误差(MSE)平均减小了7.6%,最多减小了18.9%,有效提升了预测精度。

基于支持向量机的汽车发动机故障诊断研究

研究在汽车发动机不解体的情况下获取发动机缸盖表面的振动信号和上止点信号,按曲轴转角的周期对振动信号的时域能量进行合理分段;提取各段信号的时域能量作为发动机各缸状态的特征值。建立发动机各缸不同故障状态的训练集,用支持向量机的方法实现发动机故障模式的诊断与识别。研究结果表明,该方法对汽车发动机故障类型、故障位置的诊断识别具有重要工程意义。

基于局域波法的时频局部能量特征提取方法

在故障诊断中,特征参数的选择尤其重要,而局域波法的引入拓广了特征参数的选择途径。在局域波时频分析理论的基础上,引入了时频局部能量的概念,进而提出了一种基于时频平面的局部能量特征提取方法。以柴油机缸套活塞磨损故障的诊断为例,说明了时频局部能量特征提取方法的有效性。

基于峭度和时域能量的局放脉冲提取算法

提出了一种针对电力电缆局部放电脉冲的提取方法,首先根据信号峭度的变化定位局部放电脉冲峰值所在位置,然后根据信号能量的变化采用滑动能量搜索的方法以局部放电脉冲峰值为中心向两边计算搜索局放脉冲的边沿,从背景噪声中准确提取局放脉冲信号。该方法可以将局部放电检测信号中纯噪声信号部分与包含局部放电脉冲信号的部分区分开来,且不受局部放电脉冲个数和脉冲所在位置的限制,并具有步骤简洁、计算量小的特点。通过与小波阈值去噪、经验模态分解(EMD)两种主流电力电缆局部放电脉冲提取方法的仿真实验对比和实际实验对比,验证了该方法的有效性与准确性。

超声兰姆波的时频分析

声-超声方法在被测板件厚度较小时,板中传播的超声波模式主要是多模式的兰姆波。由于兰姆波的复杂性,声-超声方法回避了对信号进行进一步深入的分析,而采用所谓“应力波因子”对材料中能量耗散进行相对度量。当多模式与频散同时存在时,信号的识别异常困难,本文采用时-频分析的方法对声-超声信号进行了分离,只需一次测量就可满足分析要求。通过对兰姆波信号的伪Wigner-Ville分布进行时频重排和图像特征提取,能够精确地获得兰姆波的局部群速度频散曲线。