融合时频特征的多源无监督域自适应轴承故障诊断方法

无监督域自适应已成为多工况下轴承故障诊断的一种重要方法。然而,现有多源无监督域自适应方法往往忽略不同视角信号对于跨域故障诊断的贡献,不足以全面表达轴承的故障特征。此外,这些方法的不同源域对同一目标域的预测结果存在差异。为此,提出一种融合时频特征的多源无监督域自适应(time-frequency features fused multi-source unsupervised domain adaptation,TFFMUDA)轴承故障诊断方法。该方法以时域和频域信号为输入,通过特征耦合机制实现两种故障特征的互补,并利用分类器对齐策略增强了不同源域对于同一目标域的诊断一致性。通过实际轴承故障案例的试验结果表明,所提方法相较于现有无监督域自适应轴承故障诊断方法能获得更清晰的故障类决策边界并具有更好的目标域诊断精度。

基于多尺度FCN和GRU的雷达有源干扰识别

雷达在现代电子战中发挥着至关重要的作用,随着电子对抗与电子反对抗的较量愈演愈烈,复杂电磁环境下,雷达有源干扰的人工提取特征困难以及低干噪比下的识别率较低的问题亟需解决。针对该问题,文中提出了一种基于多尺度全卷积网络(Multiscale and Fully Convolutional Neural Network,MFCN)和门控循环网络(Gated Recurrent Unit,GRU)并联的干扰识别算法。这是一种端对端的深度神经网络模型,其输入干扰信号的原始时域序列,不需要对数据进行复杂的预处理,即可提取信号在时间和空间上的融合特征,并能对不同干噪比下的干扰信号进行分类识别。仿真结果表明,随着干噪比的逐渐增加,网络的识别准确率也逐渐提升;在-10~10 dB的全干噪比范围内,网络的整体识别率为99.4%,干噪比为-6 dB以上时识别准确率接近100%,与单纯的多尺度全卷积网络、门控循环网络和其他经典模型相比具有更高的识别准确率,且能够适应的干噪比的下限更低。

基于时域多参数信息融合与机器学习算法的井架钢结构损伤识别

为避免井架钢结构在作业过程中由结构损伤引发的安全隐患,将时域多参数信息融合与机器学习算法进行结合,基于井架钢结构位移响应信号提出了一种基于主成分分析和随机森林算法的井架钢结构损伤识别方法。利用加速度传感器提取在冲击载荷下井架钢结构的加速度响应信号,由加速度响应信号处理得到位移响应信号,并提取包含脉冲因子、裕度因子和峭度的3个时域特征;运用主成分分析法将3个特征融合成1个新的综合性时域特征,将原始信号中包含的大多数信息保留下来;将处理过的数据输入随机森林算法模型进行井架钢结构损伤识别,整个过程只需要采集损伤后的信号,不需要采集损伤前的信号。利用以上损伤识别模型对井架钢结构有限元模型进行仿真计算,同时结合ZJ70井架钢结构实验室模型的实验结果进行分析。分析结果表明:利用上述损伤识别方法可以准确高效地判断出井架钢结构单一或多处损伤,判断结果的正确率为90%以上。

基于时频感知双路径Conformer的语音增强

近年来,Conformer在语音领域的应用表现较为突出。该模块通过结合多头自注意力机制和卷积神经网络,能够同时关注短时和长时序列信息,从而在语音处理任务中表现出卓越的性能。在此基础上提出了一种基于时频感知双路径Conformer的语音增强网络(TFDPCNet)。首先,该网络将改进的Conformer结构作为核心,采用双路径结构,构成时频感知的双路径Conformer模块(TFDP-Conformer),增强了整体网络的时频提取能力;同时,为了减小时频特征融合的难度,提出了注意力门控交叉融合模块(AGCF),通过额外的注意力门进一步增强了网络训练过程中时频特征的交互,提高了时频特征的利用率;最后,引用度量鉴别器,并对其进行适当剪枝,使得增强后的音频和原始音频在量化评价指标上保持更高的一致性。实验结果表明,相比于TSTNN算法,TFDPCNet在主观和客观指标上都有明显提高。

基于小波熵特征融合和ISSA-BiTCN的直流输电故障定位

特高压三端混合直流输电系统作为直流输电的一种重要形式,存在传输距离较长而导致的线路故障率较高的问题,对其进行准确的故障定位是系统稳定运行的基础。针对现有故障定位方法应用于输电线路单极接地故障时存在的高阻接地故障下定位模糊、精度较低的问题,提出了一种基于小波包熵特征融合提取故障特征,再由改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化的双向时域卷积网络(bidirectional time-domain convolution network,BiTCN)模型的故障定位方法。首先,利用小波包变换提取线模电压行波信号,利用信息熵刻画电压波形中的深层故障特征,形成熵特征融合特征向量构成的特征矩阵作为BiTCN模型的输入;其次,搭建并训练BiTCN模型,并利用ISSA的迭代寻优对其进行优化,最终实现三端混合直流输电线路故障的精确定位;最后,在PSCAD/EMTDC仿真平台中搭建系统模型,验证所提方法的可实施性。结果表明该方法定位精度较高,具有较好的泛化能力和鲁棒性,对高阻故障耐受能力较好。

物理指标与数据特征融合驱动的冲击地压时序预测方法

煤矿智能化建设的大背景下,如何高效的从冲击地压海量监测数据提取有效信息与提高预测预警准确率是未来的研究重点与难点。为解决目前基于物理指标冲击地压预测方法泛化能力较差、对海量数据特征挖掘不充分的困境,结合深度学习技术,初步尝试建立了物理指标与数据特征融合驱动的冲击地压时序预测方法。以陕西彬长矿区某强冲击危险工作面为背景,分析了多次大能量事件发生前物理指标的变化特征,并统计剖析了仅使用物理指标驱动的冲击地压危险预测指标的短板与不足;提出采用物理指标与数据特征融合驱动的冲击地压时序预测方法,预测模型包括数据预处理、特征提取以及预警模型构建3个模块,数据预处理将原有微震监测数据处理为具有特定时间窗的前兆模式序列,特征提取主要包括基于物理指标的显式特征以及基于卷积神经网络的数据隐式特征提取,提出基于注意力机制的显式特征和隐式特征的深度融合方法,并通过全连接网络实现预测模型分类,实现对不同冲击危险等级的大能量事件进行预测。模型测试结果表明:预测时长为未来1 d、未来2 d以及未来3 d时预测F1分别可达0.956、0.950以及0.854,现场可根据需求选用预测时长;工程应用时模型可对大能量事件准确预测,误差分析结果表明模型预测准确率较高,可满足现场需求。

基于时域图卷积神经网络的交通流预测模型

针对当前大多数模型对交通流数据空间信息挖掘不充分、无法捕获长序列单元间的信息等问题,提出一种基于时域图卷积神经网络的交通流预测模型。通过阈值权重法重构邻接矩阵,将多层近邻机制嵌入图卷积网络进一步挖掘空间信息;引入时域卷积网络,借助膨胀因果卷积扩大感知野并结合残差网络提取时间信息;运用Dense网络输出结果。利用加州性能评估系统中两个数据集进行评估,其结果表明,该模型性能优于常用的基准模型以及最近提出的多时空图卷积网络模型。

结合卷积神经网络与注意力机制的多域特征融合ECG心率失常分类

心率失常是心血管疾病诊断的重要手段,其自动分类具有重要的临床意义。为了提高心率失常分类的准确性,结合一维卷积神经网络(Convolutional Neural Networks,CNN)和注意力机制(Attention)提出了一种CNN+Attention的深度学习模型,使用CNN提取心电信号的一维时域特征。针对一维时序心电信号时域特征表征能力有限的问题,使用短时傅里叶变换(Short-Time Fourier transform,STFT)将心电信号变换到时频域,通过Attention提取心电信号的时频域全局相关依赖关系,将时域与时频域特征融合对5种类型心电信号进行分类。在MIT-BIH数据集上验证了模型的有效性,所提模型对5种类型心电信号的平均分类准确率、精准率、召回率、灵敏度以及F1_Score分别为99.72%、98.55%、99.46%、99.90%以及99.00%。与已有先进方法对比,验证了所提模型具有先进的性能表现。

基于时空信息融合的矿用变压器绝缘状态评估方法

现有矿用变压器状态评估方法大多侧重评估模型及理论的研究,而忽视各评估指标时域和空域的关联性分析。针对该问题,提出了一种基于时空信息融合的矿用变压器绝缘状态评估方法。针对矿用变压器绝缘状态评估中数据信息的随机性、模糊性等特点,建立多层次状态评估体系;引入关联规则和变权重理论,确定评估模型中因素层的变权重系数,构建因素层指标的模糊隶属度函数,并计算其原始基本概率赋值;基于D-S证据理论对评估模型中各因素及各周期的基本概率赋值进行融合,首先将因素层评估得到的各因素基本概率赋值与其权重系数进行时域信息融合,然后对其时域融合信息进行空域融合,最后结合信度准则判断矿用变压器绝缘状态。实例验证结果表明,所提方法可对矿用变压器绝缘状态进行准确有效评估。

基于证据理论的交互式目标识别算法

在充分利用信息处理中心的人工情报和其它信息源数据的基础上,提出了基于证据理论的交互式二级融合算法。对数据融合系统获得的不同信息源数据进行了详细分类,并阐明了非实时信息和半实时信息在数据融合前期及中期的不同作用。首先在多传感器数据时域融合的基础上,获得对目标的初步判定值;其次在信任加权的基础上接收其它识别单元对目标的判别概率,通过信息处理中心传来的目标数据,对不同识别单元的目标数据融合的结果进行修正,解决了问题规模扩大时计算量快速增长的问题。仿真结果证明,该算法能有效实现对目标的快速。

大型公铁两用斜拉桥健康监测数据的时域峰值统计及频域融合处理

为实现基于健康监测数据的桥梁运营安全性评定,针对大型公铁两用斜拉桥健康监测信号的数据量大、干扰强、频谱复杂、信噪比低等特点,基于沪通铁路长江大桥的健康监测数据,建立监测数据质量状况评定的3项指标(信噪比,单测点异常数据占比和总测点异常数据占比)及其5个评判等级的区间评判体系,并据此进行监测数据降噪去异常值的初步处理;基于30~300s的时域分段及监测值峰值即时替代措施,给出健康监测数据时域分段峰值的提取方法及其均值和方差的统计方法;采用加权平均方法推导出基于快速傅里叶变换、小波变换、希尔伯特—黄变换的监测数据频域融合公式,以提高频域数据的可靠性及精度,获取有效开展桥梁运营安全性评判的评估参数。以监测到的某大型桥梁的振动加速度数据为例,采用给出的数据处理方法进行数据的去噪处理、时域峰值提取及统计、频域融合处理,验证了方法的工程实用性。

双矢时域齿轮早期微弱故障特征增强及应用

信噪比低和源信息的缺失是造成早期微弱故障难以准确判定的主要因素,针对以此问题,提出一种双矢时域变换(dual vector time-time domain transform,简称DVTD)的方法,用于完备和凸显齿轮早期微弱故障特征。方法借用全矢原理实现相互垂直的双通道振动信号的融合,保证双矢信号源信息的完整。在此基础上,结合双时域变换理论,提取二维时间序列的主对角元素用以构建完整的、故障特征增强的时域振动信号。以风电机组齿轮箱为实验对象,提取表征信号波动强度的小尺度指数作为状态特征,验证了双矢时域变换的微弱故障特征增强特性及其在齿轮早期微弱故障识别中应用的有效性。

异步航迹关联算法与仿真

在分布式多传感多目标信息融合系统中,由于每个局部传感器的采样频率不同以及具有不同的通信延迟,导致送入融合中心的局部航迹往往不是同步的。本文提出一种异步航迹的关联方法,该方法首先基于最小二乘法实现单传感器的时域融合,从而将多传感异步航迹同步化;然后利用网络优化算法,获得相应于每个目标的各个传感器的局部航迹组合。仿真试验表明本文算法在解决异步航迹关联问题的有效性。

基于时间融合的雷达辐射源自动识别方法

雷达辐射源识别是雷达对抗信号处理中关键环节,也是电子目标识别的重要前提。介绍了Dempster组合规则和加权M-距离法、灰关联分析法等时间融合的雷达辐射源自动识别方法,提出了基于证据理论的单传感器时间融合算法,研究了单传感器在不同时间测量周期的证据综合过程,并给出仿真试验结果。随着噪声的增大,传感器单次时间融合的正确识别率下降很快,而采用基于D-S证据理论的单传感器时间融合方法却有较高的正确识别率,该算法大大降低了错误识别率。因此提出的算法是可行的。

基于小波变换和时域融合的图像去噪方法

噪声对后续图像处理的质量有严重影响 ,经典的去噪方法在抑制噪声的同时会丢失图像中的细节。文中分析了信号与噪声在小波域的系数之间的关系。信号系数幅值较大 ,数量较少 ,而噪声系数幅值较小 ,数量较多 ;此外 ,利用从同源的多幅图像中抽取的信息能够比任何单一图像所提供信息更为准确可靠的时域融合技术 ,提出了一种基于小波变换和时域融合的去除噪声方法。实验证明这种方法能有效去除图像噪声 。

基于视觉和肌电信息融合的手势识别方法

针对人机交互技术对手势识别的可识别种类和识别正确率的问题,提出一种基于视觉方向梯度直方图(HOG)特征和肌电信号(EMG)时域特征融合及支持向量机(SVM)分类器的手势识别方法。利用视觉传感器和智能臂环分别采集手势图像信息和肌电信号,预处理后提取对应的HOG特征和时域特征;采用串行融合的方式将2种特征进行特征级融合;以一对一方式构建组合式SVM多分类器完成手势识别模型的训练和检验,并进行对比分析。结果表明:采用特征级串行融合的36类手势识别模型的总体正确率达到了96%,相较于融合前单一HOG特征和EMG时域特征分别有33%和16%的提升;相较于决策级融合有11%的正确率提升,且计算耗时仅0.274 ms,证明该方法能显著减少特征数据量,有效提高多种类手势识别正确率。

可消除定位模糊的无源时差定位算法

消除无源时差定位系统中存在的定位模糊是一直倍受关注的问题 .通过理论分析和仿真实验证明 ,4变量算法虽可以消除定位模糊但其定位精度不高 ,不适合工程应用 .以传统时差定位方法为基础 ,提出了一种多个子系统融合的定位算法 .由于该算法能够充分利用观测站提供的冗余测量信息 ,所以其定位精度高于4变量算法 ,而且还可以消除定位模糊 .最后 。

矿井提升机健康诊断系统设计

以LabVIEW软件为平台,设计了一种矿井提升机健康诊断系统。该系统利用传感器采集多个通道的连续数据,实现了对矿井提升机的实时在线监测;运用LabVIEW强大的信号采集和信号分析功能,并结合信息融合技术,实现了对矿井提升机信号的时域分析与频域分析,为矿井提升机的健康诊断提供了可靠依据。

基于时频阵列模型的波达方向估计

提出一种非平稳信号的波达方向估计方法。该方法将时频分析引入阵列处理,通过参考阵元和两个对称子阵的互时频分布建立起一种时频域的阵列数据模型,用平均的时频阵列数据模型代替传统的阵列模型,采用子空间方法得到多个非平稳信号的波达方向估计。空间平均和时频分析的结合使得该方法具有很好的信号选择性和抗干扰噪声的性能,该方法还具有运算量小和处理非平稳信号的能力。

一种基于时频域特征融合的语音增强方法

为充分利用含噪语音特征来提升深度神经网络的语音增强性能,提出一种融合时频域特征的语音增强方法。以含噪语音的波形和纯净语音的对数功率谱分别作为训练特征和训练目标,获取含噪语音时域特征到纯净语音频域特征的映射关系。将含噪语音的波形和对数功率谱共同作为训练特征,构建融合含噪语音时域和频域特征的深度神经网络实现语音增强。实验结果表明,与单纯使用频域特征的语音增强方法相比,该方法能够明显提升增强语音的质量和可懂度,具有更好的语音增强性能。