基于表面辐射声信号的柴油机进气及齿轮故障诊断

利用声振信号进行发动机故障诊断过程中,部分故障激励仅在发动机表面特定位置的振动中有较强响应,振动测点要求高,需要接触测量,部分场景难以实现.为此,提出了一种以表面辐射声为媒介、以自适应变分模态提取(adaptive variational mode extraction,AVME)进行预处理的柴油机进气故障和齿轮故障诊断方法.开展了某直列六缸重型柴油机的进气滤清器堵塞、气门间隙异常和正时齿轮损伤3类故障状态的台架试验,获取了不同故障程度下发动机表面辐射噪声.基于改进的AVME方法,实现噪声信号本征模函数(intrinsic mode function,IMF)的最优分解,通过计算IMF与原信号间的互相关系数,提取高相关IMF构成故障诊断输入.经预处理后,声信号故障特征得到有效增强,再输入到麻雀搜索算法优化支持向量机模型(support vector machine model optimized by sparrow search algorithm,SSA-SVM),进行特征参量和模型参数协同优化可以获得更好的诊断精度.试验验证表明,无需在半消声室测试,仅使用单通道声信号对3类11种程度的进气系统和齿轮故障进行诊断,前端噪声准确率最高(98.89%),顶部噪声准确率最低(88.78%);使用前、顶、后三通道噪声数据后,诊断精度可提升至99.57%.研究结论为基于声信号等非接触测量的发动机故障诊断提供了参考.

基于空间变换技术的脉冲激光声信号检测

针对目前脉冲激光声信号检测方法极易受到环境噪声的影响,导致检测精确度不理想的问题。提出基于空间变换技术的脉冲激光声信号检测方法。首先,采用小波阈值法去除脉冲激光声信号中的噪声;其次,利用球傅里叶空间变换技术对声信号中的声源展开定位,获取声信号的准确位置;最后,分别提取声信号中的比值特征、比重特征、频率特征三种参数,在此基础上通过SVM算法对其展开分类识别,以此实现脉冲激光声信号的有效检测。实验结果表明,所提方法的声信号检测精度超过96%。

试验环境水下声信号的特征提取方法

水下试验环境参数的反演是水声学研究领域的重要内容。而当前研究的关键是通过对水下声信号做特征提取从而获取参数信息。针对特征提取较难、模型很难拟合等问题。本文提出了一种试验环境水下声信号的特征提取方法。将水下声信号同时用梅尔频谱倒谱系数及线性预测系数处理,两者运用特征加权组合方法得到新的特征矩阵;再应用映射插值算法对特征矩阵进行处理,获得适应神经网络输入的三通道矩阵。本文选取的网络模型为残差神经网络。利用实验室所录制的对河口水库数据集测试表明,本文提出的特征提取方法普遍优于仅利用梅尔频谱倒谱系数或线性预测系数的特征处理方法。利用单频矩形脉冲信号对环境进行深度5分类,准确率平均提升2%。利用线性调频信号对环境进行深度5分类,准确率平均提升2.03%。本文提出的特征提取方法对线性调频信号在深度分类任务下处理的结果要优于单频矩形脉冲信号处理的结果。

相似网络构建与表征的水下声信号检测

水下声信号检测在海洋防御系统中扮演着不可或缺的角色,同时也广泛应用于民用领域。然而,在没有目标信号先验信息的情况下,目前仍缺乏行之有效的水下声信号检测方法。为此,该文提出了一种新的算法—相似网络,以解决在复杂海洋背景下水下目标检测的难题。该方法结合了信息几何和复杂网络理论,通过将节点相似度度量问题转化为矩阵流形上的几何问题,测量不同时间尺度上数据之间的相似性,并构建时间序列数据的网络表示。同时还引入了图信号处理理论,以提取目标信号内部隐藏的动力学特性,从而实现无目标先验信息下的水下声信号检测。通过对仿真和实测数据的研究验证,证明了该方法的有效性。结果表明,相似网络方法优于现有的网络构建和目标信号被动检测方法,能够更有效地检测水下声信号,实现无目标先验信息下的水下声信号检测。

窄间隙GMAW咬边缺陷的电弧声信号特征分析与识别

针对窄间隙熔化极气体保护焊(Gas Metal Arc Welding,GMAW)焊道侧壁处局部咬边缺陷检测困难的问题,提出了一种基于电弧声信号特征提取与处理的咬边缺陷在线检测方法。通过分析正常、临界咬边和咬边这3种焊接状态的电弧形态和电弧声信号特征,证实坡口侧壁引起的电弧形态变化是影响电弧声信号变化的重要因素。在此基础上采用小波包时频分析,同时引入特征类间标准差作为评价指标,确定了能有效识别3种焊接状态的敏感特征。采用Sigmoid支持向量机和五折交叉验证建立预测模型,实验结果表明该模型能较好地实现3种焊接状态的预测分类,识别准确率达到96.0%。

基于超材料结构的宽频带高频光声信号定向传输模型设计

为了解决高频光声信号在传输过程中存在损耗严重等问题对光声成像技术应用的限制,在声学超材料结构上设计了一种用于实现宽频带高频光声信号定向传输的模型,通过COMSOL Multiphysics软件进行了模型建立,并进行了仿真测试。测试结果表明模型对200~1000 kHz的高频声波均有良好的定向传输效果,具备良好的宽频带定向低损耗传输特性,可以很好地解决高频声波传输过程中容易产生的声能损耗问题。以700 kHz的光声信号为例,研究了光声信号在模型中的传输特性。研究表明该模型在传输高频声波的过程中,能够达到很好的局域声场增强的效果,该模型可以满足光声成像技术在应用过程中的高频信号传输的需求。

基于声信号的机械设备故障检测研究现状及进展

我国工业呈现规模化、复杂化和集成化的趋势,其中机械设备的长期、稳定、高效运行是工业快速发展的关键。机械设备长期工作容易出现故障导致突然停机,降低工厂的经济效益,甚至对人的生命安全造成威胁,所以机械设备故障检测对于我国工业的发展和经济效益的提高有着重要的意义。现阶段的常见故障检测方式主要是人工检测和振动监测,人工检测巡检周期长、不能及时发现故障、主观性强,振动检测对检测装备的安装要求较高。因为机械设备发生损坏时声音会发生改变,并且声信号的采集方式为非接触式,方便安装,所以声信号逐渐被应用于机械设备的故障检测领域。基于声信号的故障检测技术能及时发现机械设备的故障,及时维修,降低经济损失。从机器学习和深度学习两个方面综述了机械设备故障检测领域的国内外研究进展,并且提出了基于声信号的机械设备故障检测技术未来的研究重点和参考方向,旨在为机械设备的故障诊断提供参考。

考虑特征向量约束的低频声信号声源定位系统

低频信号在传输过程中,容易受到环境噪声的干扰,导致信号强度降低,从而影响声源定位的精度。为了提升低频声信号声源定位能力,提出一种考虑特征向量约束的低频声信号声源定位系统。通过MEMS声传感器采集低频声信号,对其进行去噪处理,并传输至低频声信号声源定位模块;采用考虑特征向量约束的低频声信号声源定位方法实现对低频声信号声源定位。实验结果表明:所提系统的低频声信号声源定位与实际位置坐标的误差小,说明该系统的定位方法性能优良,定位精度较高,能够提升低频声信号声源定位能力。

海豚不同个体间发声信号差异性分析

海豚在长期进化过程中形成了一套依靠声波进行通信、定位和环境识别的声纳系统。该声呐系统定位精度高、识别能力强,可以在能见度低的水下环境中快速发现和定位目标,其水下探测与识别效率远远超过人造设备。根据海豚声信号的用途不同,国际上通常将海豚的发声信号分为回声定位信号(Click)、通信交流信号(Whistle)、应急突发信号(Burst pulse)等。

基于声信号的航空发动机风扇叶盘共振特征识别

航空发动机风扇叶盘模态密集,激励源丰富,使得风扇叶片容易共振出现裂纹、掉块等故障。针对振动应力、叶尖振幅和传声器阵列等测试方法复杂、成本高、周期长等特点,在风扇进气管道口布置单个传声器测量进口声信号,并对声信号进行时频分析,能够清晰识别出风扇叶盘的同步、非同步共振特征,结合计算结果分析获得共振转速和固有频率,与叶尖振幅测量结果相比最大误差分别为0.22%和0.42%,验证了该结果的准确性,为航空发动机风扇叶片盘设计和故障诊断提供了简单、有效的监测手段。

金字塔砂带磨损状态的声信号GA-BP识别方法

目的金字塔砂带连续磨损会引发钝峰、材料去除能力差和产热多等问题,为避免砂带磨损造成加工效率持续降低和工件表面质量逐渐恶化,需提高金字塔砂带磨损预测能力。方法在配有声音采集系统的力控机器人磨削系统中对钛合金工件进行了砂带磨损试验;基于Archard模型建立了金字塔砂带磨损模型,并对金字塔砂带磨损程度进行量化;然后利用短时傅里叶和小波包分解分析、提取砂带磨损相关的声音特征;基于声音信号特征建立GA-BP模型,并对金字塔砂带磨损状态进行预测。结果K_(r)与R_(0)规律相近,随着磨削速度的增大而略微增大。对磨削声音进行小波包分解,DD2频段的声音特征随磨削时间逐渐降低,相较于其他频段更具有规律性。提取DD2频段的声音信号特征建立GA-BP模型,并对金字塔砂带磨损状态进行预测。结果表明,决定系数(R^(2))大于0.8,平均绝对误差(MAE)小于0.04,平均偏差误差(MBE)在±0.002之间,均方误差(RMSE)小于0.05。结论随着砂带的磨损,金字塔尖锐的胞体开始磨平,单颗胞体的局部压力逐渐减小,材料去除能力减弱,产生的微振荡越来越弱,高频信号的声音特征逐渐下降。通过DD2频段声音信号特征建立的GA-BP模型对金字塔砂带磨损状态进行预测,具有准确性和稳定性。

基于声信号的轴承故障检测算法研究与实现

滚动轴承是机械设备中重要的零部件,与其他机械零部件相比,滚动轴承的一大特点是其寿命离散性很大。通过研究轴承的故障检测和诊断方法,设计了基于声信号的轴承故障检测算法。首先提出了故障检测系统的流程,包括特征提取、特征处理与选择、模型训练算法和优化方法。之后使用处理后的特征,采用神经网络训练出一个可以区分内圈轴承故障和正常轴承且兼容附带油脂声音的二分类模型。该模型测试集准确率达到了97.8%。使用模型对剩余数据进行测试,内圈故障轴承的准确率为97.5%,正常轴承的准确率为97.3%,附带油脂的正常轴承准确率为98%。表明该算法在对轴承故障的检测上有着优良的性能。

可重构声信号分解滤波器组设计方法综述

数字助听系统中需要采用声信号分解滤波器组实现响度补偿功能.可重构滤波器组具有可控的子带分布,能够为不同类型的听力损伤患者提供高质量的响度补偿,因此其研究设计受到广泛关注.可重构滤波器组的设计方法多样,在整体结构和技术手段方面都各有特点.本文将对现有的可重构滤波器组设计方法从技术手段、整体结构、性能表现等方面进行综合分析与对比,并就未来发展方向进行展望.

水下声信号处理与通信技术在海洋环境中的应用

随着人们对海洋资源的不断开发和海洋研究的逐渐深入,水下声信号处理与通信技术在海洋环境中的应用变得日益重要。文中介绍了水下声信号处理与通信技术,明确了各种技术的具体应用。在此基础上,分别从海洋科学研究、海洋资源勘探、海洋军事与国防应用等方面探讨了水下声信号处理与通信技术的具体应用,有助于推动水下声信号处理与通信技术的发展,进而为海洋资源的合理利用与保护提供技术支持。

分形维数海豚哨声信号检测方法

针对海豚哨声信号自动检测的问题,提出一种基于分形维数的自适应阈值海豚哨声信号检测方法。对待检测声信号计算盒分形维数,根据得到的盒分形维数特征值,通过模糊C均值聚类自适应确定检测阈值,实现海豚哨声信号的自动检测。文中对水池录制的海豚声信号进行了数据分析,利用哨声信号盒分形维数对哨声信号段与非信号段进行检测,并与基于谱熵的方法进行对比,获得了较高的检测率以及较低的虚警率,可以适用于海豚哨声信号的自动检测与分割。

基于声信号的滚动轴承故障诊断研究

结合小波包短时能量散布熵、回溯搜索算法以及学习矢量神经网络,提出一种基于声信号的滚动轴承故障诊断新方法。首先利用小波包分解结合短时能量对声信号进行脉冲能量提取,突出与故障相关的时频子空间的能量分布,再通过计算各子空间短时能量序列的散布熵,构造特征矩阵。利用t-分布随机邻域嵌入方法对所获特征进行降维聚类,显示所提取的特征具有较好的聚类性能。然后采用回溯搜索算法优化学习矢量量化建立神经网络故障诊断模型,对轴承故障进行识别,并与多种诊断方法进行比较,试验结果表明,加入短时能量散布熵后,本模型提升了声信号的能量特性,优化了特征矩阵,诊断性能最佳。

一种基于肌声信号的穿戴式助力系统运动意图检测算法

针对未来深空探测活动中航天员在多种复杂任务环境下的运动助力需求,提出一种面向航天员穿戴式助力系统的运动意图检测算法。以航天员的关节力矩作为运动意图的表征,利用希尔伯特-黄变换对特定肌肉发出的肌声信号进行滤波处理,以消除由肢体运动导致的伪迹噪声和由传感器引入的高频噪声,并参照肌肉的发力原理对滤波后的肌声信号进行特征值提取,通过机器学习的方法建立肌声信号与关节力矩间的映射关系,使助力系统能够及时准确地识别出航天员的运动意图并实施助力。最后募集了3名志愿者进行了150000组样本数据关节力矩辨识实验,实验结果表明:所提出算法的决定系数可达0.9532,能够有效辨识航天员的运动意图。

基于深度学习的直升机旋翼声信号检测与识别一体化算法

基于直升机旋翼声信号的目标检测与识别是低空目标预警领域的一个重要问题。目前的相关研究将检测和识别分别进行研究,而在实际应用中检测与识别是一个整体过程。针对上述问题,提出了一种基于深度学习的直升机旋翼声信号检测与识别一体化算法。算法首先通过融合特征提取和支撑向量机进行目标检测,再将检测到的潜在直升机声目标的信号段基于深度学习进行分类识别。通过实验数据测试了该算法的效果,实验结果表明,该算法使检测率、识别率均得到较大幅度的提升,增强了检测识别精准度。

基于声信号识别的水下焊接质量检测方法研究

水下焊接的应用领域广泛,但其焊接质量难以保障。针对水下焊接处理过程中存在的非线性程度高、参数耦合性强以及检测效率低等问题,提出了一种新的基于声信号识别的水下焊接质量检测方法。该方法通过在水下构建基于声信号采集的监测系统,实时采集焊件焊接过程中的声信息,并通过对声信号进行滤波降噪处理和特征提取,构建双权值神经网络(double-weight neural network, DWNN)模型。该模型具有优秀的高维数据非线性拟合能力,可实现水下焊接多参数与声信号多特征之间的非线性映射,且在小样本情况下仍能实现高精度的模式识别。以高强度低碳合金钢——HSLA-115钢作为焊接对象,开展水下焊接质量检测实验。结果表明,DWNN模型应用于水下焊接质量检测的识别精度可达100%。研究结果可为水下焊接工艺的优化和水下焊件专家知识库的构建提供参考依据。

基于声信号的工业设备故障诊断研究综述

为了保证工业生产过程的安全稳定运行,采取合理的故障诊断具有十分重要的意义和价值。因此,工业设备故障诊断一直是工业领域的研究热点。阐述了故障诊断的意义,并指出基于声信号进行故障诊断的可行性和优势。根据有无深度学习的参与,将基于声信号的故障诊断方法分为基于传统和基于深度学习两种类型;分别梳理了两类故障诊断方法的流程与思路,阐述并归纳了两类方法中典型算法的原理、优点、局限性、主要方法及诊断效果。最后,指出了当前工业设备故障诊断领域的研究难点、热点以及未来发展方向。