基于小波时频图和ResNet18的焊接状态监测方法研究

针对焊接过程中因外部干扰因素或焊接参数选择不当而导致的气孔和未熔合缺陷的问题,提出一种小波时频图和深度残差网络(ResNet18)相结合的焊接质量检测方法。首先,搭建管道全位置自动焊接试验平台,利用拾音器记录熔合良好、未熔合和气孔焊接状态下的声音信号,将采集到的声音信号进行小波阈值降噪处理并且计算信号的信噪比,从而得到合适的信号降噪方法。其次,使用连续小波变换得到小波时频图,对时频图进行压缩和预处理,将时频图的大小设置为224×224,并剔除时频图上的标题、坐标和能量等。最后,将处理好的小波时频图作为输入,以未熔合、熔合良好和气孔三种状态作为输出,利用ResNet18网络进行训练。结果表明,该模型对三种焊接状态下的声音信号具有良好的监测效果,其准确率为90.78%。

基于小波时频图和量子遗传算法的车轮扁疤检测方法

针对地铁车轮扁疤在线诊断困难问题,提出了一种基于小波时频图、灰度投影法和量子遗传算法的智能在线车轮扁疤检测方法。首先对轮轨间的垂向振动信号进行小波时频分析,得到小波时频图,然后结合灰度投影法从时频图中提取车轮扁疤的特征;最后采用量子遗传算法对支持向量机进行优化以提高SVM的分类准确率。通过一个工程实例验证了该方法在识别车轮扁疤时的有效性。结果表明,该方法能够准确且快速地检测出对车轮扁疤,且所使用的分类模型的性能优于现有模型。

基于小波时频图和多尺度卷积神经网络的发动机工况识别研究

针对传统工况识别方法对非平稳的汽车发动机音频信号难以准确识别的问题,提出一种基于小波时频图和多尺度卷积神经网络的发动机工况识别方法。首先,将原始信号通过连续小波转化为小波时频图,其次,对小波时频图进行统一的预处理,最后将处理好的图片输入到卷积神经网络中提取多尺度特征并分类识别。该方法有效结合了具有处理非线性平稳信号优势的小波时频分析和卷积神经网络的图像分析能力。在测试集数据转速不同的情况下,识别准确率和鲁棒性更好。

基于小波时频分析和Inception-BiGRU模型的盾构滚刀偏磨故障诊断

盾构机(tunnel boring machine, TBM)滚刀在重载、冲击和地质复杂的环境中服役,极易发生偏磨等失效故障,因此,掌握滚刀的磨损状态、实现基于数据驱动的滚刀偏磨故障诊断并指导滚刀的运维尤为重要。提出了一种基于小波时频分析和Inception-BiGRU模型的诊断模型以提高滚刀偏磨故障诊断效率。以滚刀为研究对象,在多功能缩比滚刀试验台上进行直线破岩试验,采集滚刀破岩时产生的振动加速度信号。采用连续小波变换获取反映振动信号时频域特征的小波时频图,进而以Inception模块的不同大小卷积核自适应地提取时频图中的多尺度空间信息,并通过添加双向门控循环单元(bidirectional gated recurrent units, BiGRU)使模型可更为准确地学习到时频图中丰富的时序依赖性关系,模型的超参数由贝叶斯优化算法确定。4种不同偏磨程度滚刀的诊断试验表明所提模型能够有效提取时频图中滚刀的偏磨特征并完成滚刀偏磨状态识别,实现端到端的盾构滚刀偏磨故障诊断。模型平均诊断准确率可达到98.5%,其诊断准确度和稳定性均优于其他常用算法,证明了所提方法的可行性。

基于小波时频图与Swin Transformer的柴油机故障诊断方法

针对用传统的故障诊断方法难以对非线性非平稳的柴油机故障信号进行准确高效诊断的问题,提出基于小波时频图与Swin Transformer的柴油机故障诊断方法。该方法可以有效结合小波时频分析在处理非线性非平稳信号方面的优势和Swin Transformer强大的图像分类能力,通过连续小波变换将原始信号表示为小波时频图,将小波时频图作为特征图输入到Swin Transformer进行训练,实现柴油机故障状态识别。实验结果表明,与对比方法相比,所提方法具有较好的故障识别精度及稳定性,在公开数据集和实验室实测数据中的整体故障诊断准确率分别达到100%和98.88%,为柴油机故障诊断提供了一种新的思路。

转子裂纹识别仿真研究中的小波时频分析方法

谐波共振是识别转子裂纹的重要依据 ,但由于转子裂纹的弱激励、非线性、非平稳等特性 ,导致利用传统信号处理方法不能准确有效地获取系统的谐波共振特性 ,从而难于识别出裂纹 ;小波时频分析方法是处理非线性、非平稳信号的强有力工具 ,将小波时频分析方法引入到裂纹识别的仿真研究中 ,基于建立的裂纹转子动力学模型 ,分析了利用小波时频分析方法识别裂纹的可行性。偏心激励转子裂纹故障识别的仿真研究表明了该方法的有效性。

谱分析法对小波母函数的探讨及小波时频分析

应用谱分析的方法,对小波母函数作了深入的探讨。针对Morlet小波,通过理论推导和数据试验,确定了衰减因子与主频的关系、衰减因子与尺度参数的关系、衰减因子与频率域滤波器品质因子(带宽)的关系。从时频分析原理出发,并用谱分析法确定的小波函数,进行连续小波变换,实现了小波时频分析。通过对理论模型试验分析验证了其正确性,并在实际应用中与傅氏变换做了对比,取得了良好的效果。

神经元动作电位模式分类的小波时频分析方法

对神经元动作电位进行模式分类是植入式脑机接口研究的前期关键问题。考虑到来自不同神经元的动作电位在时域或频域特征上的相似性,引入小波分析在时频域上对动作电位进行特征描述。首先以db、sym、bior三类小波函数系为例,分别获取了动作电位的高维小波系数特征;然后对特征分量进行非正态分布特性的KS检验,以实现特征降维;最后通过非监督的K均值方法完成动作电位聚类。实验结果表明:在神经信号噪声水平为0.05dB、0.1dB和0.15dB时,各小波基的分类性能略有不同。其中sym5小波性能突出,动作电位错分率基本稳定在1.21%～1.81%。最后与主成分分析法(PCA)进行了分类性能的比较,进一步证实了小波时频分析方法(sym5小波)在抗干扰性和稳定性方面的优势。

柴油机曲轴轴承磨损的阶比—小波时频特征提取

由于发动机加速过程振动信号故障特征信息表现得更为明显,据此提出计算阶比跟踪和小波时频相结合的方法。将振动信号按等角度间隔进行软件重采样,得到角域内的平稳信号,再进行基于小波系数相关性的小波时频分析。信号经过这种处理后可以同时反映信号阶比域和角度域的特征,即得到阶比—角度能量分布,通过比较不同阶比带内的能量分布来反映不同工况的变化。诊断实例表明,该方法能有效提取柴油机曲轴轴承的故障特征。

基于小波时频图和AlexNet网络的电弧故障诊断方法

针对故障电弧电流频域特征难以提取,检测率不高的问题,提出一种基于小波时频图和深度学习卷积神经网络的低压交流故障电弧诊断方法。该方法对串联型故障电弧电流信号进行小波时频变换,利用小波对高频突变信号的放大能力,捕捉不同负载的差异特征,得到的时频图经过压缩统一至适当大小后作为AlexNet卷积神经网络的输入特征图,利用AlexNet网络提取小波时频图特征,通过全连接层拟合数据实现故障电弧的智能诊断。建立故障电弧实验平台,分别采集阻性负载、感性负载、阻感负载下的电弧电流2 000组,利用该数据集完成模型训练。选取新负载及10~60 dB信噪比研究模型的泛化能力和鲁棒性。实验结果表明,所提方法能够有效识别故障电弧,识别率达到96.7%,且具有良好的稳定性。

小波时频滤波器在去除眼动对ERP影响时的作用

本文针对事件关联电位的时、频域特性，设计出了基于多分辨率样条小波变换的时频滤波器，可以有效地去除眼动对ERP的干扰。

基于Matlab的小波时频图的绘制原理研究与其实现

本文对Matlab做了简要介绍,对Matlab实现小波时频图的绘制原理进行了深入研究,重点讨论了基于Matlab的小波时频图绘制原理、步骤、方法和技巧,并通过Matlab具体实现了小波时频图的绘制。

基于小波时频图和卷积神经网络的行星齿轮箱故障诊断方法

针对行星齿轮箱故障诊断中故障类型难以区分的问题,提出了一种基于小波时频图和卷积神经网络相结合的行星齿轮箱故障诊断方法。首先,对原始信号进行连续小波变换,获取小波时频图;然后,对小波时频图进行统一处理和压缩,将处理好的小波时频图输入到卷积神经网络中进行分类识别,通过调整小波基函数和卷积神经网络参数,最终得到一个较为理想的诊断模型。试验证明,在训练集数据和测试集数据转速不同的情况下,该方法与BP神经网络相比,在诊断准确率和鲁棒性方面都有提升。该方法的研究为行星齿轮箱的故障诊断提供了参考。

基于小波时频图与轻量级卷积神经网络的螺栓连接损伤识别

针对目前大型结构螺栓连接状态监测的困难,该文采用声音信号,提出了结合小波时频图与轻量级卷积神经网络MobileNetv2优势的螺栓松动识别方法。该方法通过对采集到的声音信号进行预处理和连续小波变换得到小波时频图,以小波时频图作为样本对轻量级卷积神经网络MobileNetv2进行训练,从而实现螺栓松动声音信号的识别。对一钢桁架模型的室外试验研究表明:该方法能实现对各种环境噪声信号,不同位置、数目和松动程度的螺栓松动声音信号的精准识别;该方法不仅识别准确率高、稳定性好,而且对计算和存储的要求低,便于应用于移动设备和嵌入式设备,为环境激励下大型复杂结构的损伤在线识别提供了新的思路。

基于50 Hz倍频小波时频熵和RUSBoost的变压器绕组松动声纹识别

变压器绕组松动故障给电力系统安全稳定埋下巨大隐患,目前缺乏切实有效的诊断方法。因此提出一种基于50 Hz倍频小波时频熵和RUSBoost的变压器绕组松动声纹识别方法。首先,针对变压器声纹特点提出50 Hz倍频小波时频熵,用于声纹信号特征提取。然后,针对变压器故障样本较少导致的样本不平衡的问题,提出基于RUSBoost模型的模式识别。最后,在现场实测数据的基础上验证了该方法的有效性。研究结果表明,所提方法对变压器绕组不同松动程度的故障均能实现可靠诊断,平均识别准确率达到了98.9%。样本较少的75%松动和100%松动的识别准确率也分别高达97.2%和94.6%。相较于RF、DT、KNN以及SVM等传统模型,总体识别准确率至少提高3.3%,样本较少的75%松动和100%松动的识别准确率至少提高了2.8%和2.5%。

国内外能源相对价格对中国高、低能耗行业出口的差异化影响——基于小波时频分析方法的研究

中国的能源价格机制尚未完全市场化,使得国内外能源价格走势存在差异,形成了国内外能源相对价格。本文首先采取非竞争型投入产出法测算出中国各出口行业的能耗,并按照能耗高低顺序将其划分为高、中、低能耗行业,进而采用小波时频分析方法,从"时域"与"频域"两个维度考察国内外能源相对价格对中国高、中、低能耗行业出口的差异化影响。根据实证结论,中短期内,国内外能源相对价格有利于高、中、低能耗行业出口,但效应从高到低依次递减;长期看,高、中能耗行业出口增长将导致国内外能源相对价格呈现缩小趋势。为兼顾缓解能源问题与促进出口贸易的发展,政府应积极改革国内能源价格形成机制,并采取针对性贸易政策以引导不同能耗行业出口发展。

水下电场信号源小波时频分析

小波分析方法具有多分辨率分析的特点,能够更准确、有效地表征信号在时、频域上的局部特征。利用小波时频分析方法研究1Hz水下电场信号源特征,基于不同水下电场测量节点获取的数据,在整个时间域上进行等时长取段,对每段数据进行小波包分解,以各分解频带上的小波时频谱能量作为特征,跟踪电场信号源各频段随时间演变特性。数据分析结果表明,信号源电场能量特征与环境特征区别明显,能够有效表征信号在时域和频域上的变化,可用于低频水下电场信号检测。

基于小波时频图和CNN的滚动轴承智能故障诊断方法

提出一种基于小波时频图和卷积神经网络(CNN)的滚动轴承智能故障诊断方法。对滚动轴承的振动信号进行连续小波变换(CWT),得到时频图,并以灰度图的形式显示,再将时频图压缩至适当的大小;将压缩后的时频图作为特征图输入,建立CNN分类器模型,以实现滚动轴承的智能故障诊断。基于人工轴承故障数据集进行了实验研究,同时从结构参数和训练参数两方面对网络的性能进行了优化改进。结果表明,该方法能有效识别滚动轴承的故障类型,改进的CNN具有较强的泛化能力、特征提取和识别能力。

单侧感音神经性听力损伤患者的失匹配负波小波时频分析

目前,对失匹配负波（MMN）的研究主要集中在时域上观察负波的波形与潜伏期。本研究的目的在于利用小波时频变换对神经认知功能的结构及强度进行分析,以此作为鉴别听力损伤后中枢反应的标志。利用128导联电极记录左侧感音神经性听力损伤人群和听力正常人群的MMN,经过小波时频分析,发现MMN波段能量主要集中在低频段（0~4Hz）,分别统计计算两组人的MMN在低频段的小波功率谱,结果表明,正常人与听力受损患者的小波功率谱值存在显著性差异,可见,这种与功能性神经元网络激活相关的时频小波变换能作为特定神经认知功能的判断工具。

基于多尺度小波变换和时频图的微波源故障检测

针对目前大功率微波加热系统的微波源队列只有工作与否的二值检测,为了提高其队列运行的经济性和可靠性,在线实时检测微波源队列的运行状态及变化非常必要。提出一种基于多尺度小波变换和时频图的微波源故障检测方法。首先,根据电场强度的变化情况判断微波源队列是否发生故障。其次计算出残差信号,并根据残差在多尺度下的变化情况完成检测。最后,绘制残差信号的小波时频图,对检测结果进行可视化分析。对微波源的3种故障状态分别进行实例仿真,检测出t=80、90、100 s分别发生3种故障。仿真结果表明,利用连续小波变换的分析方法对微波源队列进行故障检测,可以准确的在线检测出微波源队列中故障微波源的位置以及发生故障的时刻。