基于小波变换和支持向量多分类机的光纤布拉格光栅低速冲击定位系统

利用光纤布拉格光栅(FBG)构建传感器网络,结合小波变换、频谱分析和支持向量机分类算法,对碳纤维复合材料板低速冲击区域定位进行了研究。根据划分区域进行冲击试验,探索冲击区域与信号特征之间的关系。在对低速冲击信号进行小波变换去除基线干扰的基础上,采用傅里叶变换提出提取冲击信号幅频特性作为信号特征进行低速冲击区域定位识别的方法,将提取的信号幅频特性作输入、冲击区域类别作输出构建支持向量多分类机实现低速冲击区域定位识别。实验结果表明:在500mm×500mm×2mm的碳纤维复合材料板上对36个测试样本进行低速冲击区域定位识别,实现33个低速冲击区域准确定位,正确率达90%以上,低速冲击定位系统的区域识别精度为40mm×40mm,且每个区域定位时间小于1011ms。研究结果为碳纤维复合材料板的低速冲击区域定位检测提供了一种科学可靠的方法。

基于光纤光栅和支持向量机的声发射定位系统

利用光纤光栅传感器和边缘滤波原理构建传感系统,结合小波分解与重构和支持向量机算法,对铝合金板声发射定位进行了研究。根据划分区域进行声发射实验,探索声发射源所在区域与信号特征之间的关系。在对声发射信号进行小波分解的基础上,使用近似系数和细节系数进行重构,并对重构后的各信号计算其振荡能量作为信号特征,进行声发射区域识别。以重构信号的振荡能量作为输入、声发射区域位置类别作为输出构建支持向量机多分类模型,实现了声发射区域定位识别。实验结果表明,在400mm×400mm×2mm的铝合金板上对36个测试样本进行了多次声发射区域定位识别,在180次模拟实验中实现了176次声发射区域准确定位,正确率达到97.78%,声发射区域识别精度为30mm×30mm。该研究结果为机械结构的声发射区域定位检测提供了有效方法。

基于KPCA和SVM的火箭发动机试验台故障诊断方法

为了解决液体火箭发动机试验台的故障诊断问题,提出了一种基于核主元分析(KPCA)特征提取和支持向量多分类机(SVM)的故障诊断方法,该方法首先利用核主元分析对试验台标准故障样本进行特征提取,通过特征分析,建立适合于试验台故障状态识别的层次多分类支持向量机,并对其进行训练,然后将试验数据在主元上投影,输入到训练好的支持向量多分类器,对试验台故障状态进行识别.该方法充分利用了核主元分析强大的非线性特征提取能力和支持向量分类机良好的小样本泛化特性,解决了试验台故障诊断中的小样本、非线性模式识别问题.对试验台的试验结果表明,该方法是有效的、可行的.

基于LS-SVM和SVM的气动执行器故障诊断方法

为了解决自确认气动执行器的故障诊断问题,提出了一种基于最小二乘支持向量机(LS-SVM)回归建模和支持向量多分类机(SVM)的执行器故障诊断方法,该方法利用LS-SVM回归建立气动执行器的正常模型,将实际输出与模型输出比较,产生残差作为气动执行器的非线性故障特征向量。利用聚类方法设计了层次支持向量多分类机结构,以残差作为输入建立支持向量多分类机,判断气动执行器故障类型。利用DABLib生成的故障数据对所研究方法进行了验证,并与基于PCA-SVM的故障诊断方法进行了比较,结果表明该方法有效的解决了气动执行器故障诊断的小样本和非线性问题。