一种融合特征与卷积神经网络的车轮缺陷识别方法

针对同一识别算法下不同损伤类型以及损伤程度识别准确率低的问题,提出一种多尺度融合特征与一维卷积神经网络(One-dimensional Convolution Neural Network,1D-CNN)相结合的车轮损伤诊断方法。利用完全噪声辅助聚合经验模态分解(Complete EEMD with Adaptive Noise,CEEMDAN)和魏格纳-维尔分布(Wigner-Ville Distribution,WVD)联合时频分析方法,对轴箱加速度信号进行融合特征提取,将提取到的多维度融合特征作为样本输入,构建适合车轮踏面损伤诊断的CNN模型,对样本中的不同损伤类型和损伤程度进行分类识别。经仿真分析和实验验证表明:所提出的多维度融合特征对于不同车速下的损伤类型以及损伤程度都有很好的识别能力,识别准确率可达到98%,且鲁棒性强,可为车轮踏面损伤识别和评估提供新的方法。

拟合多阻尼比目标反应谱的高精度地震动调整方法

基于地震动调整效果的衡量指标比较了时域合成法和时频分析法的优缺点,在推导阿里亚斯强度与绝对加速度反应谱定量关系的基础上,将时域叠加小波函数法和时频小波分析调整法相结合,提出了一种能保留地震动强非平稳特性、对真实地震动相位差谱改动较少、能同时拟合多阻尼比目标反应谱的高精度地震动调整方法,并通过拟合美国规范D-V-A联合谱的算例证明了该方法的精度和通用性。

维格纳-威利分布算法研究及应用

介绍了一种利用FFT计算维格纳 威利 (WVD)的算法。针对WVD二次时频分布数值计算的复杂性和计算量大的特点 ,提出了一种抽样算法。它在不改变采样频率的情况下 ,增加了处理数据的长度。在同样数据长度下 ,大大缩短计算时间。并用该算法对时变正弦信号和处理铁窗关闭声进行了时频联合分析 ,得到了满意的效果。

基于改进EEMD和WVD联合时频分析的车轮多边形状态识别方法

为了准确识别高速列车车轮多边形状态以及磨耗幅值,提出了一种改进的聚合经验模态分解(EEMD)与魏格纳-威尔分布(WVD)相结合的随机振动信号联合时频分析方法;利用相关系数法和频谱分析来评估筛选轴箱振动加速度信号经EEMD分解后的变量,然后进行WVD计算,在保持WVD高时频分辨率的同时可有效抑制交叉干扰项;应用该方法分析了周期性车轮多边形磨耗与现场实测随机车轮多边形磨耗引起的轴箱振动加速度信号。研究结果表明:利用EEMD-WVD二维时频谱的主频率可识别车轮多边形状态,利用EEMD-WVD三维时频能量谱的能量幅值分布可评估车轮多边形磨耗幅值,最大误差为0.3%;将改进EEMD和WVD联合时频分析方法的识别结果与短时傅里叶变换、小波分解、WVD传统时频分析方法进行对比,表明此方法应用时无需改变任何参数,自适应强,保留了WVD高时频分辨率的特点,而且可有效抑制EEMD产生的模态混叠现象和WVD产生的交叉干扰项,验证了所提出联合时频分析方法的有效性及其优势,为高速动车组车轮多边形识别和评估提供了新的技术途径。

基于sEMG-JASA的脊柱手术器械操作肌肉疲劳度测评

基于时频联合分析法(JASA),开展基于表面肌电信号的脊柱手术器械上肢操作肌肉疲劳评估研究,完成脊柱手术器械优化前后操作舒适性的对比测评。共招募17名受试者分别采集其肱桡肌和肱二头肌的表面肌电信号,选取5种优化前后的手术器械进行数据对比,基于RMS和MF特征值计算相同任务下各组器械的操作疲劳时间占比。结果表明完成相同操作任务时,优化前手术器械的操作疲劳时间显著高于优化后器械(P<0.05);操作同一器械,肱桡肌和肱二头肌疲劳状态无显著性差异(P>0.05),这为手术器械的人因学设计及疲劳损伤防护等提供客观数据及参考。