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。

基于小波包分解与CEEMDAN能量熵的水电机组振动信号特征提取

针对水电机组振动信号非平稳、非线性及噪声问题,提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与能量熵结合的特征提取方法,首先对采集的振动信号进行小波包降噪处理,然后对降噪后信号进行CEEMDAN分解,运用相关系数法筛选有效固有模态函数(IMF)并计算其能量熵,由此构建特征向量集,最后将其输入到海洋捕食者优化支持向量机算法(MPA-SVM)进行模式识别。基于模拟信号、实测信号验证所提特征提取方法的有效性,并与其他方法作对比。结果表明,基于小波包分解与CEEMDAN能量熵的特征提取方法能准确提取特征,有效区分机组不同状态,为工程领域提供了应用价值。

基于振动信号最优特征提取算法的风力机齿轮箱SVM故障诊断

针对风力机齿轮箱故障诊断的特征提取过程,提出基于振动信号最优特征提取算法的风力机齿轮箱SVM故障诊断方法。首先,分析3种主要特征提取算法各自适应性高的信号类型;然后,根据不同类型信号所具有的信号特性,利用信号分析对传入的振动信号进行特性提取并分类,将不同类别信号与适应性高的特征提取算法进行匹配,实现振动信号的最优特征提取;最后,将匹配算法与支持向量机模型结合实现故障诊断。对实际采集的3种齿轮故障信号进行测试与验证,结果表明该方法可有效进行最优特征提取与算法匹配,相比未经过匹配算法具有更高的故障诊断准确率。

深水网箱振动信号特征提取及消噪方法研究

针对传统变分模态分解在处理深海网箱振动信号时严重依赖于模态阶数和二次惩罚因子的参数选择问题,提出了一种基于狼群优化算法的变分模态分解方法。通过引入狼群优化算法和适应度函数优化分解,克服了变分模态分解在参数设置不当时造成的模态丢失或混叠的问题,从而实现了无先验知识情况下深水网箱振动信号的降噪及最优特征提取。为了验证提出方法的有效性,首先使用四自由度数值系统验证了提出方法的正确性,然后开展了坐底式深水网箱现场测试,并对实测数据进行结构特征信息提取及信号降噪,结果显示提出方法可以选择最佳的模态参数和惩罚因子实现信号的准确特征提取,验证了该方法在用于坐底式深水网箱结构安全监测时的有效性和实用性。

基于改进层次斜率熵(IHSloE)的信号低频和高频故障特征提取方法

采用传统的基于粗粒化处理的多尺度特征提取方法,无法提取故障信号中的高频部分的故障信息,导致其提取到的故障特征难以准确地表征滚动轴承的故障状态和动态特性,无法保证故障诊断的可靠性和准确性。针对该缺陷,提出了一种基于改进层次斜率熵(IHSloE)和随机森林(RF)的滚动轴承故障诊断方法。首先,利用改进层次化处理代替粗粒化处理,实现了信号的多尺度分析目的,基于斜率熵,提出了改进层次斜率熵的非线性动力学指标;随后,利用IHSloE方法提取了滚动轴承振动信号的故障特征,建立了表征滚动轴承故障特性的故障特征;最后,基于RF模型建立了多故障分类器,并将故障特征输入至RF分类器进行了训练和测试,以实现滚动轴承的故障识别目的;利用滚动轴承数据集进行了实验,并将其与其他的故障特征提取指标进行了对比。研究结果表明:IHSloE方法采用改进的层次化处理,能够快速有效地提取出振动信号中的高频故障特征,诊断准确率达到了99%,而特征提取时间仅为149.35 s;相较于采用粗粒化处理和层次处理的特征提取方法,其准确率至少提高了2%和1%,证明该方法适用于滚动轴承的故障诊断。

管道泄漏声波信号特征提取方法及实验研究

为探究管道泄漏检测中信号的特征及变化规律,开展了理论研究与实验分析。采集不同工况下管道泄漏声波信号,利用变分模态分解对管道泄漏声波信号进行分解重构,并提取相应特征值,处理并对比分析不同运行压力、不同泄漏孔径、不同位置等工况的管道泄漏声波信号特征值。结果表明:管道运行压力与泄漏孔径与泄漏声波信号幅值呈正相关,管道泄漏位置与泄漏声波信号幅值呈负相关。因此,今后在对管道泄漏进行分析时需结合不同的工况进行对应的具体分析。此研究为基于声波法的管道泄漏检测提供了理论和数据支撑。

基于开关卡尔曼滤波的叶轮故障振动信号特征提取

为了提高滤波器下故障信号时域波形有效信息的提取能力,设计一种开关卡尔曼滤波算法应用到叶轮故障振动信号特征提取领域。预测出所有时间点监测数据最可能呈现出的状态,将噪声除去且有效辨别各冲击成分,进一步加强信号的信噪比。仿真信号结果表明,滤波后信噪比接近于噪声添加后的信噪比,脉冲辨别成效显著。试验验证结果表明,测量得到信号中有着显著的噪声,各个时刻评判出的信号成分都与现实情况相符。该研究可以拓宽到其他的机械传动领域,且具有很好的市场应用价值。

基于CEEMDAN-HT的永磁同步电机匝间短路振动信号故障特征提取研究

由于长时间处于高负荷运行状态,永磁同步电机(permanent magnet synchronous motor, PMSM)定子绕组线圈匝与匝之间的绝缘性能容易降低,导致出现匝间短路,此时电机的振动强度会发生改变。针对此现象,提出将自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)与希尔伯特变换(Hilbert transform, HT)结合,构成一种CEEMDAN-HT非线性信号分析方法,并将其应用于提取振动信号故障特征。首先,利用CEEMDAN算法分解振动信号,得到一系列本征模态函数(intrinsic mode function, IMF),并将主元分析中的方差贡献率用于识别包含故障特征信息的IMF。其次,使用HT对方差贡献率较高的IMF进行分析,并以三维联合时频图呈现时间、瞬时频率与幅值,得到了主要故障特征。最后,使用ANSYS有限元软件建立了电机短路故障模型,并搭建了短路故障试验平台,通过对比有限元仿真结果与试验结果,对提出的方法进行了有效性和准确性验证。

振动信号特征提取下的高压断路器可控开断运行故障检测方法

高压断路器是电力系统中重要的高压开关设备,其主要通过对电路的开断和闭合来实现对电力系统的控制与保护。但在高压断路器开断运行过程中会产生机械冲击,当冲击过大时引发的机械振动容易导致机械故障,从而影响高压断路器自身的机械状态,严重时会破坏电力系统的稳定和安全,为此,研究振动信号特征提取下的高压断路器可控开断运行故障检测方法。采用小波变换技术细化分析高压断路器振动信号,在递归分解的方式下提取可控开断运行过程中的振动信号特征。通过提取的信号特征建立数据集合,以属性定义构建区分矩阵,利用属性约束关系划分振动信号特征相空间。根据振动信号不同特征所处的相空间,在各自相空间内对高压断路器开断运行的故障信号进行重构。在信号重构后获取对应相位关系,检测高压断路器可控开断运行故障,实现检测方法设计。实验结果表明:选择不同的开断运行故障类型作为测试对象,在混合所有类型故障后新方法能够实现较高的检测正确率,具有应用价值。

基于低压直流断路器的机械故障机理分析与特征提取技术研究

直流断路器是轨道交通直流牵引供电系统的核心保护设备,是直流供电系统安全运行的保证,确保其稳定运行至关重要。文中针对直流牵引断路器机械结构特点,进行了断路器机械故障模拟实验,选取分合闸线圈电流及振动信号作为监测物理量,研究其机械故障机理与特征提取方法。研制信号采集硬件装置,搭建直流断路器机械故障模拟实验平台,模拟6种常见的机械故障。采集不同故障下的线圈电流及振动信号进行特征提取后进行故障机理分析,为低压直流断路器机械故障诊断提供理论支撑。

基于复杂网络的雷达辐射源信号脉内特征提取算法

针对现代电子战环境下雷达辐射源信号的高度密集、复杂调制、交叠概率大等特点,基于时域、频域、时频域以及其他数学变换域的信号分析方法仍然不能满足雷达辐射源信号分选识别的要求,结合雷达辐射源信号具有可分辨性的确定数据结构表示,受时间序列的复杂网络分析启发,提出一种基于复杂网络的雷达辐射源信号脉内特征提取算法。该特征提取算法首先采用相空间重构方法对信号频谱序列数据进行预处理,将重构后的信号序列转换至复杂网络域进行表征;其次,通过复杂网络建模及其统计特征分析,研究雷达脉内信号时间序列动力学微观特性,从而挖掘信号的有效特征参数;最后,在不同噪声环境下,实现雷达辐射源信号序列的特征参数的分类性能及其准确性分析。仿真结果表明,所提取的特征参数在低信噪比环境下具有良好的抗噪能力和不错的聚类质量,验证了基于复杂网络时间序列分析的信号特征提取方法的可行性,为进一步丰富刻画雷达辐射源信号提供了有效的技术支持和手段。

基于chirplet path tracing-VMD的变转速信号故障特征提取

针对变分模态分解方法在提取故障特征时处理非平稳信号能力不足的情况,提出基于线调频小波路径追踪(chirplet path tracing)的自适应改进变分模态分解(variational mode decomposition,VMD)方法。该方法首先利用线调频小波路径追踪算法由非平稳信号得到估计转速变化曲线;其次对目标信号进行等角度重采样,通过转速变化曲线将信号从时域转化为角域;再次采用奇异值分解确定角域信号的降噪阶次,当该阶次自适应变分模态分解的分量个数后,对重采样信号进行变分模态分解处理;最后对分解后的各信号分量进行Hilbert包络谱分析,从而提取故障特征。通过对齿轮箱轴承故障进行仿真和实验验证,表明该方法能有效提取变转速信号的故障特征。

基于改进堆叠降噪自编码器的连铸机扇形段故障特征提取

为了提取连铸机扇形段在正常浇铸状态下的故障特征,设计一种利用鲸鱼优化算法(WOA)改进的堆叠降噪自编码器(SDAE)网络模型,命名为WOA-SDAE,并应用于扇形段拉矫力信号特征学习和故障分类。首先,从完整的浇铸周期中获取正常浇铸状态下的数据,对低频的拉矫力信号进行时域特征提取,将一维拉矫力信号转换为多维时域特征信号,并建立评价体系以寻找最优时域参数;其次,运用堆叠降噪自编码器与softmax分类器组成网络模型对故障信号进行分类,采用鲸鱼优化算法确定SDAE模型中隐含层层数与节点数。通过实际生产过程中的连铸机扇形段拉矫力信号来验证所提方法的可行性。试验结果表明,WOA-SDAE可有效提取扇形段的故障特征,在测试集上的识别准确率达到92.23%。

基于EB-1D-TP编码算法的风电机组滚动轴承故障特征提取研究

滚动轴承运行状态检测是保证整个风电机组安全、稳定运行的关键,但由于风电机组所处的运行工况多变,难以准确识别滚动轴承的故障类型。为解决传统风电机组滚动轴承故障诊断需要大量采集信号、存在严重噪声干扰等问题,提出一种基于增强二进制1D-TP编码算法的故障特征提取方法。通过引入去“零”增强处理,提高不同状态下滚动轴承振动信号之间的区分度,并改进传统1D-TP编码算法,融合高、低两种模式,充分保留信号特征。最后通过对信号点和像素点之间相关性差异的分析,重新设定信号编码顺序。实验结果证明:该方法能够有效提高故障诊断系统对轴承振动信号特征的提取效果,增强不同特征之间的区分度,故障特征提取精度提升25%,且在提取效率上也表现出明显优势。

特征提取与缩减在电力变压器异常状态检测的应用

现有的三相干式变压器振动法状态检测,是一种利用从高频振动数据中提取特征,从而实现检测的方法。为了更准确地挖掘高频振动信号中的有效特征,提高诊断准确性,针对高频振动信号,将连续信号划分为独立的周期片段,从每一个周期中提取信号的时域、频域和时频域特征;利用变压器振动原理分析,结合相关性分析给出特征选取策略;将筛选后的特征作为故障的特征值对振动进行实时的异常检测。结果表明:该方法可有效提取变压器振动信号特征,提高诊断准确率。

表面肌电信号的自适应激活特征提取算法

为了提高表面肌电(sEMG)—外骨骼系统对多使用者多节点系统的通用性,设计了一种人体sEMG信号的自适应激活特征提取(SAFE)算法。该算法通过创建信号极值点空间(EPS)描述了信号一段时间内整体的能量分布,通过一定判别方式对短期EPS与长期EPS的比较计算获取信号激活特征分数,以便确认当前时刻的肌肉激活状态。该方法摒弃了传统的类参数固定阈值算法需要先验知识的缺陷,具备良好的自适应性和泛用性。实验结果表明:所提方法在外骨骼人机交互系统的应用中可以有效提高运动识别准确率。

RFOA优化EEMD阈值和SampEn的水电机组振动信号重构与特征提取

针对EEMD在水电机组振动信号降噪处理中的不足,提出一种基于改进果蝇算法(RFOA)优化EEMD噪声IMF分量阈值的降噪算法。通过EEMD算法将噪声信号分解,得到IMF分量,进而通过相关系数法确定噪声信号与有效信号,利用RFOA确定噪声信号IMF分量阈值;将求得的IMF分量的样本熵当作特征向量输入GRNN算法中,进行振动模式识别。研究结果表明,与小波阈值法、EEMD-GA方法相比,所提算法降噪时信噪比最高,降噪效果最佳。

长跑训练的跑步机故障信号特征提取方法

长跑运动员训练用的跑步机发生故障,会导致使用者受伤,甚至出现生命危险,为此提出长跑训练的跑步机故障信号特征提取方法。分析体育训练跑步机的结构,利用小波包准确分解跑步机信号的高频段信息,分析脉冲信号时间间隔变化和相位变化,提取时域特征得到正常脉冲以及故障脉冲信号间差异。通过小波包分解对应输出信号,重构某尺度内所有频带系数,即可构成全新的时间序列,实现提取故障信号特征。实验证明:所提方法能够有效区分正常信号与故障信号,提取的故障信号脉冲波动非常明显。

基于压缩感知的电力变压器声纹信号特征提取

面向在运变压器运行状态在线监测应用,基于压缩感知理论和小波包分析技术,提出一种基于压缩感知和小波信息熵的变压器声纹特征提取方法,用于变压器声振异常检测和故障诊断。采用本文方法提取变压器铁心故障仿真数据声纹信号特征,应用PSO-SVM分类完成故障诊断仿真。实验结果表明,本文方法能够在较高压缩率条件下,获取较高的故障识别精度。

管道对接焊缝超声波检测信号特征提取方法

为提高管道对接焊缝超声波检测信号特征提取的精度和效率,提出管道对接焊缝超声波检测信号特征提取方法。利用超声波技术获取焊缝信号,并通过信号叠加融合得到焊缝超声波检测信号;用小波包自适应算法对采集的信号实施去噪处理;采用判断追踪算法对去噪后的信号实施分解,利用其在判断基上的投影获取管道对接焊缝信号特征。测试结果表明,所提方法去噪效果好、特征提取结果精确且提取效率高,可提升管道对接焊缝超声波检测的应用效果。