基于电机电流数据的转台机械谐振检测方法

转台作为航空航天领域关键测试设备,在测试试验时可能出现谐振,造成测试过程的中断及不必要损失。针对传统转台谐振检测方法存在的依赖工程经验、易受控制信号干扰以及准确性不足等问题,提出了一种基于电机电流数据的转台机械谐振检测方法。首先,对三轴立式转台运行数据进行了分析,研究了转台运行数据的幅频特性,选用了受控制信号干扰小,且谐振特征更显著的电机电流信号作为检测对象;然后,构建了一个基于卷积神经网络(CNN)的转台谐振检测方法,设计了CNN结构与参数,进行了网络训练和学习;最终,利用不同工作模式下的转台运行数据,进行了谐振检测试验,并将检测试验结果与采用其他方法所得的结果进行了对比。研究结果表明:在转台谐振检测中,采用该方法所获得的准确率达到了99.988%,优于采用其他对比方法获得的准确率,证明该方法适用于转台的机械谐振检测。

基于深度卷积神经网络的城市噪声识别研究

为提高噪声的分类准确率,研究基于深度卷积神经网络(Deep Convolutional Neural Network,DCNN)的城市噪声识别方法。首先,分析基于深度神经网络的噪声识别框架;其次,通过短时傅里叶变换(Short Time Fourier Transform,STFT)提取噪声信号的时频域特征,采用DCNN识别噪声类型;最后,采用UrbanSound8K数据集进行实验分析。实验结果表明,该方法在不同噪声类别上均具有较高的分类准确率。

基于改进CWD-CNN的配电网内部过电压类型识别方法

针对配电网内部过电压类别难以辨识的问题,提出了基于改进CWD-CNN的过电压类型识别方法。采用乔威廉姆斯分布(choi-williams distribution,CWD)对电力系统中常见的7种过电压信号进行时频分解,构造可表达过电压信号时频能量特征的二维矩阵,并利用卷积神经网络(convolutional neural network,CNN)进行过电压的分类识别。改进后的CNN卷积核具有长方形尺度,能够高效、迅速地对时频图像进行特征提取。同时,分别从迭代次数、批量样本数、隐层特征图个数以及卷积核尺寸等方面分析其对寻优结果的影响,并确定最佳寻优参数,最后从样本库随机抽取数据进行交叉验证。结果表明,该方法能够有效地对7类过电压信号进行分类识别,并具有较高的识别率,避免了人工提取特征量的局限性和复杂性。

面向运动行为特征的脑电信号分析与识别

文章针对左右手运动想象脑电信号,构造了一种融合了时频空三域的显著性特征提取方案并设计了一种包含卷积核结构的长短时记忆网络来进行分类,从而获得一种更有效的特征提取和分类方法。实验结果表明:与经典的方法相比,文中提出的方法在识别率方面得到了显著的提高。

动态模拟电路故障特征提取方法研究

介绍了现有的动态模拟电路故障特征提取方法,概述了网络分析法、频率特性分析法、节点电压灵敏度分析法、Volterra频域核提取法等动态模拟电路故障特征提取方法的发展现状并总结了其研究成果,并对各种方法的基本原理和优缺点进行了分析探讨。结合电路故障诊断的发展过程和趋势,指出了动态模拟电路故障特征提取的研究和发展方向。

多尺度卷积的时频域语音分离方法研究

在进行混合语音分离时,信号时域特征的深度学习语音分离性能优于频域特征。但目前时域特征的语音分离方法在真实噪声环境下的鲁棒性较差,且单一时域特征对分离模型的性能存在局限性。因此,提出一种基于Conv-TasNet网络的多特征语音分离方法,融合频域特征与时域特征,提高数据的多维信息。为了进一步提高分离网络性能,引入多尺度卷积块,提高网络对特征的提取能力。在包含真实噪声的实验环境下,所提方法与Conv-TasNet模型和最新的时频域融合语音分离基线模型相比,性能分别提高了0.91和0.52 dB,有效提升了语音分离的性能及鲁棒性。