基于CGHMM的轴承故障音频信号诊断方法

轴承音频信号包含其运行状态的重要信息,通过分析这些信息就能对轴承故障进行有效诊断。率先引入基于连续高斯混合密度隐马尔可夫模型的轴承故障音频诊断方法,避免矢量量化带来的数据处理误差,提高了系统诊断精度;引入基于聚类算法的模型参数初始化方法和标定系数的前向-后向算法,简化系统复杂度,加快了训练和诊断速度,进一步提高了诊断精度。实验结果表明,诊断精度达到98.75%,具有很好的应用前景。

隐马尔可夫模型在被动声信号分类中的应用

为了提高被动声目标识别率 ,该文研究了隐马尔可夫模型 (HMM)在被动声信号分类中的应用问题。然后 ,又提出了 2种混合分类器 :特征矢量混合的HMM分类器和 HMM/ ML PNN (多层感知机神经网络 )混合模型分类器。结果表明 ,这 2种混合分类器在性能上都优于单个特定的分类器 。

基于小波包和HMM的战场声信号识别

针对战场声信号复杂多变的特点,提出了一种基于小波包特征参数(WPFC)和隐马尔科夫模型(HMM)相结合的战场声目标识别方法。该方法利用小波包对信号高、低频段能进行精细划分,从而得到更能反映战场声信号特征的小波包特征参数;并利用HMM具有很强的表征时变信号能力的优点,将HMM作为训练识别模型。仿真结果表明了此方法的准确性和可行性。

数控镗刀磨损与破损的声发射监测法

通过分析声发射传感器采集的刀具磨损状态信号,提取出反映刀具磨损状态的特征向量MFCC系数及差分系数,然后利用隐马尔可夫模型进行信号处理,建立了检测镗刀刀具状态的监测系统。实验结果表明:在刀具的正常磨损阶段,该监测系统可以实现刀具大致磨损量的预报;在刀具破损或损坏情况下,能够及时监测和预报刀具损坏状态。这种监测方法可用于实时在线监测,为刀具的磨损监测提供了一条切实可行的途径。

轴承故障音频信号诊断方法的仿真实验

基于滚动轴承的音频信号,采用隐马尔可夫模型(Hidden Markov Model,HMM)建模,分别利用Matlab和Visual C++工具,对内圈、外圈、滚动体和保持架等轴承的四个重要部件进行了故障诊断的仿真实验.同时,对Matlab和VisualC++这两种环境下的故障诊断系统开发过程和仿真实验结果进行了比较分析.测试结果表明,Matlab用于故障诊断系统开发相对简单,用于模拟仿真实验更加方便,而Visual C++则能开发一套诊断精度高、运算速度快的轴承故障诊断系统.

基于HMM模型的滚动轴承故障分析

将声信号作为故障诊断的主要信号源,结合隐马尔可夫理论,实现了对滚动轴承零件的故障诊断。首先建立不同滚动轴承的HMM模型,接着输入任意进行过滤波及矢量量化前期处理的机械故障声信号特征矢量集进行故障识别,处理过程应用MATLAB语言实现。

基于梅尔倒谱系数的矿山复杂微震信号自动识别分类方法

为了实现矿山复杂微震信号的自动高效识别与分类,保证后续微震分析的时效性和准确性,运用梅尔倒谱系数法,将原始的4种微震信号(岩体破裂、爆破振动、电磁干扰和钻机凿岩)转化为梅尔标度上的非线性频谱,再转换到倒谱域上,结合其在时域上的差分得到1组24维的特征参数向量,利用这些特征参数向量训练构建各类事件对应的混合高斯隐马尔可夫识别模型,进而实现对微震信号的自动识别分类。研究结果表明:运用基于梅尔倒谱系数的微震信号识别分类方法对矿山实际微震数据进行测试,微震事件的识别分类准确率达到92. 46%,具有较高的准确性,为实现微震监测系统的实时性分析提供了技术支持。

基于AR和HMM的锅炉泄漏声发射信号识别方法

声发射信号普遍存在于锅炉泄漏事故中,若能在事故发生时及时对泄漏声发射信号分类,采取相应补救措施,则可以有效减少损害.提出一种基于自回归模型(AR)和隐马尔科夫模型(HMM)的锅炉泄漏声发射信号识别方法,首先采集敲击、砂纸和断铅3种模拟泄漏声发射信号,对信号进行分帧处理,然后提取每帧信号AR特征值,最后利用HMM对特征参数进行训练和测试.试验结果表明,该方法识别正确率高达91.1%,证明将AR和HMM相结合可以有效识别敲击、砂纸和断铅3种模拟声发射信号,为锅炉泄漏故障的可视化诊断奠定了一定的基础.

智能保健监测系统中音频信号的分类算法研究

针对Mel频率倒谱系数(MFCCs)信息在区分音频信号时的局限性,提出一种基于不同特征提取技术的两级分类策略,对智能保健监测系统的9种音频信号进行分类。分类的第一级采用MFCCs及其变化率(ΔMFCCs)作为隐马尔可夫模型(HMM)的输入。在第二级,将不同频段的功率谱密度的一阶差分均值和标准差作为分类的特征。实验结果表明,功率谱密度的一阶差分包含了MFCCs所不含有的重要分类信息,该方法使得实时保健监测系统的平均分类准确度高达97.37%,具有较好的鲁棒性和分类准确性。