基于支持向量机的相位敏感光时域反射仪研究

为了解决实际环境中振动事件易误报的问题,在基于相位敏感光时域反射仪的分布式光纤振动传感系统中,引入了一种融合小波能量谱和支持向量机(SVM)的模式识别方法。首先,利用小波能量谱分析方法,设定最优分解层为5层,并从原始信号中提取出特征向量;然后利用支持向量机的“一对一法”多分类策略对振动事件进行识别分类。考虑到实际环境因素的影响,对沿光纤行走、敲击光纤以及沿光纤慢跑3种模式的振动进行了检测试验;最后,采用准确率、精确率、召回率和F值来综合评价支持向量机分类器的性能。实验结果表明:该模式识别方法实现了84.9%的振动事件分类准确率。     

基于超弱光栅传感阵列的钻机违法入侵地铁线路识别定位方法EI北大核心CSCD

实时监测和及时报警地铁线路上方钻机的违法入侵对地铁安全管理十分重要。分布式光纤传感技术是一种满足长距离、远程实时监测需求的有效手段。为及时发现和定位地铁线路上方钻机违法入侵,超弱光栅传感阵列被用于采集钻机入侵事件引起的分布式振动响应。基于钻机设备发动机的振动信号特征,提出了可实时识别并定位钻机违法入侵的方法。现场试验结果表明,提出方法具有抵抗地面及地下交通荷载干扰的能力,可以及时、准确地识别和定位模拟的钻机违法入侵事件。     

分布式光纤传感器周界安防入侵信号的多目标识别

针对分布式光纤在周界安防系统中信号种类,即不同的环境下产生的噪声信号干扰和常见的入侵产生的信号。本文基于全光纤马赫—泽德干涉仪的分布式光纤传感模型,提出了一种识别常见的越境信号和消除环境噪声干扰信号的方法,实现了在去除环境干扰的情况下,用BP神经网络对多种入侵信号识别。实验结果证明,该方法能够有效的区分越境信号和不同环境状态产生的噪声信号,极大的提高了整个系统的识别率,降低了其虚警率。     

最小控制递归平均算法对光纤声音传感系统的降噪作用

为了解决恶劣环境下分布式光纤声音传感系统的声音还原问题,搭建了一种基于改进最小控制递归平均(IMCRA)算法的多通道光纤声音传感系统。采用Sagnac和Mach-Zehnder复合光路结构,以单模光纤作为传感单元拾取声音信号,借助光开关实现了多通道信号采集,并通过改进最小控制递归平均算法对声音信号进行降噪、还原及增强处理。实验结果表明:该系统可在长为4km的传感光纤上实现对单音信号和语音信号的多通道扫描拾取,并能够在复杂情况下实现对语音信号信噪比的有效提升,为光纤声音传感系统在恶劣环境下的应用提供了一种新途径。     

基于时频特征的光纤周界振动信号识别

在光纤周界安防系统中,蓄意入侵和环境噪声均能引起光纤传感器振动,在保证系统高灵敏度的前提下区分入侵和非入侵事件极为重要。为了有效识别各种光纤振动信号,本文依据入侵和环境噪声引起的光纤振动信号在时域上的短时特性以及复小波域各尺度上能量分布特征,提出了两级判别法识别光纤信号。第一级用时域特征,短时能量和短时平均过零率判断是否有振动发生;第二级用复小波提取光纤信号的能量分布特征,联合时域特征形成特征矢量,支持向量机(SVM)作为分类器识别是否为入侵信号及入侵类型。实验结果表明,此方法可以有效识别入侵信号和环境噪声引起的非入侵事件,提高了系统报警率,降低了误报率。     

基于改进差分克里金的分布式光纤异常数据修复模型

分布式光纤监测过程中异常值的识别和丢失信号的修复是数据处理的重要环节.本文提出一种基于改进差分克里金的分布式光纤异常数据修复模型(KWSDE)用于解决分布式光纤异常传感数据问题.首先建立了光纤传感数据特征的求解模块,接着针对噪声信号提出了基于滑动窗口的加权平均差分降噪模块,然后构建基于自适应控制参数和加权最小二乘法的改进差分克里金修复模块,并给出了算法的具体实施步骤.最后为了验证所提模型的可行性,本文设计了分布式光纤的冲击实验分析其适用性.结果表明,在满足分布式光纤监测系统的数据特征前提下,本文所提出的修复模型的平均预测精度R2达到了0.9486,证明了其工程应用价值.     

基于卷积神经网络图像分类的轴承故障模式识别

针对传统的基于数据驱动的机械故障模式识别方法中需要人工构造算法提取特征以及人工构造特征提取算法繁琐的问题,结合卷积神经网络(CNN)在图像特征自动提取与图像分类识别中的广泛应用,提出了一种基于CNN图像分类的轴承故障模式识别方法。首先,利用集合经验模态分解(EEMD)方法对轴承振动信号进行自适应分解并用相关系数对得到的本征模函数分量进行筛选。其次,对筛选得到的本征模函数分量进行伪魏格纳-威利时频分析(PWVD)计算得到信号的时频分布图,并对时频图进行预处理。最后,将轴承15种不同工况预处理后的时频图利用CNN进行特征提取与分类识别。将该方法与同类方法进行了对比,分类正确率提高了4.26%。     

φ-OTDR识别不同频率振动事件研究

在相位敏感光时域反射计(φ-OTDR)识别入侵事件中,时间域单点振动判断和空间域相邻点振动判断算法是以一段时间和相邻区域内的数据变化幅度为依据,来检测由入侵者产生的光强差异,定位入侵位置。本文在这种算法的基础上,重点研究了三个方面的内容：即研究自适应均值去阈值的方法、分析了该算法可以识别的振动事件的频率响应范围、设计算法对振动事件所包含的频率信息分类,并通过25组不同频率的振动实验验证算法和分析。实验证实研究出的阈值处理方法适应性非常好,频率响应范围与理论分析一致,且设计的频率分类算法能够实现对振动事件所包含的频率信息正确分类,为φ-OTDR的实际工程应用提供参考。     

分布式光纤传感器的周界安防入侵信号识别

在分布式光纤周界安防系统中,对距离较长、背景环境复杂的边境进行检测时,系统根据光缆沿线发生的事件进行识别.为了区分各种引起光缆振动的激励,本文根据入侵信号与环境引起的振动信号在小波尺度上方差幅值的分布特征,利用小波多尺度分析理论构造了由各尺度下的方差组成的特征向量,提出了根据方差特征向量的不同来识别各种振动信号的“尺度-方差”信号的方法.在实验系统中,光缆总长度为56 km,光源的功率为300 μW,工作波长为1 550 nm.实验结果表明,此方法可以有效区分入侵信号、环境噪声和人为活动引起的非入侵事件,提高了系统的检测概率和降低系统的虚警率.     

子类独立分量分析在声目标识别中的应用

针对已有的特征提取方法在多目标识别中的不足,提出了基于高阶统计分析的独立分量分析法特征提取方法,通过对多种目标的声音信号进行子类特征提取,并应用决策导向无环图支持向量机实现对多目标的有效分类。结果表明该算法在通过声音信号对多目标识别上,具有很好的应用前景。     

基于小波包时频图特征和卷积神经网络的水声信号分类

水下声信号分类是水声学研究的一个重要方向。一个有效的特征提取和分类决策方法对水声信号分类技术至关重要。文章将鱼声、商船辐射噪声和风关噪声三类实测的水声信号在小波包分解的基础上提取时频图特征,并搭建了一个七层结构的卷积神经网络作为分类器。研究结果表明：三种水声信号的小波包时频图特征结合卷积神经网络在不同测试集可达到（98±1）%的总体准确率。因此,小波包时频图特征结合卷积神经网络的水声分类方法可望推广至更多水声信号分类。该研究结果可为水声信号的分类识别研究提供应用参考。     

焊接过程声信号在线检测技术现状与展望

基于焊接过程声信号的声学检测技术是一种实时采集和检测缺陷的有效方法,对材料内部结构变化反映明显。概述了常规焊接缺陷无损检测方法的优缺点,对焊接过程声信号的分类和声信号采集系统进行了论述,分析总结了声发射信号和可听声信号的发声机理、检测原理和信号处理方法,并阐述其在焊接质量在线检测领域的研究现状及应用,特别是焊接缺陷、熔滴过渡形式和熔透状态的识别与预测。为了满足在线检测要求,包含声学检测在内的多传感信息融合焊接系统研究是关键,智能传感、信号处理、自动控制与人工智能技术的进一步研究能促进焊接产业的长足发展。     

Quantification of failure mechanisms in mode-I loading of fiber reinforced plastics utilizing acoustic emission analysis

Acoustic emission signals originating from interlaminar crack propagation in fiber reinforced composites were recorded during double cantilever beam testing. The acoustic emission signals detected during testing were analyzed by feature based pattern recognition techniques. In previous studies it was demonstrated that the presented approach for detection of distinct types of acoustic emission signals is suitable. The subsequent correlation of distinct acoustic emission signal types to microscopic failure mechanisms is based on two procedures. Firstly, the frequency of occurrence of the distinct signal types is correlated to different specimens’ fracture surface microstructure. Secondly, a comparison is made between experimental signals and signals resulting from finite element simulations based on a validated model for simulation of acoustic emission signals of typical failure mechanisms in fiber reinforced plastics. A distinction is made between fiber breakage, matrix cracking and interface failure. It is demonstrated, that the feature values extracted from simulated signals coincide well with those of experimental signals. As a result the applicability of the acoustic emission signal classification method for analysis of failure in carbon fiber and glass fiber reinforced plastics under mode-I loading conditions has been demonstrated. The quantification of matrix cracking, interfacial failure and fiber breakage was evaluated by interpretation of the obtained distributions of acoustic emission signals types in terms of fracture mechanics. The accumulated acoustic emission signal amplitudes show strong correlation to the mechanical properties of the specimens. Moreover, the changes in contribution to the different failure types explain the observed variation in failure behavior of the individual specimens quantitatively.     

Quantification of the Uncertainty of Pattern Recognition Approaches Applied to Acoustic Emission Signals

Acoustic emission analysis is a nondestructive technique frequently used to assess the integrity of fiber reinforced plastics. Pattern recognition techniques have shown great potential to identify microscopic failure mechanisms in plate-like structures. Because every assignment of an acoustic emission signal to a respective failure mechanism is possibly associated with an error, one key question is the reliability of the assignment method. It is useful to distinguish between the uncertainty of the assignment and the false assignment of an acoustic emission signal to a group of signals. The first is owed to statistical effects and the reliability of the classification method itself. The second is caused by false conclusions or disputable assumptions on the source mechanisms. The present study will focus on the first aspect. For this purpose, we propose a model based algorithm that estimates the uncertainty of a feature based pattern recognition approach based on cluster validity indices. Further, we demonstrate the application of the algorithm to experimental acoustic emission data obtained from a double cantilever beam specimens with unidirectional layup of carbon fiber reinforced polymer. Based on previous investigation we use a pattern recognition approach to distinguish between different failure mechanisms like matrix cracking, interfacial failure and fiber breakage based on the frequency features of the acoustic emission signals. We consider the influence of dispersion and attenuation effects during propagation of Lamb-waves on the extracted acoustic emission features. This is done by investigating the influence of source-sensor distance by test sources like pencil lead breaks and piezoelectric pulsers. Using the model based algorithm it is possible to calculate the uncertainty of the pattern recognition results as a function of source-sensor distance. It is found that dispersion effects of Lamb-waves do not seriously affect the distinction between microscopic failure mechanisms for source-sensor distances up to 375 mm. We demonstrate that the spatial distribution of acoustic emission sources has a larger impact on the uncertainty of assignment than the absolute source-sensor distance. Applying the proposed algorithm to the current experimental setup, we obtain an uncertainty of classification below 7 % for source-sensor distances below 375 mm. Attenuation is quantified to be 0.165 dB/mm for the A ₀-mode and 0.047 dB/mm for the S ₀-mode. Within the source-sensor distance of 375 mm this causes severe attenuation of the signal amplitude and thus prohibits detection of weak acoustic emission signals long before the uncertainty of the classification method reaches 10 %.     

基于小波能谱和小波信息熵的管道异常振动事件识别方法

提出了基于小波能谱和小波信息熵的油气管道异常振动事件识别方法。基于Mach-Zehnder光纤干涉仪原理的分布式光纤油气管道安全监测系统实时检测管道沿途振动信号,对测量的时间序列进行小波变换,根据小波系数计算小波能谱与小波信息熵,通过小波能谱和小波信息熵值两种测度识别不同的管道安全异常事件。港枣线成品油管道的现场实验结果表明,该方法可以快速有效地识别管道周围发生的泄漏及其他异常情况,其总体识别准确率达到98.5%,有效降低了误报警率,具有较强的在线工况识别能力。     

基于声成像模式识别的故障诊断方法研究

利用非接触式声学故障诊断技术的工作优点,发展了基于支持向量机的声成像模式识别技术,并引入到故障诊断领域。针对某种机械故障特点,在利用波束形成算法得到声像进行噪声源识别与定位的基础上,对声像进行图像处理,提取声像的纹理特征和奇异值特征,采用支持向量机进行训练分类,进而用于机械工作状态的诊断。通过仿真及实验,得到了较好的诊断效果,表明基于声像的图像特征提取技术在结合支持向量机后可应用于机械故障诊断,为声成像方法在故障诊断领域的应用提供参考。     

基于主分量分析的声信号特征提取及识别研究

主分量分析(PCA)是统计学中分析数据的一种有效方法。研究了基于这种算法对四种战场目标的声信号进行特征提取,获得了低维的特征类器对声目标进行分类,分类结果准确率较高,均获得满意的实验效果