基于声发射和神经网络的风机叶片裂纹识别研究

提出一种对风力机叶片裂纹声发射信号进行模式识别的方法。该方法以叶片无裂纹、萌生裂纹、扩展裂纹和断裂四个阶段为声发射源的四个模式,基于声发射信号含有丰富的发射源信息的特点,通过大量采样获得叶片裂纹声发射信号参数,并依照叶片裂纹声发射参数分析的数值特点确定BP神经网络,用选定的网络对叶片裂纹阶段进行模式识别,以判断裂纹的危害程度。仿真结果表明,利用BP神经网络可以对声发射信号进行有效识别,识别准确率达到90%以上。     

基于BP神经网络的金属裂纹声发射信号特征参数的提取

金属裂纹声发射信号特征提取是根据其进行故障诊断的关键,提出了BP神经网络和模式识别相结合的提取金属材料疲劳声发射信号特征的新方法,并利用美国PAC公司SAMOS声发射检测系统采集到声发射的各种参数,应用该方法选择出一些对分类识别最有效的特征参数;并采用可分离性判据进一步验证其正确性。     

铁路货车轴承的声发射故障诊断及分析

结合声发射检测的特点和货车滚动轴承故障检测的现状，将声发射检测技术应用于货车轴承故障检测中，提出了小波包分析提取轴承声发射信号特征向量的方法，并利用概率神经网络的模式识别功能进行轴承故障状态的识别。     

声发射神经网络模式识别

利用工件在加载与卸载时所产生的声发射信号,作为神经网络模式识别的输入特征,并对输出量进行模糊化隶属度计算,用BP学习法对连接权重系数进行优化,成功地实现了对工件样本组的训练和分类.     

基于自校正Kalman滤波的液膜密封端面摩擦状态监测技术

声发射技术是液膜密封端面摩擦状态的有效检测方法,但是受工业背景噪声的影响,难以分离出声发射信号中所需信息。针对此问题,采用基于ARMA模型的自校正Kalman滤波技术处理声发射信号。该滤波器能在系统模型参数和噪声特性未知的情况下,收敛于稳态最优卡尔曼滤波器,因此滤波后的声发射信号的所需特征信号更突出,有利于液膜密封端面摩擦状态的检测。建立RBF神经网络,以时域、频域和时频域特征值作为输入进行网络训练,实现密封端面摩擦状态模式识别。实验结果证明,该监测方法能实时有效地识别端面摩擦状态,识别结果与电涡流直接测量得到的结果一致。     

小波神经网络在货车滚动轴承故障检测中的应用

以352226X2-2Z型货车滚动轴承为研究对象,通过小波包分析方法提取货车滚动轴承故障声发射信号特征向量,并将其作为神经网络的输入,通过概率神经网络（PNN）的模式识别功能实现故障类型分类,证明了小波神经网络在货车滚动轴承故障检测中的有效性.     

粒子滤波在机械密封端面接触状态声发射监测中的应用

机械密封端面运行过程中所产生的声发射信号在传递过程中容易受到环境噪声的干扰,难以有效地从背景噪声中分离出来。研究粒子滤波技术在机械密封端面膜厚及开启状态声发射监测中的应用。将声发射传感器安装在机械密封静环座上,对动静环端面开启状态进行外部间接检测;运用粒子滤波技术处理采集的声发射信号,提取信号时域、频域及小波包能量特征;建立BP神经网络模型,对机械密封端面开启状态及膜厚进行识别。结果表明：粒子滤波技术能够有效地将密封端面产生的信号从背景噪声中分离出来;通过BP神经网络对提取的特征值进行模式识别,实现了密封端面膜厚变化范围的间接测量。该方法分析结果与电涡流传感器直接测量所得到的结果完全一致。     

基于粗糙集神经网络的刀具磨损监测的研究

针对多传感器刀具磨损监测系统输入维数较多、神经网络结构复杂、收敛速度慢等缺点,提出了粗糙集和遗传算法优化神经网络的模型.该模型首先利用粗糙集理论的属性约简对输入数据进行处理,从而达到减少神经网络输入维数、简化神经网络结构的目的.然后通过遗传算法优化神经网络的初始权值和阈值,以提高神经网络的收敛速度,避免神经网络陷入局部极值点.将该模型应用到刀具磨损监测,通过对声发射信号和电流信号进行处理,提取特征向量值,将特征值先通过自组织神经网络进行连续属性离散化,再通过粗糙集理论进行属性约简,最后通过遗传算法优化的BP神经网络进行识别,取得了很好的效果,证明了此模型的有效性和可行性.     

基于多输出支持向量回归的声发射源平面定位

为了解决直升机动部件疲劳损伤定位问题,提出了基于多输出支持向量回归算法的声发射源平面定位方法.以声发射信号的多个时域参数作为输入,破损点的平面坐标(x,y)作为输出,用支持向量回归机逼近输入输出之间的非线性映射关系,然后利用支持向量回归机的泛化推广能力,实现声发射源的平面定位.通过碳纤维材料试件断铅定位试验结果表明:该方法有效的实现了声发射源的平面定位,并且在收敛速度和定位精度上优于RBF神经网络.     

基于模糊神经网络单筒冲气式减振器的模式识别

为了能够提高单筒冲气式减振器模式识别的准确率,深入地研究了模糊神经网络在其中的应用.首先,建立了神经网络模型;然后,研究了模糊神经网络模式识别的方法;最后,对单筒冲气式减振器的故障模式进行了识别,识别结果表明,模糊神经网络具有较高的模式识别能力.