共查询到20条相似文献,搜索用时 312 毫秒
1.
针对岩体工程中岩体破裂信号与爆破振动信号难以自动区分的问题,提出了一种基于集合经验模态分解(EEMD)关联维数与机器学习相结合的微震信号特征提取和分类方法。利用EEMD将微震信号分解为本征模态函数(IMF)分量,并从得到的IMF分量中筛选出主分量IMF1~IMF4,再通过相空间重构计算出各个主分量的关联维数,最后将所得到的关联维数作为特征向量,使用SVM方法进行微震信号自动识别,并与其他机器学习方法进行对比分析。试验结果表明:该方法对微震信号的自动识别具有较高的准确率,且基于高斯核函数的SVM的识别效果明显优于逻辑回归(LR)和K-近邻算法(KNN)判别法的识别结果,其准确率达到93.7%。 相似文献
2.
行星齿轮箱振动信号包含多种频率成分和噪声干扰,频谱具有复杂的边带结构,容易对故障识别造成误导甚至引起错判.在不同故障状态下,行星齿轮箱振动信号的多域特征量将偏离正常范围且偏离程度不同,根据这一特点,提取振动信号的时域、频域特征参量用于故障识别.为了避免传统分析方法中负频率及虚假模态问题,增强对噪声干扰的鲁棒性,采用局部均值分解法将信号自适应地分解为单分量之和,提取时频域单分量瞬时幅值能量.针对多域特征空间构造过程中出现的高维及非线性问题,采用流形学习对数据进行降维处理.提出基于改进的虚假近邻点的本征维数估计及最优k邻域确定方法,并通过等距映射对多域特征空间进行降维分析.对于行星齿轮箱实验信号,根据样本流形特征聚类结果,分别识别出了太阳轮、行星轮和齿圈的局部故障,从而验证了上述方法的有效性. 相似文献
3.
4.
为了去除露天矿山爆破振动信号中混入的噪声成分,提出了一种基于PEMD-MPE算法的降噪方法。该算法通过自适应性正交经验模态分解(PEMD)得到完全正交的本征模态函数(IMF)分量,然后对各个IMF分量进行多尺度排列熵(MPE)的随机性检测,成功确定其中的噪声分量并将其去除。采用该算法对实测的露天矿山爆破振动信号进行降噪处理。结果表明:相比EMD-MPE和EEMD-MPE算法,PEMD-MPE算法的信噪比分别提高了3.520 dB和1.107 dB,且重构标准差和均方根误差最小,说明该算法不仅能够有效去除爆破振动信号中的噪声成分,还能有效保留真实信号。 相似文献
5.
声发射源的准确分类识别是声发射地压监测预报预警研究的重要基础。针对矿山井下围岩体声发射事件信号和采掘作业噪声信号分类识别问题,提出了一种基于改进完备总体经验模态分解和深度卷积神经网络(DCNN)的智能识别分类方法。首先,对信号进行改进CEEMDAN降噪处理,即利用相关性系数阈值和排列熵(PE)阈值剔除伪分量和噪声分量;然后,利用DCNN对降噪后的信号自动提取高维特征;最后,将特征用于softmax分类器分类识别,实现智能化井下信号源多分类。研究表明:改进CEEMDAN能够有效剔除伪分量及噪声分量;相比其他机器学习方法,改进CEEMDAN-DCNN方法具有准确率高和稳定性较好等优点。信号源识别分类方法研究为地压监测预警预报提供了重要的基础数据,准确的灾害预警预报可为矿山井下作业人员和设备提供安全保障。 相似文献
6.
石油开采过程中油水流型对压力等参数影响很大,准确识别流型可以提高传输效率、降低开采成本.利用INV306型智能信号采集处理系统和电导探针测量系统,采集垂直上升管中三种不同油水两相流流型的电导波动信号.应用经验模态分解(EMD)对电导波动信号进行了IMF特征参数的提取,然后分别提取各模态的能量特征,并将其作为Elman神经网络的输入,训练并建立网络.用检测样本进行检测,结果表明:该方法可以准确识别出三种典型流型,具有较好的识别效果. 相似文献
7.
针对轧制过程实际数据噪声大、难以获取准确板形调控功效系数的问题,提出了一种融合集成经验模态分解(EEMD)和小波变换(WT)的数据降噪方法。将含有噪声的实际生产数据经过EEMD分解后,利用小波变换方法对噪声主导的本征模态分量(IMF)进行降噪处理,处理后的噪声分量与其余分量重构得到降噪后数据,并结合结构方程模型(SEM)计算得到板形功效系数。利用1 450 mm五机架冷连轧生产线实际数据进行试验,结果表明,EEMD-WT-SEM方法可以有效降低数据噪声,有效提升板形调控功效系数的准确性。 相似文献
8.
9.
10.
11.
针对实际振动信号中多分量分离问题,在生成微分方程解调技术的基础上,提出一种新的迭代分解方法.首先采用生成微分方程(generating differential equation,GDE),估计初始振动信号的瞬时频率和幅值包络,然后对瞬时频率通过低通滤波分离出第一个频率,基于此频率对原始信号通过高通滤波器后提取的成分作为第一个分量,最后用初始信号减去第一个分量的余值作为下一次迭代的初始值,迭代同样的步骤分析分解直到获取所有信号分量,以低于能量比阈值作为迭代终止条件.本方法不需要先验信息.通过仿真信号验证并与传统方法进行对比分析,证明了方法的有效性.通过实测轴承试验信号的故障分析,证明了方法的实用性. 相似文献
12.
13.
经验模态分解(EMD)方法是一个以信号内在物理频率成分为对象的自适应时频分析方法,而常见的非平稳信号分析方法,比如小波分析,它需要选择小波基,不同小波基的分析结果不同;拉曼光谱信号是典型的非线性和非平稳信号,EMD方法充分地保留了信号本身的非线性和非平稳的特征,适应于拉曼光谱信号的分析。实验在自行研制的拉曼光谱测试平台上获得了原始的拉曼光谱信号,并通过经验模态分解将信号分解成不同频率的10个本征模式分量,信号能量集中在750cm-1和1500cm-1左右,最后进行了频率成分分析和去噪处理,并和小波分析方法进行了对比,验证了EMD方法的有效性和实用性,该方法在拉曼光谱信号分析中有较好的应用前景。 相似文献
14.
15.
16.
为消除陡脉冲带来的干扰,分析了陡脉冲干扰的特点,建立了陡脉冲噪声数学模型,提出了基于变分模态分解(Variational mode decomposition, VMD)的心电信号滤波算法,提取叠加在心电信号中陡脉冲干扰分量、识别陡脉冲干扰分量并剔除陡脉冲干扰分量;为减少VMD分解层数、提高实时性并减少内存消耗,提出了心电信号预处理算法;针对医疗环境中的随机噪声伴随陡脉冲出现的情况,分析了VMD后子信号中随机噪声的特点,提出了基于VMD子信号能量估计的阈值去噪算法;利用变分模态分解的带通滤波器组特性,提出了基于变分模态分解子信号重组的QRS波群检测算法,配合滤波算法以提高心电信号特征检测精度。以添加了高斯白噪声和模拟陡脉冲干扰的MIT?BIH数据库心电信号和医疗环境中采集的心电信号为实验对象,分别实现对滤波算法和QRS波群检测算法的定量对比分析。 相似文献
17.
当前球磨机负荷检测方法难以准确评估磨机内部变化,给磨机综合运行状态的控制和优化带来较大难度。本文设计了一款内嵌加速度传感器且与钢球介质物理性质相一致的智能磨矿介质用于识别磨机负荷,开展了不同充填率等磨矿条件下的磨矿试验,设计磨矿效果系数划分磨机负荷状态;分别采用了卷积神经网络方法(CNN)和优化的支持向量机(SVM)模型对智能磨矿介质获取的加速度信号进行球磨机负荷识别。基于优化的SVM模型将获取的一维加速度信号进行互补集合经验模态分解算法(CEEMD)去噪、时域特征值和样本熵提取等预处理,将上述磨机负荷的特征向量分别输入GA?SVM、GS?SVM、PSO?SVM分类模型进行训练,研究表明,PSO?SVM模型的识别准确率可达98.33%,但存在训练过程繁琐,耗费时间长的问题。在图像识别领域具有优秀应用能力的CNN模型是把智能磨矿介质检测加速度信号数据转换为二维图片后直接输入基于VGG19网络的CNN模型进行分类识别,磨机负荷分类识别准确率高于优化的SVM模型,可达98.89%,在保证识别准确率的同时有效节约了计算时间。基于CNN的智能磨矿介质球磨机负荷识别方法可为实现球磨机负荷检测与在线评估提供重要解决方案与技术保障。 相似文献
18.
19.
20.
针对未经预处理的心电信号中QRS波群和T波,提出一种基于经验模式分解的检测算法.该方法首先采用结合端点延拓的经验模式分解方法对信号进行分解,然后通过适当选择分解后的固有模态函数和残余分量,不使用"经验阈值"能得到准确的检测结果.利用MIT BIH Arrhythmia Database中心电数据检测表明,QRS波群的检测率达到99%以上,T波的正确识别率也获得较大的提高.该算法中提出的端点延拓方法能有效地减少使用经验模式分解的次数,提高检测的实时性,具有较好的应用前景. 相似文献