分布式光纤扰动传感系统故障模式识别仿真

针对传统方法存在识别时间过长、识别率较低等问题,提出一种新的识别方法———基于信息融合的光纤扰动传感故障识别方法。通过集合经验模态分解进行信号分解处理,并提取所得分量中的敏感分量。利用各敏感分量与原信号的关系值及互信息乘积绝对值作为评定标准,选择含系统信息的分量作为分析对象。利用轻量级协议算法及线性模型提取所选对象中的故障特征向量。以提取的故障特征向量为依据,利用系统灰色性故障识别方法和模糊性识别方法出发得到传感器系统故障诊断信息,获取传感器多角度信息融合故障识别,利用信息融合故障识别方法对光纤扰动传感器故障数据进行了识别。实验结果表明,所提方法有效减少了识别时间,提高了识别率。     

基于Peakvue技术的轴承故障检测

针对传统轴承故障检测三频段包络解调方法计算量大、速度慢的特点,提出了一种基于Peakvue技术的轴承故障检测方法.该方法采用加速度传感器捕捉含有具有短时特性应力波的轴承振动信号,对加速度传感器的输出信号进行高通滤波分离出高频信号和应力波信号,并按一定时间间隔提取滤波后的信号峰值,对提取后的信号进行包络解调判断故障类型.Matlab仿真实验结果表明:该方法有利于提高轴承故障检测的处理速度和诊断准确率.     

基于卷积神经网络的电流互感器畸变信号识别方法

在识别电流互感器畸变信号时,主要通过基础的神经网络提取信号特征,只能得到低层特征,使得畸变信号识别结果而F1分数较低。因此,应用卷积神经网络,设计一种新型电流互感器畸变信号识别方法。明确电流互感器的工作原理,绘制整体高频等效电路图,并基于此建立畸变信号模型。应用软阈值去噪原理,对采集的电流互感器信号进行去噪处理。再依托于多通道卷积神经网络,设计信号特征提取模型结构,将去噪后的信号输入其中进行深度学习,组合每个通道输出的低层特征,输出更加抽象的高层信号特征。最后针对特征提取进一步计算,构建特征空间,以此来实现畸变信号的准确识别。实验结果表明：所提方法识别结果的F1分数保持在0.97以上,展现出极好的信号识别效果。     

基于多分主干外部注意力网络的水声信号识别

水声信号识别近年来备受关注,由于海洋信道具有时变空变性、信号传播的衰落特性和水下目标声源具有复杂多变性,水声信号识别任务面临巨大挑战.传统的水声信号识别方法难以充分获取目标的表征信息且不具备良好的抗噪声能力,识别效果有待提升.针对上述问题,本文提出一种基于多分支外部注意力网络(multi-branch external attention network, MEANet)的水声信号识别方法,可以在复杂海洋环境下充分获取水声信号的特征并进行识别. MEANet由多分支主干网络,通道、空间注意力模块和外部注意力模块组成.首先,输入数据通过多个并行的主干网络分支,提取水声信号不同层级的特征信息;其次,辅以通道、空间注意力模块对水声信号的通道和空间维度分别进行加权,调节不同通道和空间位置对特征表示的重要性;最后,整合外部注意力模块,以外部记忆单元和附加计算来引导网络的特征提取和预测,从而显著提高模型的识别率和鲁棒性.实验结果表明,本文提出的MEANet在ShipsEar数据集上的水声信号识别率达到98.84%,显著优于其他对比算法,证实了其有效性.     

基于改进小波去噪和EMD方法的轴承故障诊断

将改进的小波阈值去噪与EMD分解相结合应用于轴承故障诊断中。该方法首先利用改进的小波阈值去噪法对原始信号进行去噪,然后采用EMD方法将去噪后的信号自适应地分解成一系列IMF分量之和,通过能量-相关系数法选取能够反映故障特征的IMF分量进行包络谱分析提取故障频率。实验结果表明该方法能够有效识别故障特征频率。     

小波分析和神经网络在水下目标识别中的研究

研究水下目标识别问题.由于环境因素的影响,采集到的水下目标回波信号中含有大量噪声且信号频率范围大,传统方法不能有效提取信号特征导致水下目标识别率低.为了提高水下目标识别的准确率,提出一种基于小波分析和BP神经网络组合的水下目标识别方法(W-BPNN).采用小波对水下目标回波信号进行去噪处理,滤除噪声信号.通过小波包对信号的特征进行提取,提取出最能反映目标本质性质的特征向量,对提取的特征向量作为BP神经网络的输入进行识别.为了验证W-BPNN算法有效性,在Matlab平台上对3类水下目标进行了仿真.结果表明,相对于传统识别算法,W-BPNN获得了更高的识别准确率,证明是有效的水下目标识别方法.     

基于EMD小波包和ANFIS的滚动轴承故障诊断

为了有效识别出滚动轴承的内圈故障、外圈故障、滚动体故障三种故障类型,提出一种基于经验模态分解EMD的小波包去噪和自适应神经模糊推理系统ANFIS的诊断方法。对故障信号进行去噪预处理,对已处理的信号利用ANFIS进行故障识别。结果表明,采用基于EMD的小波包去噪方法能有效地提高信噪比,在去噪的基础上,采用ANFIS进行故障诊断,诊断结果的误差低,能很好地识别出上述三种故障类型。     

采用小波变换和盲源分离的电机轴承故障诊断

针对地铁车辆转向架牵引电机轴承故障,提出一种结合小波变换和盲源分离的轴承故障识别方法.首先从原始信号频谱中判断轴承高频共振信号的大致频带范围以确定小波分解层数;其次利用小波分解提取轴承高频共振信号成分;然后利用盲源分离方法从小波分解后的重构高频信号中分离故障特征信号;最后对故障特征信号进行Hilbert解调并通过包络谱分析提取故障特征频率.对上海地铁某型地铁车辆转向架牵引电机进行试验,试验结果证明该方法能清晰、准确地识别轴承故障特征.     

强鲁棒性的可穿戴传感器的人体动作识别方法

为了降低可穿戴传感器在传感器移位时对动作识别率的影响,对可穿戴传感器的动作识别进行了研究。采用高精度传感器采集不同部位的输出信号,根据运动的周期特点对输出信号进行去噪和快速傅里叶变换,将其转化为频域信号。再使用主成分分析法提取综合指标,并对自组织神经网络进行训练,实现动作识别。最差情况下识别准确率可达到92.0%,较好情况下甚至可达到97.5%,传感器移位情况下的识别率甚至更高。     

基于渗透测试的通信光缆寻障定位仿真研究

针对传统通信光缆寻障定位方法信号去噪性能较差的问题,提出一种基于渗透测试的通信光缆寻障定位方法,基于渗透测试对通信光缆实施OTDR测试,设定仪表上的物理参数,获取其OTDR曲线,从而获取通信光缆活动接头、断裂、弯曲等各种故障信息,完成OTDR测试后,计算故障前与故障后的具体光功率差值,获取通信光缆的故障点发生位置,确定故障点发生位置后,利用溶接点定位方法分析OTDR曲线,获取测试端与故障点之间的光纤长度、测试端距各个机房的光纤长度,对该故障点进行准确定位,实现了基于渗透测试的通信光缆寻障定位。实验结果表明,基于渗透测试的通信光缆寻障定位方法的去噪信号高频部分波形更加密集且平稳,即该方法的信号去噪性能较好,更适用于通信光缆的寻障定位。     

基于混合遗传算法的10 kV避雷器劣化状态识别仿真

劣化状态下的10 kV避雷器异常特征并不明显，只有在故障发生后才能发现，往往导致无法及时规避，对此，提出基于混合遗传算法的10 kV避雷器劣化状态识别方法并仿真。通过光纤电流互感器采集10 kV避雷器状态信息，并实施去噪处理。针对去噪后的电流信号，利用混合遗传算法从众多原始特征中选取有意义的劣化状态特征。通过AdaBoost算法构建弱分类器并训练，得到强分类器，结合选取的劣化状态特征，分类识别10 kV避雷器劣化状态。结果表明，在所研究方法应用下，kappa系数均在0.61～0.80,说明方法的识别准确性较高。     

一种基于线性预测残差的语音增强算法

本文提出了一种基于线性预测残差的语音增强算法,以去除语音中的加性噪声。对不同噪声下语音信号的线性预测分析,不难发现线性预测系数携带有语音的频谱和共振峰信息。多次实验表明,在噪声位置预测系数较小,在语音位置预测系数相对较大,其平方和可以反映带噪语音信号的瞬时信噪比。本文将该平方和用在从维纳滤波导出的一个基于线性预测系数的去噪函数中,将该去噪函数结合B.Yegnanaraynana的提出的基于逆相对预测残差去噪的方法共同作用于线性预测残差信号,可得到增强的语音信号。实验表明这种方法可以得到较好的去噪语音,去噪的同时较好地保留了语音的可懂度,并且运算量较小。     

基于多级衍射及自适应补偿的光纤光栅传感器解调技术

解调技术是决定光纤光栅传感解调系统速率、精度、容量等性能的关键因素。提出一种基于线阵光电探测器成像原理的光纤光栅传感器解调方案,通过多级衍射,结合弱曝光自适应超频技术和FPGA并行数据处理技术,实现了对传感信号的快速解调,同时可以实现对级联型光纤光栅传感器和长周期光纤光栅传感器信号的解调。使用温度、应力敏感光纤光栅传感器对搭建的铁路桥模型进行监测,实验结果表明,光纤光栅传感系统的解调精度可以达到10 pm量级,系统可测量光谱范围达50 nm,提高了传感系统的解调速率和精度,同时实现了光纤光栅解调设备的微型化。     

光纤安防监测信号的特征提取与识别研究综述

光纤安防监测系统信号的特征提取与识别方法是当前的研究热点。光纤振动信号的随机性、非平稳性,以及各种信号的相似性,导致信号的识别容易产生误报现象。识别入侵事件类型的关键是信号的特征提取和高效的识别方法。对光纤振动信号的各种特征提取方法和识别方法进行分析和比较,把特征提取方法分为基于小波分解的特征提取法、基于其他分解模型的特征提取方法和基于波形统计参数的特征提取法;把对光纤振动信号的识别方法分为经验阈值识别方法、支持向量机识别方法和神经网络识别方法,最后对特征提取方法和识别方法进行总结和展望。     

光纤Bragg光栅传感器的解调方法概述

在各种光纤传感器中,光纤Bragg光栅(FBG)传感器是近几年来研究的热点。研究光纤光栅传感器的关键问题是光纤光栅的信号解调,即波长微小移位的检测问题。概述了光纤光栅传感器解调原理,并从响应特性分类角度对光纤光栅的几种解调方法进行了分析比较。     

基于9轴姿态传感器的CNN旗语动作识别方法

区别于传统光纤传感器、图像识别和Kinect深度图像的旗语动作识别方法,提出了一种基于9轴姿态传感器的旗语动作识别方法.该方法通过佩戴在手腕处的9轴姿态传感器来采集旗语动作的3轴加速度、3轴角速度以及3轴磁偏角数据;在运用卷积神经网络(Convolutional Neural Network,CNN)分类模型的基础上对其中的数据进行预处理,并通过分类识别算法对其进行改进;在数据预处理阶段,利用小波分解与重构函数对采集到的9轴数据进行高频去噪和低频信息提取,通过时间序列加窗进行分割处理,对各动作样本进行维度和长度统一;在特征提取阶段,采用构建的双卷积层、单池化层、单全连接层网络模型对重构数据进行特征提取;在分类识别阶段,提出一种CrossEntropy-Logistic联合损失函数来对5种动作进行迭代训练.实验结果表明,所提方法利用detcoef小波分解与重构函数对信号进行低频细节系数提取并采用一维CNN对降噪后的数据进行特征提取,通过CL联合损失函数对预测损失值和预测概率进行融合,分析所得到的训练准确率与测试准确率,在与各类方法的对比中取得了最高值,其平均训练识别率可达99％以上,测试准确率可达94％.     

基于Labview的相位载波解调技术研究

在介绍干涉型光纤传感器的相位载波解调技术(PGC)原理的基础上,采用Labview开发软件对偏振无关干涉型光纤传感器进行了数字化解调。结果显示,采用0.08rad1kHz的单频模拟信号,解调后系统信噪比(SNR)为55dB。实验证实,基于Labview语言和数据采集卡的PGC解调,能完整真实的解调出待测信号,并具有噪声低,调试方便,可视化等优点。     

基于迭代学习的地铁车辆速度传感器故障识别

为车辆管理人员及时制定维修策略提供依据，该文设计了基于迭代学习的地铁车辆速度传感器故障识别方法。依据霍尔速度传感器在地铁车辆制动系统运行时的输出波形，构建故障状态时速度传感器的线性时不变系统。利用迭代学习算法的迭代过程，依据线性时不变系统的理论输出值与速度传感器的实时采集值，利用跟踪器迭代运算传感器残差值，获取传感器故障信号；将传感器故障信号输入学习过程的决策逻辑识别模型，决策逻辑识别模型利用加权KNN分类器，输出地铁车辆速度传感器故障类型，实现地铁车辆速度传感器故障识别。实验结果表明，该方法可以精准识别地铁车辆速度传感器的虚接故障、断线故障等不同类型故障，故障识别准确率高。     

光纤传感网络小样本入侵信号边际谱标记检测

光纤传感网络中,小样本人工入侵信号由于没有入侵经验数据做识别背景,其首次入侵特征标记一直是一个难点。设计了一种光纤传感网络小样本人工入侵信号动态提取方法。首先采用高斯滤波器对光纤传感网络信号做去噪处理,消除光纤传感网络信号中存在的噪声信号对入侵信号提取产生的干扰。然后结合希尔伯特变换方法和经验模态分解方法,构建光纤传感网络信号的Hilbert边际谱。将光纤传感网络信号的Hilbert边际谱作为信号的标记特征,输入SVM分类器中,完成光纤传感网络小样本人工入侵信号的动态提取。仿真结果表明,所提方法的噪声信号、敲击信号和晃动信号事件识别率平均值分别为95.5%、91.5%及89.5%,当时域信号采样点数量为5 000个时,所提方法的信号提取时间为0.245 s。     

基于小波与小波包的变速器故障特征提取

本文结合自适应小波变换滤波去噪方法与小渡阈值去噪方法,提出了一种可用于变速器故障振动信号去噪的双层滤波去噪算法.该算法的滤波过程分为两层,第一层滤波采用自适应小波变换滤波算法;第二层滤波采用经典的小波阈值去噪算法对信号进行二次去噪.最后,将去噪后的故障信号采用小波包进行了分解,并提取了小波包频带能量作为故障特征向量.