基于VMD-SVD的单向阀微弱故障诊断方法

针对大型往复式机械高压隔膜泵单向阀振动信号中的微弱故障特征难以提取,且磨损击穿故障、卡阀故障及正常状态振动信号难以识别的问题,提出一种基于变分模态分解和奇异值分解的单向阀微弱故障特征提取及诊断方法。首先对振动信号进行VMD分解,再借助能量百分比和方差贡献率筛选出包含丰富故障信息的模态IMF分量,其次对筛选后的IMF分量构建初始特征矩阵,然后利用SVD对特征矩阵进行分解,得到特征矩阵的奇异值作为表征微弱故障信号的特征向量,最后应用多变量预测模型对单向阀微弱故障进行诊断。工程实验结果表明,该方法能有效地提取出单向阀微弱故障信号特征并能对单向阀状态类型进行有效识别。     

基于多准则融合的滚动轴承振动信号消噪方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出了基于多准则融合的滚动轴承振动信号消噪方法。该方法采用集合经验模态分解(EEMD)方法对原始振动信号进行分解得到一组IMF分量,计算各阶IMF分量和原始振动信号的相关系数、各阶IMF分量和原始振动信号包络谱的J散度、各阶IMF分量的峭度值;分别根据相关系数准则、J散度准则、峭度准则选取有效IMF分量,将同时保留的IMF分量作为有效分量进行信号重构。实验结果表明,该方法可以有效地提取滚动轴承早期微弱故障信息,能够有效抑制经验模态分解(EMD)中的模态混叠问题,同时削弱低频噪声,突出高频共振成分,具有良好的自适应性。     

敏感SVD和EEMD的故障诊断方法研究

在噪声干扰下有效提取振动信号所包含的微弱故障特征,是轴承故障诊断的关键问题,提出了一种基于敏感奇异值分解(SSVD)和总体平均经验模态分解(EEMD)的故障诊断方法.对时域振动信号进行敏感SVD分析,通过敏感因子选择反映故障冲击特征的敏感SVD分量,并利用定位因子定位分量信号所对应奇异值进行振动信号重构,以滤除噪声干扰;对降噪信号进行EEMD,根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF),有效提取局部微弱故障信息;利用Teager-Kaiser能量算子(TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,以识别故障类型.方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

CEEMDAN在变压器振动信号提取中的应用

有效提取变压器振动信息对于识别变压器运行状态具有重要的现实意义.本文提出一种基于自适应白噪声完整集成经验模态分解(CEEMDAN)的变压器振动信号分析方法.论文首先采用CEEMDAN将原始变压器振动信号分解成有限的固有模态分量(IMF),之后利用相关系数(CC)提取有效的IMF分量.最后,将提取出的有效IMF分量进行信...     

基于EEMD-SE和栈式降噪自编码网络的局部放电模式识别

由于变电站环境复杂,利用传统的特征统计方法不能准确地提取局部放电(PD)信号的特征及对其识别分类.对此,提出一种基于集合经验模态分解(EEMD)和样本熵(SE)的局部放电信号特征提取方法.利用EEMD算法对局部放电信号进行时频分析;计算EEMD分解得到的固有模态函数(IMF)的样本熵,并将其作为特征向量表征不同放电类型;采用栈式降噪自编码网络(SDAE)对放电类型进行分类识别.通过对四类局部放电故障进行特征提取和模式识别,对比实验结果表明,该方法能有效地提取放电信号的特征,并较准确地识别各类放电类型.     

基于EMD和BP网络的轴承故障诊断方法

故障轴承的振动信号是非平稳信号,传统的非平稳信号分析手段存在许多不足;BP网络能够出色地解决传统识别模式难以解决的复杂问题。提出了经验模态分解(EMD)与BP神经网络相结合的滚动轴承故障诊断方法。采用EMD方法对振动信号进行分解,得到组成信号的多个内禀模态分量(IMF),提取重要的IMF分量的能量作为信号的特征量;采用BP网络作为模式分类器,对轴承的故障类型进行分类。经试验数据分析证明,该方法能够准确地对轴承故障进行诊断。     

基于SVD优化EMD的电梯导靴振动信号故障 特征提取

针对电梯导靴振动信号采用经验模态分解(Empirical Mode Decomposition,EMD)难以直接提取早期微弱故障特征的问题,提出基于奇异值分解(Singular Value Decomposition,SVD)优化经验模态分解的电梯导靴振动信号故障特征提取方法。该方法首先对原始信号进行SVD分解,通过奇异值贡献率原则来确定相空间重组的最佳Hankel矩阵结构,利用曲率谱原则与奇异值贡献率原则相结合来确定有效奇异值的阶次;筛选出包含主要故障信息的奇异值进行信号重构,得到剔除噪声信号与光滑信号的突变信号;然后对突变信号进行EMD分解,得到信号的本征模态函数(Intrinsic Mode Function,IMF)分量。最后,对IMF分量作Hilbert变换,求得其Hilbert边际谱,从而获得电梯导靴故障特征频率信息。仿真结果表明该方法有效改善了EMD难以直接提取早期微弱故障特征的问题,更准确地提取了振动信号的故障特征频率,验证了所述方法的有效性。     

VMD和混合深度学习框架融合的短期风速预测

风速预测是影响风电场效率和稳定性的重要因素.文中基于风速的时空特征,融合变分模态分解(VMD)和混合深度学习框架进行短期风速预测,即VHSTN (VMD-based hybrid spatio-temporal network).其中,混合深度学习框架由卷积神经网络(CNN)、长短时记忆网络(LSTM)以及自注意力机制(SAM)组成.该算法对原始数据清洗后,采用VMD将多站点风速的时空数据分解为固有模态函数(intrinsic mode functions, IMF)分量,去除风速数据的不稳定性;然后针对各IMF分量,应用底部的CNN抽取空域特征;再用顶层LSTM提取时域特征,之后用SAM通过自适应加权加强对隐藏特征的提取并得到各分量的预测结果;最后合并获得最终预测风速.在数据集WIND上进行实验,并和相关典型算法对比,实验结果表明了该算法的有效性和优越性.     

基于MEMD的管道阻塞声信号特征提取与识别方法

针对供水管道阻塞声信号的非平稳性和多元数据分解尺度问题,提出了基于多元经验模态分解(MEMD)的管道阻塞声信号特征提取及识别方法.利用MEMD对三种运行状态下的管道检测声信号进行多通道同步自适应分解,获取各个信号通道间的共同模式;根据相关系数和方差贡献率筛选出反映管道主要信息的固有模态分量(IMF),计算所选IMF的能量占比作为管道运行状态的特征向量;采用支持向量机(SVM)对不同运行状态下的管道声信号进行分类识别.实验结果表明:方法能够有效地对管道阻塞声信号进行特征提取及识别.     

基于变分模态分解和混沌麻雀搜索算法优化支持向量机的滚动轴承故障诊断

针对滚动轴承振动信号中的故障特征难以提取的问题,提出一种基于变分模态分解(VMD)和混沌麻雀搜索算法(CSSA)优化支持向量机(SVM)的故障诊断方法.首先,利用VMD处理滚动轴承信号,提取本征模态分量(IMF)的能量谱和能量熵作为故障特征向量;其次,通过引入改进Tent混沌映射和自适应t分布策略,加入边界探索和警戒解除机制,对麻雀搜索算法(SSA)进行改进;最后,采用CSSA-SVM模型进行滚动轴承故障的识别和诊断.实验结果表明,CSSA-SVM模型能够有效识别滚动轴承的故障类型,拥有更高的诊断精度.     

基于深度级联孪生网络的小样本调制识别算法

为解决传统基于深度学习的调制识别算法在小样本条件下识别准确率较低的问题,提出一种基于深度级联孪生网络的通信信号小样本调制识别算法。根据通信信号时序图的时空特性,设计由卷积神经网络和长短时记忆网络级联的特征提取模块将原始信号特征映射至特征空间,同时在孪生网络架构下对提取的特征进行距离度量并以相似性约束训练网络,避免特征提取模块在训练过程中出现过拟合现象,最终通过最近邻分类器识别待测样本的调制类别。在DeepSig公开调制数据集上的实验结果表明,与传统基于深度学习的调制识别算法相比,该算法能有效降低训练过程中所需的样本量,且在小样本条件下的识别准确率更高。     

基于径向基神经网络的新型齿轮故障诊断方法

非平稳工况下的齿轮故障检测是一项非常困难的工作,由于齿轮振动信号的复杂性,导致故障特征提取和故障诊断困难.针对这些问题,基于径向基(radial basis function, RBF)神经网络,提出一种在变速条件下齿轮的故障诊断方法 CIHDRFD.首先利用自适应白噪声的完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),将原始振动信号分解为多个固有的模态函数(intrinsic mode function, IMF),并通过计算其信息熵(information entropy, IE)筛选出IE最小的4个IMF作为特征IMF;然后利用希尔伯特变换(hilbert transform, HT)处理特征IMF并求出Hilbert包络谱,利用Hilbert包络谱构建故障特征向量;最后利用改进的双RBF神经网络进行故障检测.通过搭建齿轮故障检测平台验证CIHDRFD方法的有效性,实验结果表明, CIHDRFD方法适用于齿轮故障诊断,在速度波动为3%的情况下,诊断准确率...     

基于非线性堆叠双向网络的端到端声纹识别

传统声纹识别方法过程繁琐且识别率低,现有的深度学习方法所使用的神经网络对语音信号没有针对性从而导致识别精度不够。针对上述问题,本文提出一种基于非线性堆叠双向LSTM的端到端声纹识别方法。首先,对原始语音文件提取出Fbank特征用于网络模型的输入。然后,针对语音信号连续且前后关联性强的特点,构建双向长短时记忆网络处理语音数据提取深度特征,为进一步增强网络的非线性表达能力,利用堆叠多层双向LSTM层和多层非线性层实现对语音信号更深层次抽象特征的提取。最后,使用SGD优化器优化训练方式。实验结果表明提出的方法能够充分利用语音序列信号特征,具有较强的时序全面性和非线性表达能力,所构造模型整体性强,比GRU和LSTM等模型具有更好的识别效果。     

深度特征选择网络在雷达信号识别中的应用

在现有的雷达辐射源信号识别研究中,传统人工提取到的特征虽具有较为良好的物理表征,但特征中还存在冗余、噪声特征,而通过深度神经网络虽可以挖掘到对信号更深层次的表达,但其特征存在的“黑箱”难以解释性无法避免.结合人工特征良好的物理表征性和深度学习强大的学习能力,本文提出将一种深度特征选择网络（DFS,Deep Feature Selection）应用到雷达信号识别技术中.DFS通过在深度神经网络的输入层和第一隐藏层之间增添一对一层,获取针对每维特征与分类相关性度量得到的权值,以此权值作为衡量标准,加强敏感特征的输入影响,削弱冗余、噪声特征的输入影响,提高分类准确率.方法先对雷达信号提取复杂度特征、小波脊频级联特征、信息熵特征,合并建立原始特征集,利用DFS进行学习训练,以达到在输入级别实现特征选择的目的.本文已利用上述方法对5类辐射源信号进行仿真实验,识别效果良好,验证了方法有效.     

基于CNN-RVM的输电杆塔外破振动识别方案

针对现有杆塔状态检测方案缺乏外破振动识别的现状,提出了一种基于深度学习模型的杆塔外破振动识别技术。首先获取外破条件下的输电杆塔外破振动信号和不同风激励条件下的输电杆塔振动信号,应用延时嵌陷技术对振动信号预处理,将原始信号转为二维形式后送入卷积神经网络(Convolutional Neural Network, CNN)进行特征提取,并采用相关向量机(Relevance Vector Machine, RVM)分类器实现振动模式识别;通过多次实验,确定CNN的最佳参数,再利用softmax分类器和梯度下降法对CNN的权值和阈值进行调整,最终得到高精度识别结构。仿真结果表明,提出的CNN-RVM识别模型在三种振动条件实验中准确率都高于99%,相比于国内外现有其它振动识别方案,具有高精度和高效率的优点。     

SDAE-LSTM模型在金融时间序列预测中的应用

针对金融时间序列预测的复杂性和长期依赖性，提出了一种基于深度学习的LSTM神经网络预测模型。利用堆叠去噪自编码从金融时间序列的基本行情数据和技术指标中提取特征，将其作为LSTM神经网络的输入对金融时间序列进行预测；通过LSTM神经网络的长期依赖特性来提高金融时间序列的预测精度。利用股价指数数据，与传统的神经网络的预测结果进行比较，结果表明基于深度学习的LSTM神经网络具有比较高的预测精度。     

舒尔特方格与LSTM的注意力分级建模

在基于脑电信号的注意力分级研究中,存在两个亟待解决的技术难点。第一不同注意类型的脑电数据采集及标注困难;第二脑电特征提取算法忽视原始脑电信号时序特征。针对以上问题,设计了基于视觉搜索和反应时技术的舒尔特方格范式,实现对不同注意类型脑电数据的采集以及自动标注;设计长短期记忆深度学习网络（LSTM）实现对注意力分级,保存原始脑电信号的时序特征。实验结果表明,注意力分级模型可以很好区分高中低三种注意力水平;对比现有的五种基于EEG信号的注意力分级算法,小波变换（DWT）、近似熵、共空间模式（CSP）、基于相干系数的脑网络和卷积神经网络（CNN）,在相同的EEG数据集上,该注意力分级模型识别准确率最高,高出DWT算法21.49个百分点;高出近似熵算法25.82个百分点;高出CSP算法20.53个百分点;高出基于相干系数的脑网络算法13.32个百分点;高出CNN9.05个百分点。     

单时序特征图卷积网络融合预测方法

近年来,图神经网络逐渐成为深度学习领域广泛讨论的话题和研究的重点,但大多数研究都是基于图节点,在存在多维属性的前提下进行分类和回归预测,对单时序特征的图节点预测并不能产生理想的效果。本文提出一种时序图卷积网络算法,可以在复杂图网络中,只根据节点单一特征的时序序列,实现对该特征的预测。算法通过在传统图卷积网络中对邻接矩阵参数化,解决单一特征条件下的参数退化问题,并结合长短时记忆网络的序列学习方法,将时序信息融入到训练过程中,提高训练精度。在交通流量数据集PeMS和Los上的实验表明,其预测精度要优于GCN、T-GCN、GRU、LSTM等主流算法。     

基于LMD-PE与神经网络的刀具故障诊断方法

针对刀具故障诊断信号信噪比低、诊断结果不准确等问题,采用局域均值分解(LMD)结合排列熵(PE)来处理采集到的刀具加工时的振动信号,然后将提取到的特征向量输入到训练好的长短期记忆神经网络(LSTM)中得到诊断结果,为了提高LSTM的诊断效率,结合卷积神经网络(CNN)对LSTM进行了改造;试验表明,文章提出的方法诊断准确率比BP神经网络提高了将近12%,改进LSTM网络比传统LSTM的诊断时间缩短了50%。     

基于时域特征的光纤安防系统信号识别算法

在分布式光纤周界安防系统中,为实时有效分辨出系统所受的入侵事件和干扰事件,提出了一种基于时域特征的振动信号模式识别算法.对原始振动信号进行降噪处理,然后提取降噪后信号的短时能量和短时过阈值率两类特征值,将提取的特征值作为特征向量输入到支持向量机(SVM)中进行训练和测试,建立分类模型,将分类模型应用于安防系统,实时识别出入侵和干扰事件.实验结果可知:模式识别算法的分类效率高,误差小,具有有效性和可行性.