CN103852525A - 基于ar-hmm的声发射信号识别方法 - Google Patents

基于ar-hmm的声发射信号识别方法 Download PDF

Info

Publication number
CN103852525A
CN103852525A CN201210498452.8A CN201210498452A CN103852525A CN 103852525 A CN103852525 A CN 103852525A CN 201210498452 A CN201210498452 A CN 201210498452A CN 103852525 A CN103852525 A CN 103852525A
Authority
CN
China
Prior art keywords
acoustic emission
emission signal
hmm
model
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201210498452.8A
Other languages
English (en)
Other versions
CN103852525B (zh
Inventor
于洋
张明宇
杨平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang University of Technology
Original Assignee
Shenyang University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang University of Technology filed Critical Shenyang University of Technology
Priority to CN201210498452.8A priority Critical patent/CN103852525B/zh
Publication of CN103852525A publication Critical patent/CN103852525A/zh
Application granted granted Critical
Publication of CN103852525B publication Critical patent/CN103852525B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明是基于自回归模型-隐马尔可夫模型（AR-HMM）对声发射信号进行识别，利用自回归模型（AR）良好的时频分辨率提取声发射信号特征值，利用隐马尔可夫模型（HMM）算法的统计学习和概率推理能力进行声发射信号识别，创新地将AR-HMM方法应用于声发射信号识别领域。同时改进了AR模型参数值提取方法，采用信号分段提取AR特征值的方法，克服了采样点多的时候AR模型与信号的不相关性，有效地提高了识别能力，填补了声发射信号识别领域的空白。

Description

基于AR-HMM的声发射信号识别方法
 
技术领域：本专利涉及无损检测领域声发射检测技术及现代信号处理技术，设计了基于AR-HMM的声发射信号识别方法，用于罐底腐蚀声发射检测信号的识别。
背景技术：声发射在线检测技术具有连续在线检测、对检测环境及构件的形状要求不高、可实现大范围检测的特点，近年来受到业内的普遍关注，成为国际上主要的罐底无损检测方法之一。罐底腐蚀的有效声发射源主要三类：（1）当储罐处于严重腐蚀损伤时，在受力条件的改变下储罐局部范围会产生一定的形变；（2）罐底存在着的裂纹、未融合、未焊透等缺陷在液位的变化下发生开裂；（3）储罐发生腐蚀时产生氧化物的开裂或剥离。提取声发射信号的特征值，识别出声发射信号的类型，是声发射信号识别的关键。
声发射信号具有瞬态性和多态性，是典型的非稳态信号。模糊识别、人工神经网络、统计识别等传统的识别方法，由于隶属函数很难建立，样本需求量大，不能从整体角度考虑识别等缺点，不能很好地反应声发射信号的特性。隐马尔科夫模型( Hidden Markov Model，HMM)是马尔科夫链的一种，由于其本身就可以完成统计学习和概率推理，因此不需要知道待求解问题的精确条件，对分析特征量重复再现性不佳、信息量大的非稳态信号具有独特的优势。自20世纪80年代以来，HMM多被应用于语音识别领域，近年来，HMM也被引入到处理机械振动信号方面，但在声发射检测领域的应用还是空白。
发明内容：
发明目的：本发明涉及一种基于AR-HMM的声发射信号识别方法，其目的是解决以往的方法效果不理想的问题。
技术方案：本发明是通过以下技术方案实现的：
一种基于AR-HMM的声发射信号识别方法，其特征在于：该方法的具体步骤如下： 
获取不同声发射源的多组声发射信号；
（一）、对提取到的声发射信号进行去噪，求零均值等预处理；
（二）、把经过预处理的不同声发射源、多组声发射信号等长度的分为n段，对每段提取相同阶次的AR模型参数；
（三）、取每段1/3~1/2靠前范围的、与信号相关性强的AR模型参数组成整个信号的特征值，将多组特征值作为多观测序列HMM的观测值；
（四）、对获得到的AR特征值进行矢量量化；
（五）、选取HMM的初始参数，输入一系列预处理后的特征值，建立每种声发射源所对应缺陷的HMM模型；
（六）、把待识别声发射类型的观测序列输入到建立好的HMM库中，选取最大输出概率值所对应的声源类型作为识别结果。
 “（1）步骤”中的声发射信号分为三种，即钢板裂纹的开裂、腐蚀形成的钢板薄弱区的受载变形、腐蚀产生的氧化物的剥离，对声发射信号预处理的方法为：选用db16小波基对腐蚀、氧化物剥离、钢板裂纹声发射信号做5层分解去噪，把去噪后的信号零均值化，提取出声发射信号变化的动态部分。
AR模型的Yule-Walker方程为：
Figure 2012104984528100002DEST_PATH_IMAGE002
   （1）
其中，
Figure 2012104984528100002DEST_PATH_IMAGE004
为常数，是AR模型的参数，
Figure 2012104984528100002DEST_PATH_IMAGE006
为白噪声序列误差，x（n）为检测到的声发射信号；
“（2）步骤”中的AR模型参数的提取利用Burg法，该方法的具体步骤如下：
1）确定初始条件: 前向预测误差
Figure 2012104984528100002DEST_PATH_IMAGE008
                           （2）
后面预测误差 
Figure 2012104984528100002DEST_PATH_IMAGE010
                          （3）
自相关函数
Figure 2012104984528100002DEST_PATH_IMAGE012
            （4）
2）由式（5），求出反射系数Km
Figure 2012104984528100002DEST_PATH_IMAGE016
                      （5）
3）由式（6）求出前后向预测误差
Figure 2012104984528100002DEST_PATH_IMAGE018
Figure 2012104984528100002DEST_PATH_IMAGE020
Figure 2012104984528100002DEST_PATH_IMAGE022
Figure 2012104984528100002DEST_PATH_IMAGE024
          （6）
4）根据式（7）确定m阶AR参数及前后向预测误差之和，
Figure 2012104984528100002DEST_PATH_IMAGE028
                         
Figure 2012104984528100002DEST_PATH_IMAGE030
         (7)
当m=1时AR模型参数
Figure 2012104984528100002DEST_PATH_IMAGE032
,
Figure 2012104984528100002DEST_PATH_IMAGE034
。
声发射信号的采样点数为1024，把经过预处理后的声发射信号，每128个点为一组，共等分为8段，用Burg算法对这8段分别提取55阶AR模型参数。
（5）~（6）步骤中使用Baum-Welch算法实现HMM识别，初始概率π=[1,0,0,0,0,0,0,0]，由于声发射具有记忆性，所以状态转移矩阵为上三角矩阵，观察矩阵B满足下列约束条件：
Figure 2012104984528100002DEST_PATH_IMAGE036
Figure DEST_PATH_IMAGE038
HMM的训练速度很快，三个训练模型曲线在10步以后都已达到收敛。
优点及效果：本发明是基于自回归模型-隐马尔可夫模型（AR-HMM）对声发射信号进行识别，利用自回归模型（AR）良好的时频分辨率提取声发射信号特征值，利用隐马尔可夫模型（HMM）算法的统计学习和概率推理能力进行声发射信号识别，创新地将AR-HMM方法应用于声发射信号识别领域。同时改进了AR模型参数值提取方法，采用信号分段提取AR特征值的方法，克服了采样点多的时候AR模型与信号的不相关性，有效地提高了识别能力，填补了声发射信号识别领域的空白。
AR模型分析法不受采样点数的约束，其模型的自回归参数对状态变化规律反映敏感，可以灵敏地反应信号特性，将其与HMM相结合，利用隐马尔可夫模型对可观测随机序列中的时变特性进行统计学习和概率推理，应用到具有非平稳特性的随机声发射信号领域，取得了很好的效果。
附图说明：
图1为基于AR-HMM的声发射信号识别方法原理框图；
图2为去噪后的腐蚀声发射信号图；
图3为去噪后的氧化物剥离声发射信号图；
图4为去噪后的钢板裂纹声发射信号图；
    图5为声发射信号AR系数分段提取示意图；
图6为HMM训练曲线。
具体实施方式：下面结合附图对本发明做进一步的说明：
如图1所示，本发明提供一种基于AR-HMM的声发射信号识别方法，该方法的具体步骤如下： 
获取不同声发射源的多组声发射信号；
（一）、对提取到的声发射信号进行去噪，求零均值等预处理；
（二）、把经过预处理的不同声发射源、多组声发射信号等长度的分为n段，对每段提取相同阶次的AR模型参数；
（三）、取每段1/3~1/2靠前范围的、与信号相关性强的AR模型参数组成整个信号的特征值，将多组特征值作为多观测序列HMM的观测值；
（四）、对获得到的AR特征值进行标量量化；
（五）、选取HMM的初始参数，输入一系列预处理后的特征值，建立每种声发射源对应的缺陷的HMM模型；
（六）、把待识别声发射类型的观测序列输入到建立好的HMM库中，选取最大输出概率值所对应的声源类型作为识别结果。
“（1）步骤”中的声发射信号分为三种，即钢板裂纹的开裂、腐蚀形成的钢板薄弱区的受载变形、腐蚀产生的氧化物的剥离，对声发射信号预处理的方法为：选用db16小波基对腐蚀、氧化物剥离、钢板裂纹声发射信号做5层分解去噪，把去噪后的信号零均值化，提取出声发射信号变化的动态部分。
声发射信号的采样点数为1024，把经过预处理后的声发射信号，每128个点为一组，共等分为8段，用Burg算法对这8段分别提取55阶AR模型参数。
下面对本发明的方法做详细说明：
一．AR-HMM的识别原理与声发射信号的预处理
本发明是一种基于AR-HMM的声发射信号识别方法。所识别的声发射信号的有效声源分为三种，即钢板裂纹的开裂、腐蚀形成的钢板薄弱区的受载变形、腐蚀产生的氧化物剥离。其识别原理如图1所示，对待识别的声发射信号进行预处理，然后把信号等分为n段，再对每段信号提取AR模型参数。对提取出的信号特征值，首先利用隐马尔科夫算法中的Baum-Welch算法对不同声发射源的实例数据训练出不同的HMM模型，再将这些HMM模型组建成一个模型库。当对未知声发射源类型的信号进行识别时，将描述声发射源状态的实例数据送入模型库中，用隐马尔科夫算法中的Viterbi算法分别计算这一实例数据对模型库中各个HMM模型的概率，最后根据生成概率的大小，判断声发射源的类型，完成对信号的识别过程。
声发射信号的预处理通过以下技术方案实现：根据声发射信号的性质，选用db16小波基对采集到的信号做5层分解去噪，去噪后的信号如图2、图3、图4所示。然后把去噪后的信号零均值化，提取出声发射信号变化的动态部分。
二．特征提取
AR模型又称自回归模型，也叫时间序列模型，是一种认为信号的当前观测值x（n）与其自身的前一个或前几个时刻的观测值x（n-1）、x（n-2）等有关的时间序列。AR模型分析法不受采样点数的约束,其模型的自回归参数对状态变化规律反映敏感，因此AR模型与HMM相结合，能更有效地识别声发射信号。AR模型的Yule-Walker方程为：（方程1有改动）
          （1）
其中，
Figure 983959DEST_PATH_IMAGE004
为常数，是AR模型的参数，
Figure DEST_PATH_IMAGE040
为白噪声序列误差，x（n）为检测到的声发射信号。
声发射信号是一种随时间变化的非平稳随机信号，AR模型具有良好的时频分辨率，其模型的最大特点就是系数具有时变性，分析处理非平稳信号十分有效，因此，选用AR模型作为提取声发射信号特征值的方法。
AR模型的阶数是影响建模准确性的首要因素，阶数选择过低，功率谱会过于平滑，阶数选择太高，则会出现虚假的谱峰和谱细节。一种简单而有效的选择方法是在采样点数的1/3~1/2范围内选择AR模型的阶。然而，当采样点数过多时，随着时间的推移，较后时刻的信号与较前时刻信号的相关性减小，提取到的特征值将不精确，这将会严重影响后续的识别结果。本发明针对这一问题，提出将信号等分为几段，对每段分别提取特征值，然后取每段中靠前的几个与这一小段信号相关性大的AR系数，组成整个信号的特征值，作为后续多观测序列HMM识别的一个输入值。
采用Burg算法进行AR参数的求取，以观测数据直接计算，避开了中间函数估计，因而计算更加精确。
Burg法求解AR模型参数的具体步骤为：
1）确定初始条件: 前向预测误差
Figure DEST_PATH_IMAGE041
                           （2）
后面预测误差 
Figure DEST_PATH_IMAGE042
                          （3）
自相关函数
Figure DEST_PATH_IMAGE043
     
Figure DEST_PATH_IMAGE044
       （4）
2）由式（5），求出反射系数Km
Figure DEST_PATH_IMAGE045
                      （5）
3）由式（6）求出前后向预测误差
Figure DEST_PATH_IMAGE046
          （6）
4）根据式（7）确定m阶AR参数及前后向预测误差之和，
Figure DEST_PATH_IMAGE050
                           
Figure DEST_PATH_IMAGE051
         (7)
当m=1时AR模型参数
Figure DEST_PATH_IMAGE052
,。
本发明中声发射信号的采样点数为1024，把经过预处理后的声发射信号，每128个点为一组，共等分为8段，如图5所示。用Burg算法对这8段分别提取55阶AR模型参数，然后再用这8段短时序列每段靠前的几个AR模型参数组成整个信号的模型参数。重复以上步骤，直到每种声发射源各60组共180组信号都完成了数据的特征提取，然后将特征值矢量量化，作为HMM的训练样本和测试样本。 
三．声发射信号的识别
隐马尔可夫模型 ( Hidden Markov Model，HMM)是一个双重随机过程，分别是描述状态和观测变量之间对应关系的可观测随机过程和描述状态之间转移的马氏过程。隐马尔可夫模型因其本身就可以完成统计学习和概率推理，而其中的马氏过程可用来描述隐藏于可观测随机序列中的时变特性，因此使得隐马尔科夫模型在处理具有非平稳特性的随机声发射信号序列中具有明显优势。
HMM模型训练使用Baum-Welch算法，Baum-Welch算法是在给定大量观测序列O后，通过计算确定一个模型λ，使得P（O︱λ）最大。其算法步骤为：选定一个初始模型，计算出已知的观测序列O在初始模型下的输出概率，备用。继续对初始模型参数进行迭代，得到一个新的模型，再计算观测序列O在这个新模型下的输出概率，然后和之前的输出概率进行比较，在这个差值趋于收敛时，说明训练已经达到预期效果，得到的模型就是训练完的模型，如果差值不收敛，继续重复上述步骤，重新训练新模型。
初始模型的选取对Baum-Welch算法十分重要，将直接影响HMM的训练结果。初始概率π=[1,0,0,0,0,0,0,0]，由于声发射具有记忆性，所以状态转移矩阵为上三角矩阵，观察矩阵B满足下列约束条件：
Figure DEST_PATH_IMAGE055
Figure DEST_PATH_IMAGE057
每种声发射源各取30组数据，共90组声发射信号作为训练样本，HMM训练曲线如图6所示。从图6可以看出，HMM的训练速度很快，三个训练模型曲线在10步以后都已达到收敛。
为了验证AR-HMM算法的可行性与模型的正确性，再将每种声发射源各30组共90组信号作为检验样本输入模型中做诊断测试，识别结果如下表1所示。表2为基本HMM算法对声发射信号的识别效果。  
表1. AR-HMM算法对声发射信号的识别率
Figure DEST_PATH_IMAGE059
表2.HMM算法对声发射信号的识别率
Figure DEST_PATH_IMAGE061
从表1中可以看出，AR-HMM算法基本能够很好地识别出各种声发射信号的类型。通过对比表1与表2，可以看出，采用AR模型与HMM相结合的算法，显著地提高了声发射信号的识别率。

Claims (5)

1.一种基于AR-HMM的声发射信号识别方法，其特征在于：该方法的具体步骤如下： 
获取不同声发射源的多组声发射信号；
（一）、对提取到的声发射信号进行去噪，求零均值等预处理；
（二）、把经过预处理的不同声发射源、多组声发射信号等长度的分为n段，对每段提取相同阶次的AR模型参数；
（三）、取每段1/3~1/2靠前范围的、与信号相关性强的AR模型参数组成整个信号的特征值，将多组特征值作为多观测序列HMM的观测值；
（四）、对获得到的AR特征值进行矢量量化；
（五）、选取HMM的初始参数，输入一系列预处理后的特征值，建立每种声发射源所对应缺陷的HMM模型；
（六）、把待识别声发射类型的观测序列输入到建立好的HMM库中，选取最大输出概率值所对应的声源类型作为识别结果。
2.根据权利要求1所述的基于AR-HMM的声发射信号识别方法，其特征在于：“（1）步骤”中的声发射信号分为三种，即钢板裂纹的开裂、腐蚀形成的钢板薄弱区的受载变形、腐蚀产生的氧化物的剥离，对声发射信号预处理的方法为：选用db16小波基对腐蚀、氧化物剥离、钢板裂纹声发射信号做5层分解去噪，把去噪后的信号零均值化，提取出声发射信号变化的动态部分。
3.根据权利要求1所述的基于AR-HMM的声发射信号识别方法，其特征在于：AR模型的Yule-Walker方程为：
Figure DEST_PATH_IMAGE002
   （1）
其中，
Figure DEST_PATH_IMAGE004
为常数，是AR模型的参数，
Figure DEST_PATH_IMAGE006
为白噪声序列误差，x（n）为检测到的声发射信号；
“（2）步骤”中的AR模型参数的提取利用Burg法，该方法的具体步骤如下：
1）确定初始条件: 前向预测误差
Figure DEST_PATH_IMAGE008
                           （2）
后面预测误差                           （3）
自相关函数
Figure DEST_PATH_IMAGE012
     
Figure DEST_PATH_IMAGE014
       （4）
2）由式（5），求出反射系数Km
                      （5）
3）由式（6）求出前后向预测误差
Figure DEST_PATH_IMAGE018
Figure DEST_PATH_IMAGE022
Figure DEST_PATH_IMAGE024
          （6）
4）根据式（7）确定m阶AR参数及前后向预测误差之和
Figure DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE028
                         
Figure DEST_PATH_IMAGE030
         (7)
当m=1时AR模型参数
Figure DEST_PATH_IMAGE032
,
Figure DEST_PATH_IMAGE034
。
4.根据权利要求3所述的基于AR-HMM的声发射信号识别方法，其特征在于：声发射信号的采样点数为1024，把经过预处理后的声发射信号，每128个点为一组，共等分为8段，用Burg算法对这8段分别提取55阶AR模型参数。
5.根据权利要求1所述的基于AR-HMM的声发射信号识别方法，其特征在于：（5）~（6）步骤中使用Baum-Welch算法实现HMM识别，初始概率π=[1,0,0,0,0,0,0,0]，由于声发射具有记忆性，所以状态转移矩阵为上三角矩阵，观察矩阵B满足下列约束条件：
Figure DEST_PATH_IMAGE001
HMM的训练速度很快，三个训练模型曲线在10步以后都已达到收敛。
CN201210498452.8A 2012-11-29 2012-11-29 基于ar-hmm的声发射信号识别方法 Active CN103852525B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210498452.8A CN103852525B (zh) 2012-11-29 2012-11-29 基于ar-hmm的声发射信号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210498452.8A CN103852525B (zh) 2012-11-29 2012-11-29 基于ar-hmm的声发射信号识别方法

Publications (2)

Publication Number Publication Date
CN103852525A true CN103852525A (zh) 2014-06-11
CN103852525B CN103852525B (zh) 2016-09-21

Family

ID=50860433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210498452.8A Active CN103852525B (zh) 2012-11-29 2012-11-29 基于ar-hmm的声发射信号识别方法

Country Status (1)

Country Link
CN (1) CN103852525B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106537136A (zh) * 2014-06-30 2017-03-22 沙特阿拉伯石油公司 虚拟多相流计量和砂检测
CN108693251A (zh) * 2018-02-19 2018-10-23 江苏新时高温材料股份有限公司 基于超声技术实现中空板式陶瓷膜深层缺陷的三维检测方法
CN110058689A (zh) * 2019-04-08 2019-07-26 深圳大学 一种基于脸部振动的智能设备输入方法
WO2020248476A1 (zh) * 2019-06-10 2020-12-17 华北水利水电大学 一种基于声发射上升波段采集参数的声发射类型判断方法
CN112903290A (zh) * 2021-01-20 2021-06-04 广州中国科学院沈阳自动化研究所分所 基于hmm模型的rv减速器声发射故障检测方法、系统和介质
CN114799495A (zh) * 2021-12-28 2022-07-29 华中科技大学 一种激光切割的控制方法及相关装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004023824B4 (de) * 2004-05-13 2006-07-13 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Vorrichtung und Verfahren zur Beurteilung einer Güteklasse eines zu prüfenden Objekts
CN2854594Y (zh) * 2005-12-31 2007-01-03 济南大学 基于语音识别技术的刀具工况监测装置
CN101949895B (zh) * 2010-08-20 2012-08-15 江苏大学 一种金属拉深件微小裂纹冲击性信号的识别方法
CN102033108B (zh) * 2010-11-11 2012-05-23 江苏大学 金属拉伸件的状态判别特征参数提取方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106537136A (zh) * 2014-06-30 2017-03-22 沙特阿拉伯石油公司 虚拟多相流计量和砂检测
CN108693251A (zh) * 2018-02-19 2018-10-23 江苏新时高温材料股份有限公司 基于超声技术实现中空板式陶瓷膜深层缺陷的三维检测方法
CN110058689A (zh) * 2019-04-08 2019-07-26 深圳大学 一种基于脸部振动的智能设备输入方法
WO2020248476A1 (zh) * 2019-06-10 2020-12-17 华北水利水电大学 一种基于声发射上升波段采集参数的声发射类型判断方法
CN112903290A (zh) * 2021-01-20 2021-06-04 广州中国科学院沈阳自动化研究所分所 基于hmm模型的rv减速器声发射故障检测方法、系统和介质
CN114799495A (zh) * 2021-12-28 2022-07-29 华中科技大学 一种激光切割的控制方法及相关装置

Also Published As

Publication number Publication date
CN103852525B (zh) 2016-09-21

Similar Documents

Publication Publication Date Title
CN109682561B (zh) 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法
CN109084186B (zh) 基于改进的elmd多尺度熵的管道泄漏信号识别方法
CN104819846B (zh) 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法
CN103852525A (zh) 基于ar-hmm的声发射信号识别方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN111122162B (zh) 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法
CN110443117B (zh) 一种风电机组故障诊断方法
CN112465124B (zh) 孪生深度时空神经网络模型获取/故障诊断方法、装置
CN111721834B (zh) 一种电缆局部放电在线监测缺陷辨识方法
CN112257530A (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN114564982A (zh) 雷达信号调制类型的自动识别方法
CN111275108A (zh) 基于生成对抗网络对局部放电数据进行样本扩展的方法
CN111985533A (zh) 一种基于多尺度信息融合的增量式水声信号识别方法
CN113822201A (zh) 基于流场速度分量时程的水下物体外形识别的深度学习方法
CN115876473A (zh) 基于PWVD和DenseNet的轴承故障诊断方法
CN114487129A (zh) 基于声发射技术的柔性材料的损伤识别方法
Li et al. Transformer-based meta learning method for bearing fault identification under multiple small sample conditions
CN113111786A (zh) 基于小样本训练图卷积网络的水下目标识别方法
CN115982566A (zh) 一种水电机组多通道故障诊断方法
CN112069621B (zh) 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法
CN115064182A (zh) 自适应梅尔滤波器在强噪声环境下风机故障特征识别方法
CN114894482A (zh) 一种基于nmf数据增强和cnn的滚动轴承故障诊断方法
CN112348072A (zh) 基于慢特征分析和隐马尔科夫的健康状态评估方法
CN114021275A (zh) 一种基于深度卷积模糊系统的滚动轴承故障诊断方法
CN113095381A (zh) 一种基于改进型dbn的水声目标辨识方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant