CN105469049A - 一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法 - Google Patents
一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法 Download PDFInfo
- Publication number
- CN105469049A CN105469049A CN201510822523.9A CN201510822523A CN105469049A CN 105469049 A CN105469049 A CN 105469049A CN 201510822523 A CN201510822523 A CN 201510822523A CN 105469049 A CN105469049 A CN 105469049A
- Authority
- CN
- China
- Prior art keywords
- signal
- emission signal
- spectrum entropy
- acoustic emission
- sound emission
- 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.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 74
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 27
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 16
- 244000137852 Petrea volubilis Species 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 230000000246 remedial effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013028 emission testing Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法,属于声发射信号模式识别领域。本发明首先采用数字声发射系统进行实验数据采集;对采集的模拟泄漏声发射信号进行多尺度形态分解,分别计算其在不同尺度上的谱能量,并计算能谱熵值;再计算每一尺度所占能谱熵的比例,将其组成特征向量;最后利用支持向量机对特征向量进行训练和测试。本发明可以同时区分敲击、砂纸、断铅信号,且识别正确率很高,可实现自动分类;通过求声发射信号的多尺度分解能谱熵值,并分别求取每一尺度所占能谱熵的比例,能较好的反映声发射信号状态信息,可以将其作为声发射信号的特征向量。
Description
技术领域
本发明涉及一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法,属于声发射信号模式识别领域。
背景技术
在工业快速发展的今天,各类压力管道、高压锅炉随处可见,在使用过程中由于腐蚀、磨损等原因可能会造成管道或炉壁材料破损导致泄漏,泄漏检测是石油、化工、天然气和城市供水等领域中需要解决的重要问题之一。研究泄漏信号的检测理论、检测方法,实现对泄漏信号的分类识别,对于维护管道、锅炉等的安全运行,避免资源浪费,有着重要的理论价值和现实意义。声发射检测技术是一种利用局部材料快速释放能量所产生的瞬态弹性波作为激励源的检测技术,在无损检测中占有重要的地位。目前声发射检测在刀具磨损、腐蚀检测等方面已经取得了一定的研究成果,所以将其应用于工业管道泄漏声发射信号检测中也是可行的。
目前,对声发射信号的处理方法主要有时域参数法、时域波形法、频域法、小波分析和经验模态分解等。这些方法从不同角度描述声发射信号的特征,提供了多种多样的声发射信号检测方法。虽然声发射检测领域的文献很多,但是目前管道泄漏的声发射技术研究主要是对有无泄漏和泄漏点位置的判定,根据泄漏声发射信号研究泄漏信号参数状态的文献不多。
判断泄漏声发射类型是泄漏声发射检测的主要目的之一,泄漏声发射类型的确定有助于进一步对材料受损情况作出评估,以便提前采取相应补救措施。因此,研究一种能在多干扰和低信噪比的复杂信号中,快速、准确地提取泄漏信息特征并识别泄漏类型的方法具有重要意义。
数学形态学非线性信号处理方法是一门建立在集合论和积分几何学上的一种方法,数学形态学在考察信号时使用结构元素探针,通过结构元素探针在信号中不断移动来提取有用信息从而进行特征分析和描述。多尺度形态学以数学形态学分析为基础,直接由波形集合形态采用不同尺度结构元素对波形进行变换,通过形态学膨胀、腐蚀、开、闭运算,获得各尺度形态谱及所研究对象的直观理解。支持向量机(SVM)是基于统计学理论下的一种新型机器学习方法,能很好的解决实际应用中出现的小样本、过学习、高维数、局部最小等问题,特别是在小样本、非线性情况下,具有较好的泛化能力。
基于此,本发明首先用实验室设备数字声发射系统采集敲击、砂纸和断铅三种模拟声发射信号;然后进行多尺度形态学分解,提取每一尺度上高低频段谱能量,然后计算能谱熵;再计算每一尺度所占能谱熵的比例,构造特征向量;最后利用支持向量机对特征参数进行训练和测试。结果表明,本文提出的方法可以有效地对泄漏声发射信号进行分类,能在泄漏故障发生时及时准确判断出泄漏故障类型,为采取相应的补救措施提供参考。
发明内容
本发明提供了一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法,以用于解决泄漏声发射信号检测分类问题。
本发明的技术方案是:一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法,首先采用数字声发射系统进行实验数据采集;对采集的模拟泄漏声发射信号进行多尺度形态分解,分别计算其在不同尺度上的谱能量,并计算能谱熵值;再计算每一尺度所占能谱熵的比例,将其组成特征向量;最后利用支持向量机对特征向量进行训练和测试。
所述方法的具体步骤如下:
Step1、声发射信号采集:通过数字声发射系统采集模拟泄漏声发射信号N组,信号记为f(x);
Step2、结构元素采用扁平结构元素g=[000],对信号f(x)进行多尺度形态分解;其中,分解尺度为n,则f(x)的多尺度形态分解信号为d1(x),d2(x),…,di(x),…,dn(x),d1(x),d2(x),…,di(x),…,dn-1(x)为第1~n-1尺度上求得的高频信号,dn(x)为第n尺度上求得的低频信号;
Step3、计算各个尺度相应频段上的谱能量Ei及多尺度形态分解能谱熵HE;其中,M为数据窗;T为采样周期,x=kT,k为采样序数,表示信号在第i尺度的谱能量Ei占总能量的概率;
Step4、在求取形态分解能谱熵的基础上,分别求取每一尺度所占能谱熵的比例Pi:Pi=-pilnpi/HE;每组信号经过公式计算后得到不同尺度下的比例Pi(i=1,2,…,n),将所有的Pi组合起来,得到1×n维的特征向量矩阵P=[P1,P2,…,Pn],按照这个方法,可以求取每一组泄漏声发射信号的特征向量;
Step5、取每类信号的N1组特征向量作为训练集,剩余N2组特征向量作为测试集,进行SVM测试,得到分类识别结果;其中,N1+N2=N。
所述模拟泄漏声发射信号选取敲击、砂纸和断铅模拟泄漏声发射信号中的任意两种或以上。
本发明的工作原理是:
第一步:实验采用北京声华兴业科技有限公司生产的SAEU2S数字声发射系统进行试验数据采集,实验时,保持传感器与事故点位置不变,在事故点处分别模拟敲击、砂纸和断铅三种工况声源,并记录相关实验数据,为验证上述方法的有效性,在实验室条件下,按照国际无损检测界的规定(美国ASTM976号文件),使用0.5mmHB铅笔芯进行断铅试验,可以得到模拟断铅声源信号,并用砂纸和金属棒,在相同位置模拟出砂纸和敲击两种不同工况声源信号,选取敲击、砂纸和断铅模拟泄漏声发射信号中的任意两种或以上作为模拟泄漏声发射信号。
第二步:结构元素采用最简单的扁平结构元素g=[000],结构元素宽度L取决于分解尺度n,即L=2n+1,对原始信号f(x)进行多尺度形态分解,设分解尺度为n,则f(x)的多尺度形态分解信号为d1(x),d2(x),…,di(x),…,dn(x),其中,d1(x),d2(x),…,di(x),…,dn-1(x)为第1~n-1尺度上求得的高频信号,dn(x)为第n尺度上求得的低频信号;则有:其中计算方法如下:
其中,符号表示膨胀运算,符号Θ表示腐蚀运算,符号·表示闭运算,符号ο表示开运算;
第三步:各个尺度相应频段上的谱能量的计算公式如下:式中,M为数据窗;T为采样周期,x=kT,k为采样序数。那么多尺度形态分解能谱熵HE的计算式为:其中,表示信号在第i尺度的谱能量Ei占总能量 的概率;
第四步:在求取形态分解能谱熵的基础上,分别求取每一尺度所占能谱熵的比例,具体公式为:Pi=-pilnpi/HE,其中,pi的定义同上,HE为多尺度形态分解能谱熵,这样每组信号经过公式计算后得到不同尺度下的比例Pi(i=1,2,…,n),将所有的Pi组合起来,得到1×n维的特征向量矩阵P=[P1,P2,…,Pn],按照这个方法,可以求取每一组泄漏声发射信号的特征向量;
第五步:取每类信号的N1组特征向量作为训练集,剩余N2组特征向量作为测试集,选取最优C、γ值,进行SVM测试,得到分类识别结果;C代表惩罚因子参数,γ代表gamma函数,N1+N2=N。由上可知,选择合适的核函数和分类器参数可以得到识别正确率很高的分类结果。
本发明的有益效果是:
1、通过将泄漏声发射信号的类型识别问题转化为模式分类问题,在惩罚因子和γ参数选择合适的情况下,SVM对测试样本包含的声发射信息具有较强的分辨能力,可以同时区分敲击、砂纸、断铅信号,且识别正确率很高,可实现自动分类;
2、支持向量机对小样本数据具有较好的统计学习能力;
3、通过求声发射信号的多尺度分解能谱熵值,并分别求取每一尺度所占能谱熵的比例,能较好的反映声发射信号状态信息,可以将其作为声发射信号的特征向量。
附图说明
图1为本发明的流程图;
图2为本发明三种类型模拟泄漏声发射信号的时域波形图;
图3为本发明中敲击信号多尺度形态分解图;
图4为本发明中砂纸信号多尺度形态分解图;
图5为本发明中断铅信号多尺度形态分解图;
图6为本发明支持向量机的体系结构图;
图7为本发明SVM训练样本可视化图像。
具体实施方式
实施例1:如图1-7所示,一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法,首先采用数字声发射系统进行实验数据采集;对采集的模拟泄漏声发射信号进行多尺度形态分解,分别计算其在不同尺度上的谱能量,并计算能谱熵值;再计算每一尺度所占能谱熵的比例,将其组成特征向量;最后利用支持向量机对特征向量进行训练和测试。
所述方法的具体步骤如下:
Step1、声发射信号采集:通过数字声发射系统采集模拟泄漏声发射信号N组,信号记为f(x);
Step2、结构元素采用扁平结构元素g=[000],对信号f(x)进行多尺度形态分解;其中,分解尺度为n,则f(x)的多尺度形态分解信号为d1(x),d2(x),…,di(x),…,dn(x),d1(x),d2(x),…,di(x),…,dn-1(x)为第1~n-1尺度上求得的高频信号,dn(x)为第n尺度上求得的低频信号;
Step3、计算各个尺度相应频段上的谱能量Ei及多尺度形态分解能谱熵HE;其中,M为数据窗;T为采样周期,x=kT,k为采样序数,表示信号在第i尺度的谱能量Ei占总能量的概率;
Step4、在求取形态分解能谱熵的基础上,分别求取每一尺度所占能谱熵的比例Pi:Pi=-pilnpi/HE;每组信号经过公式计算后得到不同尺度下的比例Pi(i=1,2,…,n),将所有的Pi组合起来,得到1×n维的特征向量矩阵P=[P1,P2,…,Pn],按照这个方法,可以求取每一组泄漏声发射信号的特征向量;
Step5、取每类信号的N1组特征向量作为训练集,剩余N2组特征向量作为测试集,进行SVM测试,得到分类识别结果;其中,N1+N2=N。
所述模拟泄漏声发射信号选取敲击、砂纸和断铅模拟泄漏声发射信号中的任意两种或以上。
实施例2:如图1-7所示,一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法,首先采用数字声发射系统进行实验数据采集;对采集的模拟泄漏声发射信号进行多尺度形态分解,分别计算其在不同尺度上的谱能量,并计算能谱熵值;再计算每一尺度所占能谱熵的比例,将其组成特征向量;最后利用支持向量机对特征向量进行训练和测试。
所述方法的具体步骤如下:
Step1、声发射信号采集:通过数字声发射系统采集模拟泄漏声发射信号N组,信号记为f(x);
Step2、结构元素采用扁平结构元素g=[000],对信号f(x)进行多尺度形态分解;其中,分解尺度为n,则f(x)的多尺度形态分解信号为d1(x),d2(x),…,di(x),…,dn(x),d1(x),d2(x),…,di(x),…,dn-1(x)为第1~n-1尺度上求得的高频信号,dn(x)为第n尺度上求得的低频信号;
Step3、计算各个尺度相应频段上的谱能量Ei及多尺度形态分解能谱熵HE;其中,M为数据窗;T为采样周期,x=kT,k为采样序数,表示信号在第i尺度的谱能量Ei占总能量的概率;
Step4、在求取形态分解能谱熵的基础上,分别求取每一尺度所占能谱熵的比例Pi:Pi=-pilnpi/HE;每组信号经过公式计算后得到不同尺度下的比例Pi(i=1,2,…,n),将所有的Pi组合起来,得到1×n维的特征向量矩阵P=[P1,P2,…,Pn],按照这个方法,可以求取每一组泄漏声发射信号的特征向量;
Step5、取每类信号的N1组特征向量作为训练集,剩余N2组特征向量作为测试集,进行SVM测试,得到分类识别结果;其中,N1+N2=N。
实施例3:如图1-7所示,一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法,首先采用数字声发射系统进行实验数据采集;对采集的模拟泄漏声发射信号进行多尺度形态分解,分别计算其在不同尺度上的谱能量,并计算能谱熵值;再计算每一尺度所占能谱熵的比例,将其组成特征向量;最后利用支持向量机对特征向量进行训练和测试。
所述模拟泄漏声发射信号选取敲击、砂纸和断铅模拟泄漏声发射信号中的任意两种或以上。
实施例4:如图1-7所示,一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法,首先采用数字声发射系统进行实验数据采集;对采集的模拟泄漏声发射信号进行多尺度形态分解,分别计算其在不同尺度上的谱能量,并计算能谱熵值;再计算每一尺度所占能谱熵的比例,将其组成特征向量;最后利用支持向量机对特征向量进行训练和测试。
实施例5:如图1-7所示,一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法,首先采用数字声发射系统进行实验数据采集;对采集的模拟泄漏声发射信号进行多尺度形态分解,分别计算其在不同尺度上的谱能量,并计算能谱熵值;再计算每一尺度所占能谱熵的比例,将其组成特征向量;最后利用支持向量机对特征向量进行训练和测试。
具体为:
1、采用北京声华兴业科技有限公司生产的SAEU2S数字声发射系统进行实验数据采集,如实验每次采集1200个点作为一组信号,分别采集敲击、砂纸和断铅3种模拟泄露声发射信号各20组,信号记为f(x),每类声发射信号各列举一个,其时域波形分别如图2所示;
2、对原始信号f(x)进行6尺度形态分解,则f(x)的多尺度形态分解信号为d1,d2,…,d6,其中,d1(x),d2(x),…,di(x),…,d5(x)为第1-5尺度上求得的高频信号,d6(x)为第6尺度上求得的低频信号,每种类型信号各选取一组原始信号及6尺度分解后各尺度幅值,分别如图3、图4和图5所示;
3、每组信号可以求得一个谱熵,再按照求每一尺度所占比例的方法求得每一尺度上所占谱熵的比例,构成特征向量,其中每种类型信号求得20组特征向量,共求得60组特征向量,其中部分结果如表1所示。其中类型1代表敲击信号,类型2代表砂纸信号,类型3代表敲击信号。
表1部分特征向量参数
4、支持向量机的体系结构如图6所示,取每类信号的10组特征向量作为训练集,剩余特征向量作为测试集,选取最优C、γ值,进行SVM测试,得到分类识别结果,通过实验验证,C取值为20,γ取值为0.02时,分类正确率最高,图7展示的是训练样本的一个可视化的图,其中两条线代表两个最优超平面把样本分为3类,圆圈圈住的样本表示在最优超平面附近的样本,表2是具体的分类正确率,其中只有一个砂纸信号没有被分类正确,敲击信号和断铅信号的分类正确率都达到了100%。由此可见,选取合适的分类器参数可以有效对声发射信号类型进行分类。
表2识别正确率
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (3)
1.一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法,其特征在于:首先采用数字声发射系统进行实验数据采集;对采集的模拟泄漏声发射信号进行多尺度形态分解,分别计算其在不同尺度上的谱能量,并计算能谱熵值;再计算每一尺度所占能谱熵的比例,将其组成特征向量;最后利用支持向量机对特征向量进行训练和测试。
2.根据权利要求1所述的基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法,其特征在于:所述方法的具体步骤如下:
Step1、声发射信号采集:通过数字声发射系统采集模拟泄漏声发射信号N组,信号记为f(x);
Step2、结构元素采用扁平结构元素g=[000],对信号f(x)进行多尺度形态分解;其中,分解尺度为n,则f(x)的多尺度形态分解信号为d1(x),d2(x),…,di(x),…,dn(x),d1(x),d2(x),…,di(x),…,dn-1(x)为第1~n-1尺度上求得的高频信号,dn(x)为第n尺度上求得的低频信号;
Step3、计算各个尺度相应频段上的谱能量Ei及多尺度形态分解能谱熵HE;其中,M为数据窗;T为采样周期,x=kT,k为采样序数,表示信号在第i尺度的谱能量Ei占总能量的概率;
Step4、在求取形态分解能谱熵的基础上,分别求取每一尺度所占能谱熵的比例Pi:Pi=-pilnpi/HE;每组信号经过公式计算后得到不同尺度下的比例Pi(i=1,2,…,n),将所有的Pi组合起来,得到1×n维的特征向量矩阵P=[P1,P2,…,Pn],按照这个方法,可以求取每一组泄漏声发射信号的特征向量;
Step5、取每类信号的N1组特征向量作为训练集,剩余N2组特征向量作为测试集,进行SVM测试,得到分类识别结果;其中,N1+N2=N。
3.根据权利要求1或2所述的基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法,其特征在于:所述模拟泄漏声发射信号选取敲击、砂纸和断铅模拟泄漏声发射信号中的任意两种或以上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510822523.9A CN105469049A (zh) | 2015-11-24 | 2015-11-24 | 一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510822523.9A CN105469049A (zh) | 2015-11-24 | 2015-11-24 | 一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105469049A true CN105469049A (zh) | 2016-04-06 |
Family
ID=55606720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510822523.9A Pending CN105469049A (zh) | 2015-11-24 | 2015-11-24 | 一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105469049A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106500991A (zh) * | 2016-10-14 | 2017-03-15 | 石家庄铁道大学 | 基于自适应多尺度avgh变换的轴承故障信号特征提取方法 |
CN106845437A (zh) * | 2017-02-13 | 2017-06-13 | 常州大学 | 基于支持向量机回归的城市燃气管道泄漏定位方法 |
CN107505850A (zh) * | 2017-07-04 | 2017-12-22 | 南京航空航天大学 | 一种刀具换刀判断方法 |
CN109034088A (zh) * | 2018-08-06 | 2018-12-18 | 北京邮电大学 | 一种无人机信号探测方法及装置 |
CN109695821A (zh) * | 2019-01-21 | 2019-04-30 | 天津大学 | 一种基于幅度谱索引的加筋板泄漏定位方法 |
CN109816641A (zh) * | 2019-01-08 | 2019-05-28 | 西安电子科技大学 | 基于多尺度形态学融合的加权局部熵红外小目标检测方法 |
CN110044554A (zh) * | 2019-04-16 | 2019-07-23 | 重庆大学 | 一种基于声发射信号的金属压力容器泄漏的在线检测方法 |
CN110988802A (zh) * | 2019-11-11 | 2020-04-10 | 浙江大学 | 一种基于信号尺度分解的雷达辐射源识别系统 |
CN111444805A (zh) * | 2020-03-19 | 2020-07-24 | 哈尔滨工程大学 | 一种基于改进的多尺度小波熵数字信号调制识别方法 |
CN112347919A (zh) * | 2020-11-06 | 2021-02-09 | 中国矿业大学(北京) | 一种地下天然气微泄漏点的遥感探测方法 |
CN112488092A (zh) * | 2021-02-05 | 2021-03-12 | 中国人民解放军国防科技大学 | 基于深度神经网络的导航频段信号类型识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968641A (zh) * | 2012-10-31 | 2013-03-13 | 杭州电子科技大学 | 基于球均值李雅普诺夫指数和关联维的肌电信号识别方法 |
CN103163420A (zh) * | 2011-12-08 | 2013-06-19 | 沈阳工业大学 | 电力变压器智能在线状态评判方法 |
-
2015
- 2015-11-24 CN CN201510822523.9A patent/CN105469049A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103163420A (zh) * | 2011-12-08 | 2013-06-19 | 沈阳工业大学 | 电力变压器智能在线状态评判方法 |
CN102968641A (zh) * | 2012-10-31 | 2013-03-13 | 杭州电子科技大学 | 基于球均值李雅普诺夫指数和关联维的肌电信号识别方法 |
Non-Patent Citations (4)
Title |
---|
于蕊 等: "基于EMD与SVM的泄露声发射信号识别方法", 《计算机与应用化学》 * |
王冰 等: "基于多尺度形态分解谱熵的电机轴承预测特征提取及退化状态评估", 《振动与冲击》 * |
郝如江 等: "基于形态分析和支持向量机的轴承故障分类研究", 《振动与冲击》 * |
陈仕龙 等: "基于多尺度形态分解谱熵的雷击干扰与短路故障识别研究", 《昆明理工大学学报(自然科学版)》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106500991A (zh) * | 2016-10-14 | 2017-03-15 | 石家庄铁道大学 | 基于自适应多尺度avgh变换的轴承故障信号特征提取方法 |
CN106500991B (zh) * | 2016-10-14 | 2019-03-26 | 石家庄铁道大学 | 基于自适应多尺度AVG-Hat变换的轴承故障信号特征提取方法 |
CN106845437A (zh) * | 2017-02-13 | 2017-06-13 | 常州大学 | 基于支持向量机回归的城市燃气管道泄漏定位方法 |
CN107505850A (zh) * | 2017-07-04 | 2017-12-22 | 南京航空航天大学 | 一种刀具换刀判断方法 |
CN107505850B (zh) * | 2017-07-04 | 2021-06-22 | 南京航空航天大学 | 一种刀具换刀判断方法 |
CN109034088A (zh) * | 2018-08-06 | 2018-12-18 | 北京邮电大学 | 一种无人机信号探测方法及装置 |
CN109816641B (zh) * | 2019-01-08 | 2021-05-14 | 西安电子科技大学 | 基于多尺度形态学融合的加权局部熵红外小目标检测方法 |
CN109816641A (zh) * | 2019-01-08 | 2019-05-28 | 西安电子科技大学 | 基于多尺度形态学融合的加权局部熵红外小目标检测方法 |
CN109695821A (zh) * | 2019-01-21 | 2019-04-30 | 天津大学 | 一种基于幅度谱索引的加筋板泄漏定位方法 |
CN110044554A (zh) * | 2019-04-16 | 2019-07-23 | 重庆大学 | 一种基于声发射信号的金属压力容器泄漏的在线检测方法 |
CN110988802A (zh) * | 2019-11-11 | 2020-04-10 | 浙江大学 | 一种基于信号尺度分解的雷达辐射源识别系统 |
CN111444805A (zh) * | 2020-03-19 | 2020-07-24 | 哈尔滨工程大学 | 一种基于改进的多尺度小波熵数字信号调制识别方法 |
CN111444805B (zh) * | 2020-03-19 | 2023-03-17 | 哈尔滨工程大学 | 一种基于改进的多尺度小波熵数字信号调制识别方法 |
CN112347919A (zh) * | 2020-11-06 | 2021-02-09 | 中国矿业大学(北京) | 一种地下天然气微泄漏点的遥感探测方法 |
CN112488092A (zh) * | 2021-02-05 | 2021-03-12 | 中国人民解放军国防科技大学 | 基于深度神经网络的导航频段信号类型识别方法及系统 |
CN112488092B (zh) * | 2021-02-05 | 2021-08-24 | 中国人民解放军国防科技大学 | 基于深度神经网络的导航频段信号类型识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105469049A (zh) | 一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法 | |
CN112858473B (zh) | 一种基于特征融合的道岔尖轨伤损状态监测方法 | |
CN105488520A (zh) | 基于多分辨奇异谱熵和svm的泄漏声发射信号识别方法 | |
Mashford et al. | An approach to leak detection in pipe networks using analysis of monitored pressure values by support vector machine | |
Li et al. | Damage detection of bridges using response of vehicle considering road surface roughness | |
CN105004498A (zh) | 一种水电机组的振动故障诊断方法 | |
Yang et al. | Vibration test of single coal gangue particle directly impacting the metal plate and the study of coal gangue recognition based on vibration signal and stacking integration | |
Hasan et al. | Multi-sensor fusion-based time-frequency imaging and transfer learning for spherical tank crack diagnosis under variable pressure conditions | |
Gunn et al. | On validating numerical hydrodynamic models of complex tidal flow | |
CN204177718U (zh) | 评价交流杂散电流干扰下油气管线腐蚀的电化学测试系统 | |
CN109387565A (zh) | 一种通过分析声音信号检测刹车片内部缺陷的方法 | |
CN107590321A (zh) | 一种管道振动响应的整体测量方法 | |
CN105954695A (zh) | 一种基于同步的同质传感器突变参数识别方法与装置 | |
CN105019482B (zh) | 一种用于隧道悬挂风机基础稳定性在线监测方法及系统 | |
Liu et al. | Flow regime identification for air valves failure evaluation in water pipelines using pressure data | |
WO2006074441A3 (en) | Quantifying graphic features of handwriting for analysis | |
CN103995147B (zh) | 一种适用于声学多普勒流速仪的数据后处理系统与应用 | |
CN104964736B (zh) | 基于时频特性最大期望分类的光纤入侵振源识别方法 | |
Zhang et al. | Extraction of pipeline defect feature based on variational mode and optimal singular value decomposition | |
Liu et al. | Fuzzy pattern recognition of impact acoustic signals for nondestructive evaluation | |
Jung et al. | Damage detection on an aluminum plate from the cross-correlation of diffuse field using the support vector machine | |
CN105891339B (zh) | 利用冲击映像法检测岩土工程介质缺陷的方法、装置及系统 | |
Ying | A data-driven framework for ultrasonic structural health monitoring of pipes | |
Sun et al. | Application of information processing technology on non-destructive detecting of rock bolts | |
Hua et al. | Coal-rock interface recognition method based on dimensionless parameters and support vector machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160406 |