CN112697887B - 基于神经网络的超声检测缺陷定性识别方法 - Google Patents
基于神经网络的超声检测缺陷定性识别方法 Download PDFInfo
- Publication number
- CN112697887B CN112697887B CN202011441675.1A CN202011441675A CN112697887B CN 112697887 B CN112697887 B CN 112697887B CN 202011441675 A CN202011441675 A CN 202011441675A CN 112697887 B CN112697887 B CN 112697887B
- Authority
- CN
- China
- Prior art keywords
- signal
- noise
- noise reduction
- neural network
- algorithm
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于神经网络的超声检测缺陷定性识别方法,采用小波分析算法中小波包阈值降噪算法对损伤信号进行预处理,尽可能地保留首个固有模态分量中的有用信号,再利用互补集合经验模态分解算法对信号进行模态分解,进行软阈值降噪和rigrsure规则降噪,最后再对处理后的两部分固有模态分量进行叠加重构,就可以得到最终的信号,其次提取不同损伤状况的特征向量组成多变量插值的径向基函数的学习样本。本发明可以对采集到的信号进行降噪处理,收敛速度较快,简单有效,经过学习训练后的径向基函数神经网络具有超声检测缺陷定性识别的能力,能准确地识别器件损伤及损伤程度大小,并能实现损伤定位。
Description
技术领域
本发明涉及一种基于神经网络的超声检测缺陷定性识别方法,尤其涉及回波信号的处理和器件的损伤检测,属于损伤信号识别处理技术领域。
背景技术
随着现代工业的发展,许多设备、器件等制品变得更加精密,其生产和加工过程也就更加复杂,且往往不能精确控制其技术参数,会在产品内部和表面产生一定的缺陷,进而影响产品的使用性能甚至安全性。因此,产品能否安全应用的关键在于,对内部及表面缺陷的合理检测,以及避免使用存在潜在危险缺陷的产品,通常人们会对产品进行无损检测以确定其可用性及安全性。
现有技术中,对器件的检测一般采用声发射法,检测声波一般采用Lamb波,由于Lamb波对损伤较敏感,且分析较容易,一般采用短时傅立叶变换、小波变换及上述的HHT变换等方法。常规傅里叶分析理论在时频联合分析方面存在局限,只能简单的将时域信号转化为频域信号,而不能得到具体频率段数据出现的时间,这在数据处理中具有严重弊端;HHT变换在分解复杂信号时存在求解结果精度不高、计算时间长的不足,同时还存在边端效应、越界问题、停止准则和虚假低频成分过滤的问题。短时傅里叶变换在提取包络时对设定的频率处效果较好,对其他频率的信号处理效果较差。小波变换能将数据分为n段处理,但是单纯的小波变换不够智能,需要专业人士才能识别信号,在超声无损检测中,噪声往往夹杂在有用信号中,因而得到缺陷信息的关键在于要对回波信号进行降噪。对比RBF网络和BP网络的误差收敛曲线不难发现,RBF网络训练简洁而且学习收敛速度快,而BP网络的训练时间大大多于RBF网络,比RBF网络慢很多。
发明内容
本发明的目的在于提供一种基于神经网络的超声检测缺陷定性识别方法在对超声回波信号进行降噪的基础上,基于RBF神经网络的超声检测缺陷定性识别方法。实现器件损伤识别和定位,以及损伤程度的判定。
本发明为解决上述技术问题采用以下技术方案:
一种基于神经网络的超声检测缺陷定性识别方法,包括以下步骤:
步骤一、采集含噪超声信号;
步骤二、采用小波分析算法中小波包阈值降噪算法对含噪信号进行预处理,再经过互补集合经验模态分解即CEEMD分解降噪;
步骤三、选取径向基函数即RBF神经网络学习样本,并建立损伤识别RBF神经网络模型;
步骤四、超声信号损伤输出:经过M次训练后RBF神经网络达到收敛,基于学习训练好RBF神经网络对器件进行损伤检测,并输出损伤结果。
作为本发明所述的基于神经网络的超声检测缺陷定性识别方法,步骤二中对含噪信号进行CEEMD分解降噪的步骤为:
1)向含噪信号中加入一对正负白噪声组成的辅助白噪声,生成有用信号和噪声信号两个信号;
2)对步骤1)中的有用信号和噪声信号分别进行经验模态分解即EMD分解,得到两组固有模态函数IMF分量,这些IMF分量都是以频率大小排列整齐的,对应着不同的频率特征,每组n个IMF;
3)根据设置的CEEMD分解次数N,重复N次步骤1)和步骤2),每次加入的都是一组随机的辅助白噪声;
4)将得到的2N组IMF分量进行平均,即得到经过CEEMD分解后生成的n个IMF。
上述的一种基于神经网络的超声检测缺陷定性识别方法,所述步骤2),
对于超声回波信号的EMD降噪算法的改进,利用超声信号回波数学模型来检验算法的效果,选取一个带有高斯白噪声的三重回波信号作为原始含噪信号,然后使用小波包降噪算法对其进行处理,再经过CEEMD分解为一系列固有模态分量,利用归一化自相关函数的特性,确定一个临界的固有模态分量,将其全部分为噪声主导部分和有用信号主导的两部分,接着对这两部分固有模态分量分别进行软阈值降噪和rigrsure规则降噪,最后再对处理后的两部分固有模态分量进行叠加重构,得到最终的信号。
上述的一种基于神经网络的超声检测缺陷定性识别方法,所述步骤3),
通过CEEMD算法进行模态分解后,得到一系列IMF,对噪声主导模态进行软阈值降噪,选取合适的阈值函数是阈值去噪的一个关键环节,传统软阈值函数如下所示,当系数的绝对值大于或等于阈值时,新的系数为原来的系数与阈值之差,否则将其全部置零;
其中djk是超声回波信号的分解系数,δ为阈值门限,针对传统的软阈值函数存在恒定偏差的问题,本发明提出了一种改进的软阈值函数,通过公式推导,增加衰减系数ε(0.95<ε<1),使之整体减少震荡,达到快速收敛的目的,改进的软阈值函数如下所示:
将软阈值函数和改进的软阈值函数用MATLAB绘制,考察改进的软阈值函数式(2)当djk≥δ,函数式如公式(3)所示,
当djk≥δ时,通过求解函数的左右极限可知,该函数以为渐近线,随着djk的增大,逐渐接近djk,即重构的系数与真实的系数之间偏差逐渐的减小,解决了软阈值函数与djk之间的存在恒定偏差的问题;当djk=±δ,在djk<δ时,即重构的系数全部被置为零和规则阈值法相当,该函数可以根据不同分解尺度下的不同阈值δ,自动调整重构的系数,从而更加精确的重构原信号。
上述的一种基于神经网络的超声检测缺陷定性识别方法,所述步骤三,
去噪分析的基础上,探讨人工神经网络在超声检测缺陷定性识别中的应用,以步骤二获取的敏感特征组作为其输入,实现超声缺陷的初步识别,
①将超声检测缺陷频谱能量特征表中数据进行分组,组成为训练样本集和测试样本集。
②用训练样本集训练构造好的三层RBF神经网络,RBF网络的原理如下:当输入向量加到网络输入端时,径向基层的每个神经元都会输出一个值,代表输入向量和神经元权值之间的接近程度。如果输入向量和权值向量差不多,则径向基层的输出接近于0,经过第二层的线性神经元,输出也接近于0;如果输入向量和权值向量很接近,则径向基层的输出接近于1,经过第二层的线性神经元,输出值更接近第二层权值。在这个过程中,如果只有一个径向基神经元的输出为1,而其他的神经元的输出均为0或接近0,那么线性神经元层的输出就相当于输出为1的神经元对应的第二层权值的值。直到满足设定的目标误差要求。
③用测试样本集对训练完成的RBF网络进行检验,验证网络的有效性。
方案与现有技术相比,具有以下具有以下优点和突出性效果:
1.本发明对回波信号的处理,采用基于波小分析算法中小波包阈值降噪算法对含噪信号进行预处理,再经过CEEMD分解降噪;有效去除噪声信号的同时,能保留更多的有用信号;
2.本发明基于小波分析和RBF神经网络的器件损伤检测方法解决了现有技术中常用单一小波分析损伤信号方法无法同时实现损伤识别、定位以及程度大小判定的问题,以及单一神经网络分析损伤信号时无法去除提取信号中的噪声问题,本发明能够放大信号分析信号的局部特征,具有很好的时频局部特性,能够获得比传统分析方法更多的信号特征;
3.现有技术中常用BP神经网络,本发明基于RBF神经网络,RBF网络在训练过程中通过自动增加隐层节点个数以达到精度要求,训练速度快、识别正确率高,网络的分类性能最优,对比RBF网络和BP网络的误差收敛曲线不难发现,RBF网络训练简洁而且学习收敛速度快,而BP网络的训练时间大大多于RBF网络,比RBF网络慢很多。
附图说明
图1是本发明的算法流程图;
图2是本发明的高斯-牛顿算法流程图;
图3是本发明的RBF网络的训练流程图;
图4是本发明的超声检测缺陷诊断流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
本发明提出一种基于神经网络的超声检测缺陷定性识别方法。
采集含噪超声信号;采用小波分析算法中小波包阈值降噪算法对含噪信号进行预处理,向含噪信号中加入一对正负白噪声组成的辅助白噪声,生成有用信号和噪声信号两个新的信号;分别进行经验模态分解即EMD分解,得到两组固有模态函数IMF分量,这些IMF分量都是以频率大小排列整齐的,对应着不同的频率特征,每组n个IMF;根据设置的CEEMD分解次数N,重复N次,每次加入的都是一组随机的辅助白噪声;将得到的2N组IMF分量进行平均,即得到经过CEEMD分解后生成的n个IMF。对CEEMD降噪算法进行改进,提出了基于CEEMD和小波包的降噪算法。目前对于超声回波信号的降噪算法的改进,往往利用超声信号回波数学模型来检验算法的效果,选取一个带有高斯白噪声的三重回波信号作为原始含噪信号,然后使用小波包降噪算法对其进行处理,再经过CEEMD分解为一系列固有模态分量,利用归一化自相关函数的特性,确定一个临界的固有模态分量,就能够将其全部分为噪声主导部分和有用信号主导的两部分,接着对这两部分固有模态分量分别进行软阈值降噪和rigrsure规则降噪,最后再对处理后的两部分固有模态分量进行叠加重构,就可以得到最终的信号。算法流程图如图1所示。
通过CEEMD算法进行模态分解后,得到一系列IMF,对噪声主导模态进行软阈值降噪,选取合适的阈值函数是阈值去噪的一个关键环节,传统软阈值函数如下所示,当多小波系数的绝对值大于或等于阈值时,新的系数为原来的系数与阈值之差,否则将其全部置零。
其中djk是超声回波信号的分解系数,δ为阈值门限,针对传统的软阈值函数存在恒定偏差的问题,本发明提出了一种改进的软阈值函数,通过公式推导,增加衰减系数ε(0.95<ε<1),使之整体减少震荡,达到快速收敛的目的。改进的软阈值函数如下所示:
将软阈值函数和改进的软阈值函数用MATLAB绘制。考察改进的软阈值函数式(2)当djk≥δ,函数式如公式(3)所示,
当djk≥δ时,通过求解函数的左右极限可知,该函数以为渐近线,随着djk的增大,逐渐接近djk,即重构的系数与真实的系数之间偏差逐渐的减小,解决了软阈值函数与djk之间的存在恒定偏差的问题;当djk=±δ,在djk<δ时,即重构的系数全部被置为零和规则阈值法相当,该函数可以根据不同分解尺度下的不同阈值δ,自动调整重构的系数,从而更加精确的重构原信号。
超声回波信号的另一个技术难点是对降噪后得到的信号进行参数估计,由于超声回波信号包含了许多缺陷特性信息,因此带宽(α)、中心频率(fc)、幅值(β)、相位(φ)以及回波信号的渡越时间(TOF)就显得十分重要,也就是说,通过参数估计得到这些回波信息,就可以继而掌握缺陷的大小、位置和形状等情况,作出进一步的判断。在实际的工程应用中,人们往往会利用超声回波信号的数学模型来逼近实际信号以估计得到其各项参数。
常用的参数估计的数学工具有:
(1)高斯-牛顿算法。该方法的一般流程是:首先构造目标最小二乘函数,再将经过离散处理的超声回波高斯数学模型与超声信号采集装置接收到的实际信号通过最小二乘法,得到:
其中,实际采样点数为N,超声回波信号采集装置接收到的实际信号为yk,而θk代表了迭代k次的参数,随后利用高斯-牛顿算法求得最佳θk,流程图如图2高斯-牛顿算法流程图所示。
(2)非线性最小二乘法
常用的估计非线性静态数学模型参数的方法是非线性最小二乘法,是利用误差求得的平方和最小准则来进行最优解求解的方法,在任一非线性系统Y=f(x,θ)中,Y代表系统输出,x代表系统输入,θ是系统的参数向量,其非线性指的是对参数向量θ的非线性描述。
进行参数估计时,已知系统模型为f,做N次实验仿真得(x1,y1),(x2,y2),...,(xN,yN),再利用数学模型的误差平方和来进行参数估计,公式为:
因此,非线性最小二乘法的目标就是求得令Q为极小值时的参数值,即为参数的估计值,而高斯回波模型下的参数估计选择高斯-牛顿算法较为精确。
基于包络的算法,由于信号的包络中已经包含有信号最重要的信息:频率、幅值、带宽、传播时间,且利用包络来进行参数估计比用高斯模型逼近的方法更加方便快捷,也不会损失精度,故可以求得信号包络,来进行参数估计。
Hilbert变换是求信号包络最经典的方法,但对信号有着一定的要求,在满足Bedrosian乘积定理的前提下使用才不会造成精度上的损失。除此之外,还有Mandelstam法、Shekel法、Prony法、能量算子等信号解调方法也可以提取信号包络。我在参数估计算法中进行了一定的改进,基于能量算子使用简便灵活,误差较小的特点,利用能量算子进行信号包络的求解,来完成超声回波参数的估计。
在去噪分析的基础上,探讨人工神经网络在超声检测缺陷定性识别中的应用。详细推导RBF神经网络的学习算法,给出RBF网络的不足和改进方法。研究超声缺陷信号的小波包频谱能量特征提取方法,提取出不同缺陷的特征向量值。结合CEEMD性能更佳的时频分析能力和RBF神经网络良好的分类能力、泛化能力,提出了一种提出了一种基于小波包频谱能量特征,CEEMD时频分析算法和RBF神经网络相结合的缺陷定性识别方法。
RBF网络的工作原理可以概括如下:当输入向量加到网络输入端时,径向基层的每个神经元都会输出一个值,代表输入向量和神经元权值之间的接近程度。如果输入向量和权值向量差不多,则径向基层的输出接近于0,经过第二层的线性神经元,输出也接近于0;如果输入向量和权值向量很接近,则径向基层的输出接近于1,经过第二层的线性神经元,输出值更接近第二层权值。在这个过程中,如果只有一个径向基神经元的输出为1,而其他的神经元的输出均为0或接近0,那么线性神经元层的输出就相当于输出为1的神经元对应的第二层权值的值。
综上所述,基于RBF网络的缺陷分类实质上是利用其强大的非线性处理能力,将缺陷样本的特征空间映射到缺陷类型空间中,如图所示,从而形成一个具有较强容错能力和结构自适应能力的识别网络系统如图3RBF网络的训练流程图所示。
①将超声检测缺陷频谱能量特征表中数据进行分组,组成为训练样本集和测试样本集。
②用训练样本集训练构造好的三层RBF神经网络,直到满足设定的目标误差要求。
③用测试样本集对训练完成的RBF网络进行检验,验证网络的有效性。超声检测缺陷诊断流程如图4超声检测缺陷诊断流程所示。
除上述实施例外,本发明还可以有其他实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围内。
Claims (1)
1.一种基于神经网络的超声检测缺陷定性识别方法,其特征在于,包括以下步骤:
步骤一、采集含噪超声信号;
步骤二、采用小波分析算法中小波包阈值降噪算法对含燥信号进行预处理,再经过互补集合经验模态分解即CEEMD分解降噪;对含噪信号进行CEEMD分解降噪的步骤为:
1)向含噪信号中加入一对正负白噪声组成的辅助白噪声,生成有用信号和噪声信号两个信号;
2)对步骤1)中的有用信号和噪声信号分别进行经验模态分解即EMD分解,得到两组固有模态函数IMF分量,这些IMF分量都是以频率大小排列整齐的,对应着不同的频率特征,每组n个IMF;
对于超声回波信号的EMD降噪算法的改进,利用超声信号回波数学模型来检验算法的效果,选取一个带有高斯白噪声的三重回波信号作为原始含噪信号,然后使用小波包降噪算法对其进行处理,再经过CEEMD分解为一系列固有模态分量,利用归一化自相关函数的特性,确定一个临界的固有模态分量,将其全部分为噪声主导部分和有用信号主导的两部分,接着对这两部分固有模态分量分别进行软阈值降噪和rigrsure规则降噪,最后再对处理后的两部分固有模态分量进行叠加重构,得到最终的信号;
3)根据设置的CEEMD分解次数N,重复N次步骤1)和步骤2),每次加入的都是一组随机的辅助白噪声;
通过CEEMD算法进行模态分解后,得到一系列IMF,对噪声主导模态进行软阈值降噪,选取合适的阈值函数,增加衰减系数ε,0.95<ε<1,减少震荡,达到快速收敛的目的,改进的软阈值函数如下所示:
将软阈值函数和改进的软阈值函数用MATLAB绘制,考察改进的软阈值函数式(2)当|djk|≥δ,函数式如公式(3)所示,
当|djk|≥δ时,通过求解函数的左右极限可知,该函数以为渐近线,随着djk的增大,逐渐接近djk,即重构的系数与真实的系数之间偏差逐渐的减小,解决了软阈值函数与djk之间的存在恒定偏差的问题;当djk=±δ,在|djk|<δ时,即重构的系数全部被置为零和规则阈值法相当;
4)将得到的2N组IMF分量进行平均,即得到经过CEEMD分解后生成的n个IMF;
步骤三、选取径向基函数即RBF神经网络学习样本,并建立损伤识别RBF神经网络模型;
以步骤二获取的敏感特征组作为其输入,实现超声缺陷的初步识别,
①将超声检测缺陷频谱能量特征表中数据进行分组,组成为训练样本集和测试样本集;
②用训练样本集训练构造好的三层RBF神经网络;
③用测试样本集对训练完成的RBF网络进行检验,验证网络的有效性;
步骤四、超声信号损伤输出:经过M次训练后RBF神经网络达到收敛,基于学习训练好RBF神经网络对器件进行损伤检测,并输出损伤结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011441675.1A CN112697887B (zh) | 2020-12-08 | 2020-12-08 | 基于神经网络的超声检测缺陷定性识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011441675.1A CN112697887B (zh) | 2020-12-08 | 2020-12-08 | 基于神经网络的超声检测缺陷定性识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112697887A CN112697887A (zh) | 2021-04-23 |
CN112697887B true CN112697887B (zh) | 2023-05-02 |
Family
ID=75507809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011441675.1A Active CN112697887B (zh) | 2020-12-08 | 2020-12-08 | 基于神经网络的超声检测缺陷定性识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112697887B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113533511B (zh) * | 2021-06-29 | 2022-09-16 | 北京交通大学 | 基于深度学习网络模型的钢轨焊缝监测方法 |
CN113884567B (zh) * | 2021-06-29 | 2023-12-08 | 北京交通大学 | 基于超声Lamb波的钢轨焊缝损伤检测方法和装置 |
CN114224387B (zh) * | 2021-11-02 | 2023-09-29 | 华南理工大学 | 基于超声多径信道特征参数感知的体脂率测量方法 |
CN114111657B (zh) * | 2021-11-11 | 2024-06-04 | 国网辽宁省电力有限公司检修分公司 | 一种均压电极结垢厚度检测系统及操作方法 |
CN114220164B (zh) * | 2021-11-19 | 2024-08-06 | 江苏科技大学 | 一种基于变分模态分解和支持向量机的手势识别方法 |
CN114333773A (zh) * | 2021-12-10 | 2022-04-12 | 重庆邮电大学 | 一种基于自编码器的工业场景异常声音检测与识别方法 |
CN114330435A (zh) * | 2021-12-27 | 2022-04-12 | 哈尔滨工业大学 | 一种基于动态权重小波系数深度残余网络的复合材料缺陷检测方法 |
CN114601477A (zh) * | 2022-03-14 | 2022-06-10 | 哈尔滨理工大学 | 一种基于小波与改进rbfnn的abr信号提取方法 |
CN114722885B (zh) * | 2022-06-09 | 2022-08-16 | 山东山矿机械有限公司 | 托辊搬运小车运行异常智能检测方法及系统 |
CN114970642A (zh) * | 2022-06-24 | 2022-08-30 | 北京理工大学 | 一种用于加速度计测试的激光多普勒测速仪信号降噪方法 |
CN115655887B (zh) * | 2022-11-01 | 2023-04-21 | 广东建设职业技术学院 | 一种混凝土强度的预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104121900B (zh) * | 2014-04-15 | 2017-02-01 | 东南大学 | 基于二代小波变换与lms的光纤陀螺信号去噪算法 |
CN105094111B (zh) * | 2015-04-09 | 2017-12-05 | 南京航空航天大学 | 基于联合降噪和经验模态分解的控制系统健康状态分析方法 |
CN107036817B (zh) * | 2017-04-05 | 2019-03-08 | 哈尔滨理工大学 | 基于磷虾群算法的svr滚动轴承性能衰退预测方法 |
CN107121501A (zh) * | 2017-04-25 | 2017-09-01 | 天津大学 | 一种汽轮机叶轮缺陷分类方法 |
CN108491355A (zh) * | 2018-02-05 | 2018-09-04 | 南京邮电大学 | 一种基于ceemd与小波包的超声信号降噪方法 |
CN108896996B (zh) * | 2018-05-11 | 2019-09-20 | 中南大学 | 一种基于随机森林的铅锌矿吸水井泥水界面超声波回波信号分类方法 |
CN110931039A (zh) * | 2019-08-01 | 2020-03-27 | 中国人民解放军63893部队 | 一种基于小波的无线语音降噪装置及方法 |
-
2020
- 2020-12-08 CN CN202011441675.1A patent/CN112697887B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112697887A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112697887B (zh) | 基于神经网络的超声检测缺陷定性识别方法 | |
CN108426713B (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN106546818B (zh) | 一种基于差分非线性模式分解的谐波信号检测方法 | |
CN106226407B (zh) | 一种基于奇异谱分析的超声回波信号在线预处理方法 | |
CN102721545B (zh) | 一种基于多特征参量的滚动轴承故障诊断方法 | |
CN103033567B (zh) | 一种基于导波的管道缺陷信号识别方法 | |
CN106646121B (zh) | 一种配电网故障行波波头的辨识方法 | |
CN103149514B (zh) | 一种gis内多绝缘缺陷模式识别方法 | |
CN112834878B (zh) | 一种变压器局部放电的缺陷类型识别方法及系统 | |
CN102736070A (zh) | 一种基于希尔伯特黄变换的风廓线雷达去噪方法 | |
CN113472390A (zh) | 一种基于深度学习的跳频信号参数估计方法 | |
Yang et al. | A new singular spectrum decomposition method based on cao algorithm and amplitude aware permutation entropy | |
CN111985342B (zh) | 一种基于经验模态分解的海杂波时间相关性分析方法 | |
CN113514743A (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
CN107248869B (zh) | 一种基于吕分布的多分量线性调频信号去噪方法 | |
CN113158907A (zh) | 基于小波和混沌理论的微弱舰船辐射特征信号检测方法 | |
CN112688324A (zh) | 基于FastICA与TLS-ESPRIT的电力系统低频振荡模态辨识方法 | |
CN106980722A (zh) | 一种脉冲响应中谐波成分的检测和去除方法 | |
CN103971012B (zh) | 一种基于赛利斯模型和分数阶微分的兰姆波信号消噪方法 | |
CN110160778A (zh) | 基于序贯假设检验的齿轮箱故障状态识别方法 | |
Huang et al. | Research on weak signal detection method for power system fault based on improved wavelet threshold | |
Veeraiyan et al. | Frequency domain based approach for denoising of underwater acoustic signal using EMD | |
Peng et al. | Detection of Weak Ship Radiation Characteristic Signal based on Wavelet and Chaos Array | |
Xiao | A new wavelet coefficients correlation denoising method applied in fault detection | |
Yan et al. | Research on fault diagnosis method of bogie bearing based on microphone arrays |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |