CN115200797B - 一种用于零泄露阀的泄露检测系统 - Google Patents
一种用于零泄露阀的泄露检测系统 Download PDFInfo
- Publication number
- CN115200797B CN115200797B CN202211133549.9A CN202211133549A CN115200797B CN 115200797 B CN115200797 B CN 115200797B CN 202211133549 A CN202211133549 A CN 202211133549A CN 115200797 B CN115200797 B CN 115200797B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- imf component
- acoustic emission
- emission signal
- imf
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000001914 filtration Methods 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 22
- 230000000694 effects Effects 0.000 description 21
- 230000008859 change Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- PUZPDOWCWNUUKD-UHFFFAOYSA-M sodium fluoride Chemical compound [F-].[Na+] PUZPDOWCWNUUKD-UHFFFAOYSA-M 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
- G01M3/24—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G06T5/70—
Abstract
本发明涉及一种用于零泄露阀的泄露检测系统,属于泄露检测技术领域。该方法包括:获取原始声发射信号的各IMF分量;根据IMF分量,得到二维重构图像上各像素点的灰度值;根据各像素点对应的初始窗口内各像素点的灰度值,得到各像素点对应的目标窗口;计算原始声发射信号与各IMF分量之间的相关性系数以及各像素点对应的各关联目标窗口;根据相关性系数,得到各像素点对应的各关联目标窗口的信息权重值;根据信息权重值,得到各像素点的目标线性参数;根据目标线性参数,得到去噪后的原始声发射信号;根据去噪后的原始声发射信号,判断待检测零泄露阀是否存在泄漏。本发明能较可靠的实现对零泄露阀泄露的检测。
Description
技术领域
本发明涉及泄露检测技术领域,具体涉及一种用于零泄露阀的泄露检测系统。
背景技术
阀门是流体管路的控制装置,其中零泄露阀更是广泛的被使用于石油、电力、冶金、航空航天行业中。在零泄露阀门使用过程中,因阀门的磨损等原因会出现泄露等情况,从而引起生产事故,影响生产效率,造成经济损失和资源的浪费,更严重的可能危及工作人员的生命安全,因此对零泄露阀的泄露进行检测至关重要。
现有技术中一般基于声发射检测技术来实现零泄露阀的泄露检测,并且主要基于声发射信号实现泄露的检测,虽然声发射检测技术是一种新型的零泄露阀泄露无损检测技术,但是在采集声发射信号的过程中极容易受到环境噪声、机械噪声和流体流动噪声的影响,而现有技术中对采集的声发射信号进行去噪的方法一般是利用传统的EMD分解算法将信号分解为多个IMF分量,然后基于传统的引导滤波算法,对每个IMF分量进行去噪,但是去除噪声主导的IMF分量,会造成信息的丢失,而传统的引导滤波算法中是利用一个固定的窗口大小进行分析,没有考虑数据分布特性来调整窗口大小,这种情况会导致去噪效果较差,因此现有的对声发射信号进行去噪的方法不仅去噪效果较差而且会造成信息的丢失,进而导致对零泄露阀进行泄露检测时容易出现错误的判定。
发明内容
本发明提供一种用于零泄露阀的泄露检测系统,用于解决现有方法对零泄露阀进行泄露检测时容易出现错误判定的问题,所采用的技术方案具体如下:
本发明实施例提供了一种用于零泄露阀的泄露检测系统,包括处理器和存储器,所述处理器执行所述存储器存储的计算机程序以实现如下步骤:
利用声发射传感器采集待检测零泄露阀的原始声发射信号;
利用EMD分解算法对原始声发射信号进行分解,得到原始声发射信号对应的各IMF分量;
根据所述各IMF分量,得到二维重构图像以及二维重构图像上各像素点的灰度值;
获取所述二维重构图像上各像素点对应的初始窗口;根据各像素点对应的初始窗口内各像素点的灰度值,得到所述二维重构图像上各像素点的灰度差异性;根据所述各像素点的灰度差异性,对所述各像素点对应的初始窗口进行调整,得到所述各像素点对应的目标窗口;
计算所述原始声发射信号与各IMF分量之间的相关性系数;获取各像素点对应的各关联目标窗口;根据所述相关性系数,得到各像素点对应的各关联目标窗口的信息权重值;根据所述信息权重值,得到各像素点对应的引导滤波的目标线性参数;
根据所述目标线性参数,利用引导滤波算法进行去噪,得到去噪后的二维重构图像;利用EMD分解算法对去噪后的二维重构图像进行分解,得到去噪后的各IMF分量;将去噪后的各IMF分量进行信号重构,得到去噪后的原始声发射信号;根据去噪后的原始声发射信号,判断待检测零泄露阀是否存在泄漏。
优选的,所述各IMF分量由多个数据点构成,每个数据点对应两个参数,分别为时间和幅值。
优选的,得到二维重构图像以及二维重构图像上各像素点的灰度值的方法,包括:
对各IMF分量上的各数据点的幅值进行归一化处理,将归一化后的结果与255相乘的结果记为各特征IMF分量上的各数据点的特征值;
按照频率由高到低的顺序对各特征IMF分量进行排列,得到特征IMF分量序列;
将特征IMF分量序列中每个特征IMF分量作为一行图像数据序列,得到二维重构图像,将特征IMF分量序列中第a个特征IMF分量上的第b个数据点的特征值作为二维重构图像上第a行第b列像素点的灰度值;所述二维重构图像上的第a行的数据与特征IMF分量序列中第a个特征IMF分量相对应;所述二维重构图像为N行M列,所述特征IMF分量的数量、IMF分量的数量以及二维重构图像的行数均为N,所述原始声发射信号上的数据点数量、IMF分量上的数据点数量、特征IMF分量上的数据点数量以及二维重构图像的列数均为M。
优选的,获取所述二维重构图像上各像素点对应的初始窗口;根据各像素点对应的初始窗口内各像素点的灰度值,得到所述二维重构图像上各像素点的灰度差异性;根据所述各像素点的灰度差异性,对所述各像素点对应的初始窗口进行调整,得到所述各像素点对应的目标窗口的方法,包括:
获取以二维重构图像上各像素点为中心的窗口,记为各像素点对应的初始窗口,所述初始窗口为3*3;
计算各像素点对应的初始窗口内各像素点的灰度值的均值,记为各像素点对应的特征均值;
根据各像素点对应的初始窗口内各像素点的灰度值以及各像素点对应的特征均值,得到二维重构图像上各像素点的灰度差异性;
根据各像素点的灰度差异性,得到各像素点对应的目标窗口的尺寸;
优选的,根据如下公式计算二维重构图像上各像素点的灰度差异性:
其中,为二维重构图像上第i个像素点的灰度差异性,th( )为双曲正切函数,为二维重构图像上第i个像素点对应的特征均值,为二维重构图像上第i个像素点对应的初始窗口中的第j个像素点的灰度值,为二维重构图像上第i个像素点对应的初始窗口中的第j+1个像素点的灰度值,为二维重构图像上第i个像素点对应的初始窗口中的第j+2个像素点的灰度值,为二维重构图像上第i个像素点对应的初始窗口中的第j+3个像素点的灰度值,为二维重构图像上第i个像素点对应的初始窗口中的第j+6个像素点的灰度值。
优选的,计算所述原始声发射信号与各IMF分量之间的相关性系数;获取各像素点对应的各关联目标窗口;根据所述相关性系数,得到各像素点对应的各关联目标窗口的信息权重值;根据所述信息权重值,得到各像素点对应的引导滤波的目标线性参数的方法,包括:
按照频率由高到低对各IMF分量进行排列,得到IMF分量序列;
计算IMF分量序列中各IMF分量中各数据点对应的幅值的平均值,记为IMF分量序列中各IMF分量的平均值;
计算原始声发射信号中各数据点对应的幅值的平均值,记为原始声发射信号的平均值;
根据IMF分量序列中各IMF分量的平均值、原始声发射信号的平均值、IMF分量序列中各IMF分量上各数据点的幅值以及原始声发射信号上各数据点的幅值,得到原始声发射信号与IMF分量序列中各IMF分量之间的相关性系数;
将原始声发射信号与IMF分量序列中的第c个IMF分量之间的相关性系数,记为原始声发射信号与特征IMF分量序列中的第c个特征IMF分量之间的相关性系数,并将原始声发射信号与特征IMF分量序列中的第c个特征IMF分量之间的相关性系数记为二维重构图像上第c行的信息权重值;
根据二维重构图像上各行的信息权重值,得到各目标窗口对应的信息权重值;
对于二维重构图像上任一像素点:获取存在该像素点的各目标窗口,记为该像素点的关联目标窗口,该像素点在不同关联目标窗口中的位置不同;
获取各像素点对应的各目标窗口的引导滤波的线性参数,一个目标窗口对应两个引导滤波的线性参数,分别记为各目标窗口的第一初始线性参数和第二初始线性参数;
根据各像素点对应的各关联目标窗口的第一初始线性参数、各像素点对应的各关联目标窗口的第二初始线性参数以及各像素点对应的各关联目标窗口的信息权重值,得到各像素点对应的引导滤波的第一目标线性参数和第二目标线性参数。
优选的,根据如下公式计算原始声发射信号与IMF分量序列中各IMF分量之间的相关性系数:
其中,为IMF分量序列中的第c个IMF分量,为原始声发射信号,为原始声发射信号与IMF分量序列中的第c个IMF分量之间的相关性系数,M为原始声发射信号上的数据点数量,IMF分量上的数据点数量与原始声发射信号上的数据点数量相等,为IMF分量序列中的第c个IMF分量上的第m个数据点的幅值,为IMF分量序列中的第c个IMF分量的平均值,为原始声发射信号上的第m个数据点的幅值,为原始声发射信号的平均值。
优选的,得到各目标窗口对应的信息权重值的方法,包括:
对于任一目标窗口中的任一行:获取该目标窗口中该行对应的信息权重值;若该目标窗口中该行属于二维重构图像中的第w行,则该目标窗口中该行上的像素点的纵坐标值均为w,并将第w行的信息权重值记为该目标窗口中该行对应的信息权重值;
计算各目标窗口中各行对应的信息权重值的累加和,将各目标窗口中各行对应的信息权重值的累加和进行归一化,将归一化的结果记为各目标窗口对应的信息权重值。
优选的,根据如下公式计算该像素点对应的引导滤波的第一目标线性参数和第二目标线性参数:
其中,为该像素点对应的引导滤波的第一目标线性参数,为该像素点对应的引导滤波的第二目标线性参数,为该像素点对应的关联目标窗口的数量,为该像素点对应的关联目标窗口的信息权重值,为该像素点对应的第f个关联目标窗口的第一初始线性参数,为该像素点对应的第f个关联目标窗口的第二初始线性参数。
有益效果:本发明主要基于原始声发射信号实现零泄露阀的泄露检测,因此首先利用声发射传感器采集待检测零泄露阀的原始声发射信号,由于采集原始声发射信号过程中容易受到噪声干扰,因此后续过程主要是对原始声发射信号进行去噪。因此本发明利用EMD分解算法对原始声发射信号进行分解,得到原始声发射信号对应的各IMF分量,根据各IMF分量,得到二维重构图像以及二维重构图像上各像素点的灰度值,并获取二维重构图像上各像素点对应的初始窗口;根据各像素点对应的初始窗口内各像素点的灰度值,得到二维重构图像上各像素点的灰度差异性;所述灰度差异性能反映初始窗口的调整程度,因此本发明基于根据各像素点的灰度差异性,对各像素点对应的初始窗口进行调整,得到各像素点对应的目标窗口,即本发明基于灰度差异性自定义目标窗口;本发明基于灰度差异性,能够使各像素点得到相对合适的窗口,能够避免传统去噪过程中基于固定窗口进行去噪时导致的去噪效果不好的问题,即本发明能够提高去噪的效果。紧接着本发明基于原始声发射信号与各IMF分量之间的相关性系数,确定各像素点对应的各关联目标窗口的信息权重值,基于信息权重值确定各像素点对应的引导滤波的目标线性参数,基于信息权重值得到的目标线性参数,最后基于目标线性参数,利用引导滤波算法进行去噪,得到去噪后的原始声发射信号,基于去噪后的原始声发射信号判断待检测零泄露阀是否存在泄漏,本发明基于目标线性参数对进行去噪,能够避免传统的引导滤波算法中基于各窗口的线性参数均值进行滤波时,导致的有用信息丢失以及去噪效果不好的问题。因此本发明在避免有用信息丢失的同时,还能提高去噪的效果,进而依据去噪后的信号能较可靠的实现对零泄露阀泄露的检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一种用于零泄露阀的泄露检测方法的流程图;
图2为初始窗口示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明实施例,本领域普通技术人员所获得的所有其它实施例,都属于本发明实施例保护的范围。
除非另有定义,本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
本实施例的一种用于零泄露阀的泄露检测系统,包括处理器和存储器,所述处理器执行所述存储器存储的计算机程序以实现一种用于零泄露阀的泄露检测方法。如图1所示,该用于零泄露阀的泄露检测方法,包括以下步骤:
步骤S001,利用声发射传感器采集待检测零泄露阀的原始声发射信号;利用EMD分解算法对原始声发射信号进行分解,得到原始声发射信号对应的各IMF分量。
本实施例主要是利用声发射信号来实现对零泄露阀的泄露检测,但是由于在采集声发射信号过程中极易受到噪声的影响,而现有技术中对采集的声发射信号进行去噪的方法会造成信息的丢失,去噪效果也较差,进而可能导致对零泄露阀进行泄露检测时容易出现错误的判定;因此本实施例提供了一种用于零泄露阀的泄露检测方法,该方法将采集的声发射信号进行EMD分解为多个IMF分量,并根据模态转换的思想,将多个IMF分量生成二维重构图像,然后依据图像中每个像素点的灰度差异性,自适应引导滤波算法的窗口大小,并根据不同IMF分量中含有的信息量的不同,像素点对应的各关联目标窗口的信息权重值,进而得到各像素点对应的引导滤波的目标线性参数,依据目标线性参数,得到去噪后的二维重构图像;基于去噪后的二维重构图像,得到去噪后的各IMF分量;将去噪后的各IMF分量进行信号重构,得到去噪后的原始声发射信号;根据去噪后的原始声发射信号,实现对待检测零泄露阀的泄漏检测。因此本实施例提供的方法在进行去噪时,不仅可以避免有用信息的丢失,并且还能达到较好的去噪效果,进而依据去噪后的信号能较可靠的实现对零泄露阀泄露的检测。
由于本实施例是基于声发射信号来实现对零泄露阀的泄露检测,因此利用声发射传感器采集待检测零泄露阀的声发射信号,记为原始声发射信号,本实施例中声发射传感器安装在待检测零泄露阀阀体表面,且所述原始声发射信号的横轴为时间,纵轴为幅值。本实施例中获取零泄露阀的声发射信号的过程为公知技术,因此具体过程不再详细描述。
紧接着利用EMD分解(经验模态分解)算法对原始声发射信号进行分解,得到原始声发射信号对应的各IMF分量;IMF分量的横轴也为时间,纵轴也为幅值;每一个IMF分量只包含一种振荡模式,各IMF分量的时间尺度和原始声发射信号的时间尺度相同,但是幅值不同,即各IMF分量是由多个数据点构成,每个数据点对应两个参数,分别为时间和幅值;EMD算法是根据原始声发射信号自身的时间尺度特征进行信号分解,将复杂的声发射信号分解为多个IMF(模态分量),每个IMF分量包含了原始声发射信号的不同时间尺度的局部特征信息;本实施例中EMD算法输入数据为原始声发射信号,输出数据为多个IMF分量以及残差。
步骤S002,根据所述各IMF分量,得到二维重构图像以及二维重构图像上各像素点的灰度值。
紧接着结合模态转换的思想,通过将每一个IMF分量进行组合转换为图像数据,并对图像数据进行去噪,进而达到在避免有用信息的丢失的基础上,还能达到较好的去噪效果的目的;具体为:
由于每个IMF分量是由多个数据点构成,每个数据点对应两个参数,分别为时间和幅值,且构成每个IMF分量的数据点数量相同;然后对各IMF分量上的各数据点的幅值进行归一化处理,将归一化后的结果与255相乘记为各特征IMF分量上的各数据点的特征值;由于EMD的目的是将组成原始声发射信号的各尺度分量不断从高频到低频进行提取,则分解得到的特征模态函数顺序是按频率由高到低进行排列的,即首先得到最高频的分量,然后是次高频的,最终得到一个频率接近为0的残余分量;因此按照频率由高到低的顺序对各特征IMF分量进行排列,得到特征IMF分量序列;然后将特征IMF分量序列中每个特征IMF分量作为一行图像数据序列,得到二维重构图像;将特征IMF分量序列中第a个特征IMF分量上的第b个数据点的特征值作为二维重构图像上第a行第b列像素点的灰度值,即二维重构图像上的第a行的数据与特征IMF分量序列中第a个特征IMF分量相对应;所述二维重构图像为N行M列,所述特征IMF分量的数量、IMF分量的数量以及二维重构图像的行数均为N,所述原始声发射信号上的数据点数量、IMF分量上的数据点数量、特征IMF分量上的数据点数量以及二维重构图像的列数均为M。
至此,得到了二维重构图像以及二维重构图像上各像素点的灰度值。
步骤S003,获取所述二维重构图像上各像素点对应的初始窗口;根据各像素点对应的初始窗口内各像素点的灰度值,得到所述二维重构图像上各像素点的灰度差异性;根据所述各像素点的灰度差异性,对所述各像素点对应的初始窗口进行调整,得到所述各像素点对应的目标窗口;计算所述原始声发射信号与各IMF分量之间的相关性系数;获取各像素点对应的各关联目标窗口;根据所述相关性系数,得到各像素点对应的各关联目标窗口的信息权重值;根据所述信息权重值,得到各像素点对应的引导滤波的目标线性参数。
本实施例后续将基于引导滤波算法对二维重构图像进行去噪,进而达到对原始声发射信号进行去噪的目的,但是由于传统的引导滤波算法是通过设定引导图像,并且对所有区域像素点设置固定的一个窗口大小进行分析,没有结合数据的特性自适应的调节引导滤波算法的窗口大小,会导致去除噪声的效果不好,因为设置的固定窗口过大的话,可能在窗口内就会包含过多的噪声点,那么计算线性参数的过程中,就会出现误差,进而导致去噪的效果不好,而设置的固定窗口过小的话,又体现不了数据的特征,同样会出现误差,同样会导致去噪的效果不好;并且对于一个图像像素点来说会存在多个窗口,即一个像素点一般来说会在多个窗口中存在,每个窗口都会存在相对应的线性参数,而传统的引导滤波算法是采用对多个窗口的线性参数求取均值的方法作为该像素点的线性参数,但是这种方式没有考虑到像素点在不同窗口中的信息权重值是不同的,进行滤波后可能会造成数据信息模糊,进而导致去噪的效果不好。因此本实施例将基于二维重构图像上各像素点的灰度差异性,得到各像素点对应的目标窗口,然后基于原始声发射信号与各IMF分量之间的相关性系数,确定各像素点在多个窗口中的信息权重值,基于信息权重值确定各像素点对应的引导滤波的目标线性参数,本实施例后续基于自适应调节窗口大小以及各像素点对应的引导滤波的目标线性参数进行去噪时,可以在避免有用信息丢失的同时,还能达到较好的去噪效果;具体过程为:
(a)得到各像素点对应的目标窗口的过程为:
由于声发射信号数据中的噪声为随机性噪声,对于正常的数据信号来说表现为突兀的数据点,并与周围的数据点之间不存在一定的联系,在经过EMD算法分解为多个IMF分量中也是如此,即经过模态转换后的二维重构图像中,噪声像素点也表现为突兀的像素点,并且弱化了正常的数据信号表征,可能会使得原本较弱的信号变得很高。因此本实施例通过分析图像中每个像素点与对应像素点的邻域之间的灰度差异来区分噪声信号和正常信号,但是若仅基于每个像素点与对应像素点的邻域之间的灰度差异来区分噪声信号和正常信号,可能会出现区分错误的情况,因为当某个像素点为噪声信号时,该像素点窗口内行方向上的相邻像素点的灰度变化趋势差异较大,如该像素点窗口内的第1个像素点、第2个像素点以及第3个像素点位于同一行,则第1个像素点和第2个像素点之间的灰度差异与第2个像素点和第3个像素点之间的灰度差异相差较大;并且当该像素点为噪声信号时,该像素点窗口内列方向上的相邻像素点的灰度变化趋势差异较大,如该像素点窗口内的第1个像素点、第4个像素点以及第7个像素点位于同一列,则第1个像素点和第4个像素点之间的灰度差异与第4个像素点与第7个像素点之间的灰度差异相差较大;但是当该像素点为正常信号时,该像素点窗口内行方向和列方向上的相邻像素点的灰度变化趋势相同,如该像素点窗口内的第1个像素点和第2个像素点之间的灰度差异与第2个像素点和第3个像素点之间的灰度差异相差较小,该像素点窗口内的第1个像素点和第4个像素点之间的灰度差异与第4个像素点与第7个像素点之间的灰度差异相差较小;因此本实施例分析各像素点的灰度差异性时需要进行综合考虑。
因此接下来本实施例获取以二维重构图像上各像素点为中心的窗口,记为各像素点对应的初始窗口,所述初始窗口为3*3;初始窗口中的各像素点的序号如图2所示,图2中的1为初始窗口中的第1个像素点,图2中的2为初始窗口中的第2个像素点,以此类推,图2中的9为初始窗口中的最后1个像素点,且图2中的5为该初始窗口中的中心像素点;然后计算各像素点对应的初始窗口内各像素点的灰度值的均值,记为各像素点对应的特征均值;根据各像素点对应的初始窗口内各像素点的灰度值以及各像素点对应的特征均值,得到二维重构图像上各像素点的灰度差异性,所述各像素点的灰度差异性为后续调整各像素点对应的初始窗口的依据;根据如下公式计算二维重构图像上各像素点的灰度差异性:
其中,为二维重构图像上第i个像素点的灰度差异性,th( )为双曲正切函数,为二维重构图像上第i个像素点对应的特征均值,为二维重构图像上第i个像素点对应的初始窗口中的第j个像素点的灰度值,为二维重构图像上第i个像素点对应的初始窗口中的第j+1个像素点的灰度值,为二维重构图像上第i个像素点对应的初始窗口中的第j+2个像素点的灰度值,为二维重构图像上第i个像素点对应的初始窗口中的第j+3个像素点的灰度值,为二维重构图像上第i个像素点对应的初始窗口中的第j+6个像素点的灰度值。
越大,表明第i个像素点对应的初始窗口不能表征该像素点的特征或者表明第i个像素点对应的初始窗口对该像素点特征的表征效果较差,表明后续对第i个像素点对应的初始窗口调整的程度越大;为第i个像素点对应的初始窗口的灰度值方差,越大灰度值方差越大,则的值越大;为第i个像素点对应的初始窗口内行方向上的灰度变化特性,越接近于1,表明第i个像素点对应的初始窗口内行方向上像素点的灰度变化趋势相似,则的值越小;为第i个像素点对应的初始窗口内列方向上的灰度变化特性,越接近于1,表明第i个像素点对应的初始窗口内列方向上像素点的灰度变化趋势相似,则的值越小。
由于本实施例中初始窗口设置的较小,因此本实施例不考虑在使用引导滤波算法过程中若设置的固定窗口过大,可能在窗口内就会包含过多的噪声点,导致去噪效果不好的这种情况;本实施例仅考虑当设置的固定窗口过小时,可能体现不了数据的特征,同样会导致去噪的效果不好这种情况,因此本实施例中只存在将初始窗口调大或者不调整这两种情况,并且当像素点的灰度差异性越小时,表明像素点对应的初始窗口对该像素点特征的表征效果较差,所以要增大初始窗口,即灰度差异性越大,初始窗口增大的越多;因此本实施例根据各像素点的灰度差异性,得到各像素点对应的目标窗口的尺寸;对于二维重构图像上任一像素点,根据如下公式计算该像素点对应的目标窗口:
其中,为二维重构图像上第i个像素点对应的目标窗口的长,且目标窗口的长和宽相等,为二维重构图像上第i个像素点的灰度差异性,为调节超参数,[ ]为取整函数,e为自然常数;越大,表明对第i个像素点对应的初始窗口的调整越小,即第i个像素点对应目标窗口的尺寸与对应的初始窗口的尺寸差异越小。
本实施例对于得到的需要通过设置超参数进行量化,在量化过程中需要考虑原始声发射信号上的数据点的数量和IMF分量的数量,即窗口的大小与原始声发射信号上的数据点的数量和IMF分量的数量有关,窗口不能过大也不能过小,并且不能超过原始声发射信号上的数据点的数量和IMF分量的数量,具体应用中的值需要根据实际情况设置,本实施例中,min( )为取最小值函数。
至此,通过上述过程得到了各像素点对应的目标窗口,且对于任一像素点,该像素点对应的目标窗口中的中心像素点为该像素点。
(b)得到各像素点对应的引导滤波的目标线性参数的过程为:
在EMD算法中,不同的IMF分量包含的有用信息的含量不同,因此二维重构图像中的每一行的信息量是不同的,信息量越多,表明信息权重值就越大;信息量越少,表明信息权重值就越小,因此本实施例通过计算每个IFM分量与原始的声发射信号的相关性系数来表征每个IMF分量的信息量大小,且相关性系数越大,表明该IMF分量信息量越大,则二维重构图像中该IMF分量对应的行的信息权重值越大;因此按照频率由高到低对各IMF分量进行排列,得到IMF分量序列;计算IMF分量序列中各IMF分量中各数据点对应的幅值的平均值,记为IMF分量序列中各IMF分量的平均值;计算原始声发射信号中各数据点对应的幅值的平均值,记为原始声发射信号的平均值;根据IMF分量序列中各IMF分量的平均值、原始声发射信号的平均值、IMF分量序列中各IMF分量上各数据点的幅值以及原始声发射信号上各数据点的幅值,得到原始声发射信号与IMF分量序列中各IMF分量之间的相关性系数;根据如下公式计算原始声发射信号与IMF分量序列中各IMF分量之间的相关性系数:
其中,为IMF分量序列中的第c个IMF分量,为原始声发射信号,为原始声发射信号与IMF分量序列中的第c个IMF分量之间的相关性系数,M为原始声发射信号上的数据点数量,IMF分量上的数据点数量与原始声发射信号上的数据点数量相等,为IMF分量序列中的第c个IMF分量上的第m个数据点的幅值,为IMF分量序列中的第c个IMF分量的平均值,为原始声发射信号上的第m个数据点的幅值,为原始声发射信号的平均值;越大,表明原始声发射信号与IMF分量序列中的第c个IMF分量之间的相关性越大,则IMF分量序列中的第c个IMF分量的信息量越大,即与之间的比值越接近于1。
由于特征IMF分量序列也是按照频率由高到低进行排列的,因此将原始声发射信号与IMF分量序列中的第c个IMF分量之间的相关性系数,记为原始声发射信号与特征IMF分量序列中的第c个特征IMF分量之间的相关性系数,并将原始声发射信号与特征IMF分量序列中的第c个特征IMF分量之间的相关性系数记为二维重构图像上第c行的信息权重值;因此得到了二维重构图像上各行的信息权重值。
对于任一目标窗口中的任一行,获取该目标窗口中该行对应的信息权重值,具体为:若该目标窗口中该行属于二维重构图像中的第w行,即该目标窗口中该行上的像素点的纵坐标值均为w,则将第w行的信息权重值记为该目标窗口中该行对应的信息权重值;因此通过上述过程可以得到各目标窗口中各行对应的信息权重值;然后计算各目标窗口中各行对应的信息权重值的累加和,将各目标窗口中各行对应的信息权重值的累加和进行归一化,将归一化的结果记为各目标窗口对应的信息权重值。
然后获取各像素点对应的各关联目标窗口,具体为:对于二维重构图像上任一像素点:获取存在该像素点的各目标窗口,记为该像素点的关联目标窗口,该像素点在不同关联目标窗口中的位置不同。
紧接着获取各像素点对应的各目标窗口的引导滤波的线性参数,一个目标窗口对应两个引导滤波的线性参数,分别记为各目标窗口的第一初始线性参数和第二初始线性参数;进而得到了各像素点对应的各关联目标窗口的第一初始线性参数和第二初始线性参数,以及各像素点对应的各关联目标窗口的信息权重值;由于在引导滤波算法中每个窗口的线性参数的计算为公知技术,因此不再详细描述;接下来本实施例将利用初始线性参数和信息权重值,确定引导滤波的目标线性参数,用于后续的去噪;根据各像素点对应的各关联目标窗口的第一初始线性参数、各像素点对应的各关联目标窗口的第二初始线性参数以及各像素点对应的各关联目标窗口的信息权重值,得到各像素点对应的引导滤波的第一目标线性参数和第二目标线性参数;对于二维重构图像上任一像素点,根据如下公式计算该像素点对应的引导滤波的第一目标线性参数和第二目标线性参数:
其中,为该像素点对应的引导滤波的第一目标线性参数,为该像素点对应的引导滤波的第二目标线性参数,为该像素点对应的关联目标窗口的数量,为该像素点对应的关联目标窗口的信息权重值,为该像素点对应的第f个关联目标窗口的第一初始线性参数,为该像素点对应的第f个关联目标窗口的第二初始线性参数;越大,表明该像素点对应的第f个关联目标窗口第一初始线性参数和第二初始线性参数在参与求和时的权重越大。
因此通过上述过程可以得到各像素点对应的引导滤波的第一目标线性参数和第二目标线性参数,即可以得到各像素点对应的引导滤波的目标线性参数。
步骤S004,根据所述目标线性参数,利用引导滤波算法进行去噪,得到去噪后的二维重构图像;利用EMD分解算法对去噪后的二维重构图像进行分解,得到去噪后的各IMF分量;将去噪后的各IMF分量进行信号重构,得到去噪后的原始声发射信号;根据去噪后的原始声发射信号,判断待检测零泄露阀是否存在泄漏。
紧接着基于各像素点对应的引导滤波的第一目标线性参数和第二目标线性参数,利用引导滤波算法进行去噪,得到去噪后的二维重构图像;然后利用EMD分解算法对去噪后的二维重构图像进行分解,得到去噪后的各IMF分量;将去噪后的各IMF分量进行信号重构,得到去噪后的原始声发射信号,具体详细过程为公知技术,因此不再详细描述;对去噪后的原始声发射信号进行特征提取,根据特征值的变化判断待检测零泄露阀是否存在泄漏;其中需要提取的特征包括:信号能量、信号幅值、频谱峰、分布中心频率以及信号均方值;所述对去噪后的原始声发射信号进行特征提取的过程以及基于特征的变化判断待检测零泄露阀是否存在泄漏均为公知技术,因此具体详细过程不再详细描述。
本实施例主要基于原始声发射信号实现零泄露阀的泄露检测,因此首先利用声发射传感器采集待检测零泄露阀的原始声发射信号,由于采集原始声发射信号过程中容易受到噪声干扰,因此后续过程主要是对原始声发射信号进行去噪。因此本实施例利用EMD分解算法对原始声发射信号进行分解,得到原始声发射信号对应的各IMF分量,根据各IMF分量,得到二维重构图像以及二维重构图像上各像素点的灰度值,并获取二维重构图像上各像素点对应的初始窗口;根据各像素点对应的初始窗口内各像素点的灰度值,得到二维重构图像上各像素点的灰度差异性;所述灰度差异性能反映初始窗口的调整程度,因此本实施例基于根据各像素点的灰度差异性,对各像素点对应的初始窗口进行调整,得到各像素点对应的目标窗口;本实施例基于灰度差异性,能够使各像素点得到相对合适的窗口,能够避免传统去噪过程中基于固定窗口进行去噪时导致的去噪效果不好的问题,即本实施例能够提高去噪的效果。紧接着本实施例基于原始声发射信号与各IMF分量之间的相关性系数,确定各像素点对应的各关联目标窗口的信息权重值,基于信息权重值确定各像素点对应的引导滤波的目标线性参数,基于信息权重值得到的目标线性参数,最后基于目标线性参数,利用引导滤波算法进行去噪,得到去噪后的原始声发射信号,基于去噪后的原始声发射信号判断待检测零泄露阀是否存在泄漏,本实施例基于目标线性参数对进行去噪,能够避免传统的引导滤波算法中基于各窗口的线性参数均值进行滤波时,导致的有用信息丢失以及去噪效果不好的问题。因此本实施例在避免有用信息丢失的同时,还能提高去噪的效果,进而依据去噪后的信号能较可靠的实现对零泄露阀泄露的检测。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (7)
1.一种用于零泄露阀的泄露检测系统,包括处理器和存储器,其特征在于,所述处理器执行所述存储器存储的计算机程序以实现如下步骤:
利用声发射传感器采集待检测零泄露阀的原始声发射信号;
利用EMD分解算法对原始声发射信号进行分解,得到原始声发射信号对应的各IMF分量;
根据所述各IMF分量,得到二维重构图像以及二维重构图像上各像素点的灰度值;
获取所述二维重构图像上各像素点对应的初始窗口;根据各像素点对应的初始窗口内各像素点的灰度值,得到所述二维重构图像上各像素点的灰度差异性;根据所述各像素点的灰度差异性,对所述各像素点对应的初始窗口进行调整,得到所述各像素点对应的目标窗口;
计算所述原始声发射信号与各IMF分量之间的相关性系数;获取各像素点对应的各关联目标窗口;根据所述相关性系数,得到各像素点对应的各关联目标窗口的信息权重值;根据所述信息权重值,得到各像素点对应的引导滤波的目标线性参数;
根据所述目标线性参数,利用引导滤波算法进行去噪,得到去噪后的二维重构图像;利用EMD分解算法对去噪后的二维重构图像进行分解,得到去噪后的各IMF分量;将去噪后的各IMF分量进行信号重构,得到去噪后的原始声发射信号;根据去噪后的原始声发射信号,判断待检测零泄露阀是否存在泄漏;
获取所述二维重构图像上各像素点对应的初始窗口;根据各像素点对应的初始窗口内各像素点的灰度值,得到所述二维重构图像上各像素点的灰度差异性;根据所述各像素点的灰度差异性,对所述各像素点对应的初始窗口进行调整,得到所述各像素点对应的目标窗口的方法,包括:
获取以二维重构图像上各像素点为中心的窗口,记为各像素点对应的初始窗口,所述初始窗口为3*3;
计算各像素点对应的初始窗口内各像素点的灰度值的均值,记为各像素点对应的特征均值;
根据各像素点对应的初始窗口内各像素点的灰度值以及各像素点对应的特征均值,得到二维重构图像上各像素点的灰度差异性;
根据各像素点的灰度差异性,得到各像素点对应的目标窗口的尺寸;
根据如下公式计算二维重构图像上各像素点的灰度差异性:
2.如权利要求1所述的一种用于零泄露阀的泄露检测系统,其特征在于,所述各IMF分量由多个数据点构成,每个数据点对应两个参数,分别为时间和幅值。
3.如权利要求2所述的一种用于零泄露阀的泄露检测系统,其特征在于,所述得到二维重构图像以及二维重构图像上各像素点的灰度值的方法,包括:
对各IMF分量上的各数据点的幅值进行归一化处理,将归一化后的结果与255相乘的结果记为各特征IMF分量上的各数据点的特征值;
按照频率由高到低的顺序对各特征IMF分量进行排列,得到特征IMF分量序列;
将特征IMF分量序列中每个特征IMF分量作为一行图像数据序列,得到二维重构图像,将特征IMF分量序列中第a个特征IMF分量上的第b个数据点的特征值作为二维重构图像上第a行第b列像素点的灰度值;所述二维重构图像上的第a行的数据与特征IMF分量序列中第a个特征IMF分量相对应;所述二维重构图像为N行M列,所述特征IMF分量的数量、IMF分量的数量以及二维重构图像的行数均为N,所述原始声发射信号上的数据点数量、IMF分量上的数据点数量、特征IMF分量上的数据点数量以及二维重构图像的列数均为M。
4.如权利要求1所述的一种用于零泄露阀的泄露检测系统,其特征在于,计算所述原始声发射信号与各IMF分量之间的相关性系数;获取各像素点对应的各关联目标窗口;根据所述相关性系数,得到各像素点对应的各关联目标窗口的信息权重值;根据所述信息权重值,得到各像素点对应的引导滤波的目标线性参数的方法,包括:
按照频率由高到低对各IMF分量进行排列,得到IMF分量序列;
计算IMF分量序列中各IMF分量中各数据点对应的幅值的平均值,记为IMF分量序列中各IMF分量的平均值;
计算原始声发射信号中各数据点对应的幅值的平均值,记为原始声发射信号的平均值;
根据IMF分量序列中各IMF分量的平均值、原始声发射信号的平均值、IMF分量序列中各IMF分量上各数据点的幅值以及原始声发射信号上各数据点的幅值,得到原始声发射信号与IMF分量序列中各IMF分量之间的相关性系数;
将原始声发射信号与IMF分量序列中的第c个IMF分量之间的相关性系数,记为原始声发射信号与特征IMF分量序列中的第c个特征IMF分量之间的相关性系数,并将原始声发射信号与特征IMF分量序列中的第c个特征IMF分量之间的相关性系数记为二维重构图像上第c行的信息权重值;
根据二维重构图像上各行的信息权重值,得到各目标窗口对应的信息权重值;
对于二维重构图像上任一像素点:获取存在该像素点的各目标窗口,记为该像素点的关联目标窗口,该像素点在不同关联目标窗口中的位置不同;
获取各像素点对应的各目标窗口的引导滤波的线性参数,一个目标窗口对应两个引导滤波的线性参数,分别记为各目标窗口的第一初始线性参数和第二初始线性参数;
根据各像素点对应的各关联目标窗口的第一初始线性参数、各像素点对应的各关联目标窗口的第二初始线性参数以及各像素点对应的各关联目标窗口的信息权重值,得到各像素点对应的引导滤波的第一目标线性参数和第二目标线性参数。
6.如权利要求4所述的一种用于零泄露阀的泄露检测系统,其特征在于,所述得到各目标窗口对应的信息权重值的方法,包括:
对于任一目标窗口中的任一行:获取该目标窗口中该行对应的信息权重值;若该目标窗口中该行属于二维重构图像中的第w行,则该目标窗口中该行上的像素点的纵坐标值均为w,并将第w行的信息权重值记为该目标窗口中该行对应的信息权重值;
计算各目标窗口中各行对应的信息权重值的累加和,将各目标窗口中各行对应的信息权重值的累加和进行归一化,将归一化的结果记为各目标窗口对应的信息权重值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211133549.9A CN115200797B (zh) | 2022-09-19 | 2022-09-19 | 一种用于零泄露阀的泄露检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211133549.9A CN115200797B (zh) | 2022-09-19 | 2022-09-19 | 一种用于零泄露阀的泄露检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115200797A CN115200797A (zh) | 2022-10-18 |
CN115200797B true CN115200797B (zh) | 2022-12-16 |
Family
ID=83572682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211133549.9A Active CN115200797B (zh) | 2022-09-19 | 2022-09-19 | 一种用于零泄露阀的泄露检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115200797B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5987332A (ja) * | 1982-11-10 | 1984-05-19 | Shinkosumosu Denki Kk | ガス漏れ探知装置 |
CN103217256A (zh) * | 2013-03-20 | 2013-07-24 | 北京理工大学 | 基于红外图像的局部灰度-熵差的泄漏检测定位方法 |
WO2013107076A1 (zh) * | 2012-01-19 | 2013-07-25 | 东南大学 | 一种光学三维测量中的自适应窗口傅里叶相位提取法 |
CN103413283A (zh) * | 2013-07-12 | 2013-11-27 | 西北工业大学 | 一种基于二维emd和改进局部能量的多聚焦图像融合方法 |
CN104392447A (zh) * | 2014-11-28 | 2015-03-04 | 西南科技大学 | 一种基于灰度梯度的图像匹配方法 |
CN104408705A (zh) * | 2014-09-23 | 2015-03-11 | 西安电子科技大学 | 一种高光谱图像的异常检测方法 |
CN105319028A (zh) * | 2014-07-24 | 2016-02-10 | 江苏神通阀门股份有限公司 | 一种阀门泄漏故障在线诊断系统 |
CN109509199A (zh) * | 2018-10-10 | 2019-03-22 | 华南理工大学 | 一种基于三维重建的医学影像组织智能分割方法 |
CN110454687A (zh) * | 2019-07-22 | 2019-11-15 | 常州大学 | 一种基于改进vmd的管道多点泄漏定位方法 |
CN110501122A (zh) * | 2019-08-19 | 2019-11-26 | 重庆大学 | 一种基于聚类的压力容器自适应泄漏检测方法 |
CN114417688A (zh) * | 2022-01-26 | 2022-04-29 | 重庆大学 | 一种基于声发射的阀门内漏速率检测方法 |
CN114998333A (zh) * | 2022-08-02 | 2022-09-02 | 山东第一医科大学(山东省医学科学院) | 一种光源特性的计算机视觉检测方法及系统 |
CN114998355A (zh) * | 2022-08-08 | 2022-09-02 | 江苏京德新材料有限公司 | 一种密封橡胶圈的生产缺陷识别方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100828513B1 (ko) * | 2002-07-05 | 2008-05-13 | 삼성전자주식회사 | 유기전계발광 패널과 이를 갖는 유기전계발광 장치 |
US11467288B2 (en) * | 2018-10-24 | 2022-10-11 | Red Leader Technologies, Inc. | Lidar system and method of operation |
-
2022
- 2022-09-19 CN CN202211133549.9A patent/CN115200797B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5987332A (ja) * | 1982-11-10 | 1984-05-19 | Shinkosumosu Denki Kk | ガス漏れ探知装置 |
WO2013107076A1 (zh) * | 2012-01-19 | 2013-07-25 | 东南大学 | 一种光学三维测量中的自适应窗口傅里叶相位提取法 |
CN103217256A (zh) * | 2013-03-20 | 2013-07-24 | 北京理工大学 | 基于红外图像的局部灰度-熵差的泄漏检测定位方法 |
CN103413283A (zh) * | 2013-07-12 | 2013-11-27 | 西北工业大学 | 一种基于二维emd和改进局部能量的多聚焦图像融合方法 |
CN105319028A (zh) * | 2014-07-24 | 2016-02-10 | 江苏神通阀门股份有限公司 | 一种阀门泄漏故障在线诊断系统 |
CN104408705A (zh) * | 2014-09-23 | 2015-03-11 | 西安电子科技大学 | 一种高光谱图像的异常检测方法 |
CN104392447A (zh) * | 2014-11-28 | 2015-03-04 | 西南科技大学 | 一种基于灰度梯度的图像匹配方法 |
CN109509199A (zh) * | 2018-10-10 | 2019-03-22 | 华南理工大学 | 一种基于三维重建的医学影像组织智能分割方法 |
CN110454687A (zh) * | 2019-07-22 | 2019-11-15 | 常州大学 | 一种基于改进vmd的管道多点泄漏定位方法 |
CN110501122A (zh) * | 2019-08-19 | 2019-11-26 | 重庆大学 | 一种基于聚类的压力容器自适应泄漏检测方法 |
CN114417688A (zh) * | 2022-01-26 | 2022-04-29 | 重庆大学 | 一种基于声发射的阀门内漏速率检测方法 |
CN114998333A (zh) * | 2022-08-02 | 2022-09-02 | 山东第一医科大学(山东省医学科学院) | 一种光源特性的计算机视觉检测方法及系统 |
CN114998355A (zh) * | 2022-08-08 | 2022-09-02 | 江苏京德新材料有限公司 | 一种密封橡胶圈的生产缺陷识别方法及装置 |
Non-Patent Citations (5)
Title |
---|
Adaptive noise cancellation based on EMD in water-supply pipeline leak detection;ChenchengGuo;《Measurement》;20160229;全文 * |
基于局部频率信息和单纯型-模拟退火的异源图像配准;刘晓春等;《光学学报》;20130610(第06期);全文 * |
基于灰度图像纹理分析的柴油机失火故障特征提取;刘鑫等;《振动与冲击》;20190128(第02期);全文 * |
机械密封端面状态监测及寿命预测关键技术研究;张尔卿;《万方数据》;20161025;全文 * |
轨道式管道焊接机器人焊缝跟踪方法研究现状;胡胜等;《河北科技大学学报》;20150415(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115200797A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416740B (zh) | 一种消除椒盐噪声的迭代自适应中值滤波方法 | |
CN111079710B (zh) | 一种基于改进ceemd滚动轴承信号的多层降噪方法 | |
CN110717472B (zh) | 基于改进的小波阈值去噪的故障诊断方法及系统 | |
CN113923104B (zh) | 基于小波神经网络的网络故障诊断方法、设备及存储介质 | |
CN116955938B (zh) | 一种基于数据分析的干式废气处理设备监测方法及系统 | |
CN109102479A (zh) | 一种新图像算子的声纳目标增强方法 | |
CN113392732B (zh) | 一种局部放电超声信号抗干扰方法及系统 | |
CN114445386A (zh) | 一种基于人工智能的pvc管件质量检测评估方法及系统 | |
CN115200797B (zh) | 一种用于零泄露阀的泄露检测系统 | |
CN114429151A (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统 | |
CN110174269B (zh) | 变分模态分解和共振解调分析核电用泵冲击特征的方法 | |
CN115293219B (zh) | 一种融合小波和峭度的脉冲信号去噪方法 | |
CN115564705B (zh) | 用于精密标准件的毛刺检测精度增强方法及系统 | |
CN116698385A (zh) | 一种抗强噪声干扰的机械设备健康状态监测方法和装置 | |
CN116667920A (zh) | 结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法 | |
CN115905827A (zh) | 一种基于神经网络的汽轮机故障诊断方法及装置 | |
CN115204043A (zh) | 一种基于多模态分解和深度学习的北大西洋涛动预测方法 | |
CN112683533A (zh) | 一种用于轴承故障诊断的信号增强方法及系统 | |
CN116992365B (zh) | 一种在随机冲击干扰下的故障诊断方法及系统 | |
CN117585399B (zh) | 基于图像处理的煤矿传送带撕裂检测方法 | |
CN113031074B (zh) | 一种测井曲线消噪方法、装置、设备及存储介质 | |
CN116861167B (zh) | 一种基于深度学习的fbg光谱循环去噪方法 | |
CN114124908B (zh) | 基于人工智能的设备生产中数据发送的控制方法 | |
CN115270895B (zh) | 一种用于柴油机的故障检测方法 | |
CN113609207B (zh) | 一种边坡形变监测数据的数据预处理方法 |
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 |