CN117647590A - 基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法 - Google Patents
基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法 Download PDFInfo
- Publication number
- CN117647590A CN117647590A CN202311673072.8A CN202311673072A CN117647590A CN 117647590 A CN117647590 A CN 117647590A CN 202311673072 A CN202311673072 A CN 202311673072A CN 117647590 A CN117647590 A CN 117647590A
- Authority
- CN
- China
- Prior art keywords
- cepstrum
- signal
- acoustic emission
- coefficient
- function
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000012417 linear regression Methods 0.000 claims abstract description 10
- 229910000831 Steel Inorganic materials 0.000 claims description 21
- 239000010959 steel Substances 0.000 claims description 21
- 230000004044 response Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 2
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 238000009432 framing Methods 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000010363 phase shift Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 125000003118 aryl group Chemical group 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法,首先,加载车轮在钢轨上运动全周期内的声发射信号,利用改进局部均值分解方法,将这些声发射分解成若干个乘积函数;然后,选择每组声发射信号分解得到的第一维乘积函数进行线性叠加,排除噪声和其他不相关信息的干扰,获得重构信号;接下来,从重构信号中提取13维伽马通倒谱系数,依据线性回归模型,推导构建一个转换矩阵,将第2维‑第6维伽马通倒谱系数融合为一维的倒谱信息系数;最后,基于三倍标准差法则构建伤损检测阈值,实现钢轨裂纹声发射信号的精准检测。本发明运算速率快,检测精度高,在高铁钢轨裂纹伤损检测领域具有很高的社会意义和经济价值。
Description
技术领域
本发明涉及一种钢轨裂纹信号处理与检测方法,具体涉及一种基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法。
背景技术
高铁作为现代交通网络的重要组成部分,已经深入人们的日常生活,它以其高速、大容量、准时性强等优点,成为了众多旅客和货物运输的首选方式。随着高铁网络的迅猛发展和运营密度的不断增加,对于轨道基础设施的维护提出了更高的要求。特别是钢轨,它是承载着巨大的列车负荷和连续振动的关键部件,长时间的高速运行使得钢轨表面不可避免地会产生磨损和损伤,滚动疲劳接触裂纹便是其中之一。如果不能及时发现,裂缝将随着铁路系统的持续运行而逐渐扩大,最终导致钢轨断裂、脱轨等重大安全事故。因此,开展钢轨裂纹检测,对于维护高速铁路的安全平稳运行至关重要。
目前,基于传统声发射技术的钢轨裂纹检测方法存在诸多局限性,尤其是在实际铁路运营环境中。声发射技术是一项被动式检测技术,在采集范围内所有以弹性波形式产生的能量释放都会被采集得到。然而,当高速列车在钢轨上行驶时,强大的动力和速度会产生大量的噪声和振动,这些轮轨滚动噪声会与裂纹信号相互干扰,降低检测信号的清晰度。这种干扰可能导致真实的裂纹信号被错误地识别或彻底忽视。噪声会湮灭裂纹产生的声发射信号,使得裂纹的识别变得复杂。此外,振动和噪声可能还会干扰声发射传感器,使得微小裂纹难以被发现。这些因素共同作用,可能导致裂纹被遗漏或错误地评估其严重性,从而增加了铁路运营的安全隐患。此外,这些方法往往需要在无列车运行时进行检测,这限制了检测的连续性和实时性,而且大大增加了维护的复杂性和成本。因此,传统声发射检测方法的局限性突显了对更高效、更智能检测方法的需求,特别是在现代化铁路网络持续高速运行的背景下。需要能够在不中断铁路服务的情况下,实时准确地监测和评估钢轨的完整性。为此提出一种能够克服轮轨噪声干扰并保障高检测精度的钢轨裂纹伤损声发射信号检测方法具有非同寻常的意义。
发明内容
为了解决传统裂纹信号检测方法速度慢、精度低的问题,本发明提供了一种基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法。该方法利用经验最优包络线对局部均值分解方法进行改进,将原始声发射信号分解重构获得含有更多伤损信息、更高信噪比的重构信号,并依据线性回归模型,推导构建一个转换矩阵,将多维伽马通倒谱系数(Gammatone cepstral coefficients,GTCC)融合为一维的倒谱信息系数,然后将倒谱信息系数的时域特性和三倍标准差法则相结合,构建钢轨裂纹检测阈值,准确识别伤损信息,实现钢轨裂纹声发射信号检测。本发明运算速率快,检测精度高,在高铁钢轨裂纹伤损检测领域具有很高的社会意义和经济价值。
本发明的目的是通过以下技术方案实现的:
一种基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法,包括如下步骤:
步骤一:加载车轮在钢轨上运动全周期内的N组声发射信号s(t)={s1(t),…,SN(t)},利用改进局部均值分解方法,将每组声发射信号分解成若干个乘积函数{PF1(t),…,PFX(t)},然后选择每组声发射信号分解得到的第一维乘积函数PF1(t)进行线性叠加,获得重构信号S(t)={S1(t),…,SN(t)};
步骤二:从重构信号中提取13维伽马通倒谱系数GTCC,然后依据线性回归模型,推导构建一个转换矩阵,将第2维-第6维伽马通倒谱系数融合为一维的倒谱信息系数CIC;
步骤三:依据步骤二获得的倒谱信息系数CIC的时域特性和三倍标准差法则,构建钢轨裂纹检测阈值,准确识别伤损信息,实现钢轨裂纹声发射信号检测。
相比于现有技术,本发明具有如下优点:
1、本发明提出一种优化局部均值分解方法针对原始声发射信号进行分解重构,能够有效地排除噪声干扰,大幅度地提高信号中伤损信息,并增强信噪比;通过经验最优包络线来实现准确的包络线估计,解决了传统方法在均值函数和包络函数中引入显着的不准确性的问题;同时针对分解获得的重多乘积函数,只选择能量占比最多的第一维乘积函数进行信号叠加重构,有效的避免了乘积函数筛选的过程,获得的重构声发射信号具有更强的抗噪声干扰能力。
2、本发明构建一种倒谱信息系数作为钢轨健康指数,依据线性回归模型,推导构建一个转换矩阵,将多维伽马通倒谱系数融合为一维的倒谱信息系数,然后将倒谱信息系数的时域特性和三倍标准差法则相结合,构建钢轨裂纹检测阈值,准确识别伤损信息,实现钢轨裂纹声发射信号检测,满足实际铁路运行生产中的伤损检测精度的要求。
附图说明
图1为本发明基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法的流程图。
图2为全部裂纹声发射信号时间-幅值图。
图3为信号分解结果图。
图4为倒谱信息系数与阈值图。
图5为检测结果图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
本发明提供了一种基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法,首先,加载车轮在钢轨上运动全周期内的声发射信号,利用改进局部均值分解方法,将这些声发射分解成若干个乘积函数;然后,选择每组声发射信号分解得到的第一维乘积函数进行线性叠加,排除噪声和其他不相关信息的干扰,获得重构信号;接下来,从重构信号中提取13维伽马通倒谱系数,依据线性回归模型,推导构建一个转换矩阵,可以将第2维-第6维伽马通倒谱系数融合为一维的倒谱信息系数;最后,基于三倍标准差法则构建伤损检测阈值,实现钢轨裂纹声发射信号的精准检测。如图1所示,具体步骤如下:
步骤一:加载车轮在钢轨上运动全周期内的N组声发射信号s(t)={s1(t),…,sN(t)},利用改进局部均值分解方法,将每组声发射信号分解成若干个乘积函数{PF1(t),…,PFX(t)},然后选择每组声发射信号分解得到的第一维乘积函数PF1(t)进行线性叠加,获得重构信号S(t)={S1(t),…,SN(t)},具体步骤如下:
步骤一一:加载车轮在钢轨上运动全周期内的N组声发射信号s(t)={s1(t),…,sN(t)},每组声发射信号含有M个采样点个数;
步骤一二:寻找第一组声发射信号s1(t)的所有极大值点[tmax,s1(tmax)],然后对这些极值进行插值以获得初始上包络eu0(t),随后计算上包络距离du0(t):
du0(t)=s1(t)-eu0(t)
局部极值du0(t)表示为下一个上包络距离通过对/>进行插值获得,迭代k次计算/>直到/>的总数小于给定的阈值θ,θ是一个正整数,用于限制经验包络线的估计误差,估计的经验上限为euk(t);
步骤一三:遵循同样的原理,初始下包络距离dl0(t)可以由s1(t)和初始下包络线el0(t)计算得出:
dl0(t)=s1(t)-el0(t)
同样迭代k次计算直到/>的总数小于θ,估计的下经验包络线是elk(t),这样,局部均值函数lm11(t)和局部包络函数lee11(t)可以计算如下:
步骤一四:计算调频信号:
理想情况下,FM11(t)应该是纯调频信号,然而,这个条件在现实中可能并不能完全满足,因此FM11(t)被用作原始信号来重复步骤一二和步骤一三,直到收敛到典型的调频函数,该迭代进程的终止标准是lee11(t)≈1;
步骤一五:计算包络信号:
其中,q∈[1,k],代表迭代k次的包络信号;
s1(t)的第一维乘积函数PF1(t)可以计算获得:
PF1(t)=lee11(t)*FM1k(t)
其中,FM1k(t)为纯净调频函数;
步骤一六:通过从原始信号s1(t)中去除lee11(t)可以得到新信号u1(t),迭代执行k次,uk(t)作为更新后信号,直至uk(t)演化为单调函数:
这样原始信号s1(t)可以分解为多个乘积函数和一个单调函数:
步骤一七:在原始信号s1(t)分解的众多乘积函数中,只选择第一维乘积函数构成重构函数S1(t):
S1(t)=PF1(t)
步骤一八:对剩余的N-1组声发射信号s(t)={s2(t),…,sN(t)}重复步骤一二~步骤一七进行分解重构,获得重构信号S(t)={S1(t),…,SN(t)}。
步骤二:从重构信号中提取13维伽马通倒谱系数GTCC,然后依据线性回归模型,推导构建一个转换矩阵,可以将第2维-第6维伽马通倒谱系数融合为一维的倒谱信息系数,具体步骤如下:
步骤二一:将步骤一的N组重构声发射信号S(t)={S1(t),…,SN(t)},按照时间顺序转置为信号SL*1(t),L=M*N;
步骤二二:对信号SL*1(t)依次进行分帧、加窗和傅里叶变换:
SL*1(t)→Sfn*wlen(t)
其中,fn表示信号SL*1(t)的分帧数量,wlen表示每帧的长度,olen是相邻两个不同帧产生的重叠长度,通常设置为olen=wlen/2,w(t)表示窗函数,fft(.)表示傅里叶运算;
步骤二三:计算伽马通滤波器的脉冲响应g(t):
其中,A表示幅度因子,p表示滤波器阶数,fc表示GT滤波器的中心频率,是相移,B表示脉冲响应的持续时间,与等效矩形带宽有关,伽马通滤波器组用于信号的FFT,实现子带频谱;计算每个子带的能量,表示为E(j);
步骤二四:应用对数函数和离散余弦变换(DCT)来对对数压缩滤波器输出进行去相关,伽马通倒谱系数GTCC计算如下:
其中,V代表伽马通滤波器的数量,i∈{1,2,…,13};
步骤二五:获得13维伽马通倒谱系数后,将第2维-第6维伽马通倒谱系数组合构建一个复合矩阵Hf:
Hf=[N(GTCC2),…,N(GTCC6)]
其中,N(.)表示统一量化伽马通倒谱系数的归一化函数,以避免幅度变化引起的误差;
步骤二六:依据线性回归模型,推导构建一个转换矩阵Pf,可以将第2维-第6维伽马通倒谱系数融合为一维的倒谱信息系数CIC:
其中,(.)T和(.)-1分别表示转置运算和求逆运算,Df是所有元素均为1的5*5保护矩阵,Sf表示一个5*1单位向量矩阵。
步骤三:依据步骤二获得的倒谱信息系数CIC的时域特性和三倍标准差法则,构建钢轨裂纹检测阈值,准确识别伤损信息,实现钢轨裂纹声发射信号检测,具体步骤如下:
步骤三一:计算倒谱信息系数CIC的标准差SCIC:
其中,C(i2)代表第i2个CIC,i2∈[1,fn],表示fn帧倒谱信息系数CIC的平均值;
步骤三二:构建钢轨裂纹检测阈值Thr:
步骤三三:依据检测阈值Thr,建立钢轨裂纹检测标准:
其中,R代表最终裂纹检测结果,当R=1时,代表该倒谱信息系数对应的声发射信号属于伤损信号,即此时车轮恰好经过钢轨表面伤损处,反之,当R=0时,则表示该倒谱信息系数对应的声发射信号属于噪声信号,这样,即可完成钢轨裂纹声发射信号检测。
实施例:
执行步骤一:加载车轮在钢轨上运动全周期内的7341组声发射信号s(t)={s1(t),…,sN(t)},即N=7341,将这些声发射信号在时间维度上连接,得到全部信号的时间-幅值图,如图2所示。利用改进局部均值分解方法将各组声发射信号分解为多维乘积函数,其中一组的分解情况如图3所示,然后选择每组声发射信号分解得到的第一维乘积函数,进行线性叠加,获得重构信号S(t)={S1(t),…,SN(t)}。
将本发明提出的信号重构方法与其他常用信号分解重构方法,如集成经验模态分解、奇异值分解、小波包分解和传统局部均值分解,在峭度均值和信噪比两个指标上进行比较,结果如表1所示,可以发现本发明提出的方法的表现要好于其他方法。
表1本发明算法与其他信号分解重构算法的对比结果
算法 | 峭度均值 | 信噪比 |
集成经验模态分解 | 3.076 | 0.250 |
奇异值分解 | 3.119 | -0.204 |
小波包分解 | 3.193 | 0.215 |
传统局部均值分解 | 3.492 | -0.021 |
本发明算法 | 3.619 | 0.945 |
执行步骤二:从步骤一获得的重构信号中提取13维伽马通倒谱系数GTCC,然后依据线性回归模型,推导构建一个转换矩阵,将第2维-第6维伽马通倒谱系数融合为一维的倒谱信息系数CIC,如图4所示。
执行步骤三:计算倒谱信息系数CIC的标准差和均值,结合三倍标准差法则,构建裂纹检测阈值Thr,如图4所示,并依据该阈值建立钢轨裂纹检测标准,最终检测结果如图5所示,可以发现裂纹声发射信号检测结果为100%。
为验证本发明提出的裂纹声发射信号检测方法的优越性,选择与现有常见的裂纹声发射信号检测算法,如香浓熵、Tsallis熵、近似熵和模糊熵进行对比,结果如表2所示,可以发现本发明提出的基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法要高于其他四种常见检测算法。
表2本发明算法与其他检测算法的对比结果
Claims (4)
1.一种基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法,其特征在于所述方法包括如下步骤:
步骤一:加载车轮在钢轨上运动全周期内的N组声发射信号s(t)={s1(t),…,sN(t)},利用改进局部均值分解方法,将每组声发射信号分解成若干个乘积函数{PF1(t),…,PFX(t)},然后选择每组声发射信号分解得到的第一维乘积函数PF1(t)进行线性叠加,获得重构信号S(t)={S1(t),…,SN(t)};
步骤二:从重构信号中提取13维伽马通倒谱系数CTCC,然后依据线性回归模型,推导构建一个转换矩阵,将第2维-第6维伽马通倒谱系数融合为一维的倒谱信息系数CIC;
步骤三:依据步骤二获得的倒谱信息系数CIC的时域特性和三倍标准差法则,构建钢轨裂纹检测阈值,准确识别伤损信息,实现钢轨裂纹声发射信号检测。
2.根据权利要求1所述的基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法,其特征在于所述步骤一的具体步骤如下:
步骤一一:加载车轮在钢轨上运动全周期内的N组声发射信号s(t)={s1(t),…,sN(t)},每组声发射信号含有M个采样点个数;
步骤一二:寻找第一组声发射信号s1(t)的所有极大值点[tmax,s1(tmax)],然后对这些极值进行插值以获得初始上包络eu0(t),随后计算上包络距离du0(t):
du0(t)=s1(t)-eu0(t)
局部极值du0(t)表示为下一个上包络距离通过对/>进行插值获得,迭代k次计算/>直到/>的总数小于给定的阈值θ,估计的经验上限为euk(t);
步骤一三:初始下包络距离dl0(t)由s1(t)和初始下包络线el0(t)计算得出:
dl0(t)=s1(t)-el0(t)
迭代k次计算直到/>的总数小于θ,估计的经验下限为elk(t);
局部均值函数lm11(t)和局部包络函数lee11(t)计算如下:
步骤一四:计算调频信号:
FM11(t)被用作原始信号来重复步骤一二和步骤一三,直到收敛到典型的调频函数,该迭代进程的终止标准是lee11(t)≈1;
步骤一五:计算包络信号:
其中,q∈[1,k],代表迭代k次的包络信号;
s1(t)的第一维乘积函数PF1(t)通过下式计算获得:
PF1(t)=lee11(t)*FM1k(t)
其中,FM1k(t)为纯净调频函数;
步骤一六:通过从原始信号s1(t)中去除lee11(t)得到新信号u1(t),迭代执行k次,uk(t)作为更新后信号,直至uk(t)演化为单调函数:
这样原始信号s1(t)分解为多个乘积函数和一个单调函数:
步骤一七:在原始信号s1(t)分解的众多乘积函数中,只选择第一维乘积函数构成重构函数S1(t):
S1(t)=PF1(t)
步骤一八:对剩余的N-1组声发射信号s(t)={s2(t),…,sN(t)}重复步骤一二~步骤一七进行分解重构,获得重构信号S(t)={S1(t),…,SN(t)}。
3.根据权利要求1所述的基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法,其特征在于所述步骤二的具体步骤如下:
步骤二一:将步骤一的N组重构声发射信号S(t)={S1(t),…,SN(t)},按照时间顺序转置为信号SL*1(t),L=M*N;
步骤二二:对信号SL*1(t)依次进行分帧、加窗和傅里叶变换:
SL*1(t)→Sfn*wlen(t)
其中,fn表示信号SL*1(t)的分帧数量,wlen表示每帧的长度,olen是相邻两个不同帧产生的重叠长度,w(t)表示窗函数,fft(.)表示傅里叶运算;
步骤二三:计算伽马通滤波器的脉冲响应g(t):
其中,A表示幅度因子,p表示滤波器阶数,fc表示GT滤波器的中心频率,是相移,B表示脉冲响应的持续时间;计算每个子带的能量,表示为E(j);
步骤二四:应用对数函数和离散余弦变换对对数压缩滤波器输出进行去相关,伽马通倒谱系数GTCC计算公式如下:
其中,V代表伽马通滤波器的数量,i∈{1,2,…,13};
步骤二五:获得13维伽马通倒谱系数后,将第2维-第6维伽马通倒谱系数组合构建一个复合矩阵Hf:
Hf=[N(GTCC2),...,N(GTCC6)]
其中,N(.)表示统一量化伽马通倒谱系数的归一化函数;
步骤二六:依据线性回归模型,推导构建一个转换矩阵Pf,将第2维-第6维伽马通倒谱系数融合为一维的倒谱信息系数CIC:
其中,(.)T和(.)-1分别表示转置运算和求逆运算,Df是所有元素均为1的5*5保护矩阵,Sf表示一个5*1单位向量矩阵。
4.根据权利要求1所述的基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法,其特征在于所述步骤三的具体步骤如下:
步骤三一:计算倒谱信息系数CIC的标准差SCIC:
其中,C(i2)代表第i2个CIC,i2∈[1,fn],表示fn帧倒谱信息系数CIC的平均值;
步骤三二:构建钢轨裂纹检测阈值Thr:
步骤三三:依据检测阈值Thr,建立钢轨裂纹检测标准:
其中,R代表最终裂纹检测结果,当R=1时,代表该倒谱信息系数对应的声发射信号属于伤损信号,即此时车轮恰好经过钢轨表面伤损处,反之,当R=0时,则表示该倒谱信息系数对应的声发射信号属于噪声信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311673072.8A CN117647590B (zh) | 2023-12-07 | 2023-12-07 | 基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311673072.8A CN117647590B (zh) | 2023-12-07 | 2023-12-07 | 基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117647590A true CN117647590A (zh) | 2024-03-05 |
CN117647590B CN117647590B (zh) | 2024-06-21 |
Family
ID=90047546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311673072.8A Active CN117647590B (zh) | 2023-12-07 | 2023-12-07 | 基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117647590B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440873A (zh) * | 2013-08-27 | 2013-12-11 | 大连理工大学 | 一种基于相似性的音乐推荐方法 |
CN112730628A (zh) * | 2020-11-09 | 2021-04-30 | 哈尔滨工业大学 | 一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法 |
CN114283822A (zh) * | 2021-12-24 | 2022-04-05 | 华东理工大学 | 一种基于伽马通频率倒谱系数的多对一语音转换方法 |
-
2023
- 2023-12-07 CN CN202311673072.8A patent/CN117647590B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440873A (zh) * | 2013-08-27 | 2013-12-11 | 大连理工大学 | 一种基于相似性的音乐推荐方法 |
CN112730628A (zh) * | 2020-11-09 | 2021-04-30 | 哈尔滨工业大学 | 一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法 |
CN114283822A (zh) * | 2021-12-24 | 2022-04-05 | 华东理工大学 | 一种基于伽马通频率倒谱系数的多对一语音转换方法 |
Non-Patent Citations (2)
Title |
---|
KANGWEI WANG 等: "Wheel Defect Detection Using Attentive Feature Selection Sequential Network With Multidimensional Modeling of Acoustic Emission Signals", IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, vol. 2023, 9 October 2023 (2023-10-09) * |
孙甜甜: "基于优化VMD的钢轨伤损声发射信号特征提取与识别", 中国优秀硕士学位论文全文数据库(电子期刊), no. 2021, 15 January 2021 (2021-01-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117647590B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110879254B (zh) | 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法 | |
Wang et al. | Blind source extraction of acoustic emission signals for rail cracks based on ensemble empirical mode decomposition and constrained independent component analysis | |
CN108802525A (zh) | 基于小样本的设备故障智能预测方法 | |
CN107121285B (zh) | 一种滚动轴承振动信号故障特征提取方法 | |
CN104881567A (zh) | 一种基于统计模型的桥梁健康监测数据小波降噪方法 | |
CN104751169A (zh) | 高铁钢轨伤损分类方法 | |
CN112697887A (zh) | 基于神经网络的超声检测缺陷定性识别方法 | |
CN113486874B (zh) | 一种基于轮轨噪声小波包分解的钢轨波磨特征识别方法 | |
CN108168924B (zh) | 一种基于vmd和mfss模型的往复压缩机寿命预测方法 | |
CN110686767A (zh) | 一种基于时频法与数据序列法的gis振动异响联合特征提取方法 | |
CN111397901A (zh) | 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法 | |
CN107870892A (zh) | 一种城轨列车滚动轴承故障诊断方法 | |
Li et al. | Correlated SVD and its application in bearing fault diagnosis | |
CN112014108A (zh) | 基于lmd及改进pso优化bp神经网络的轴承故障诊断方法 | |
CN113610188A (zh) | 弓网接触力非区段异常识别方法及装置 | |
CN117647590B (zh) | 基于改进局部均值分解和倒谱系数的钢轨裂纹检测方法 | |
CN113159139B (zh) | 一种基于改进声发射密度聚类的伤损状态诊断方法 | |
CN113270110A (zh) | 一种zpw-2000a轨道电路发送器、接收器故障诊断方法 | |
CN115389888B (zh) | 一种基于高压电缆的局部放电实时监测系统 | |
CN114802343B (zh) | 一种钢轨伤损监测方法及系统 | |
CN110909827A (zh) | 一种适用于风机叶片声音信号的降噪方法 | |
Li et al. | Bearing fault detection via wavelet packet transform and rough set theory | |
CN116738140A (zh) | 基于张量稀疏表示的高速列车传动系统故障诊断方法 | |
CN112183297B (zh) | 一种超声相控阵信号稀疏特征提取方法 | |
CN115166514A (zh) | 一种基于自适应频谱分割去噪的电机故障识别方法及系统 |
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 |