首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 123 毫秒

1.  声发射检验技术进展  被引次数:8
   李光海《南昌航空工业学院学报》,2001年第15卷第2期
   本文简要介绍了声发射技术的发展史,并从声发射技术的原理、波形分析法、参数分析法、声源定位技术和声发射仪器几个方面进行了综述,主要讨论了最新的波形分析技术和检测仪器的构成。最后指出了声发射检测的发展方向是声发射信号的模拟识别及人工神经网络模式识别分析。    

2.  基于声发射的铝蜂窝板超高速撞击损伤模式识别方法  
   刘源  庞宝君  迟润强  才源《航空学报》,2017年第38卷第5期
   为通过声发射技术识别铝合金蜂窝板超高速撞击(HVI)的损伤状态,提出一种基于神经网络的损伤模式识别方法.通过超高速撞击实验获取声发射信号,结合精确源定位技术、时频分析技术、小波分析技术及模态声发射技术,提出了10个与损伤相关的特征参数,通过非参数检验分析其与损伤的关系,设计了一种基于贝叶斯正则化BP神经网络的超高速撞击损伤模式识别方法.建立最优网络模型,通过不同参数组合识别能力分析,优选出2种特征参数组合,通过非同源样本对其损伤模式识别能力进行验证.结果表明:传播距离与损伤模式无关,却是识别损伤模式的重要参数;125~250 kHz频域的自动加窗小波能量比会降低损伤模式的识别能力;采用贝叶斯正则化的BP神经网络可以较好地识别蜂窝板超高速撞击损伤模式,参数组合为传播距离、上升时间、持续时间、截止频率、4个自动加窗小波能量比及小波能量熵,共9个参数,对任意选取非同源样本识别错分率仅为9.38%.    

3.  UHMWPE/LDPE层合板复合材料损伤声发射信号识别  
   王旭  杜增锋  倪庆清  刘新华《宇航材料工艺》,2019年第49卷第2期
   为了掌握UHMWPE/LDPE复合材料的损伤机理,运用声发射技术结合聚类分析方法建立不同损伤形式的声发射信号训练样本,通过神经网络实现损伤信号的识别,并分别探讨了训练函数、传递函数、网络结构等因素对识别率的影响。研究表明,由系统聚类可提取幅度、峰值频率、持续时间为模式特征,结合Kmeans聚类可建立11个类别共583信号的训练样本。以混淆矩阵为识别率指标,当训练函数为traingdx、隐层/输出层传递函数为tansig/logsig、隐层神经元数量为70时,网络的识别率达97.2%,为基于声发射技术的热塑性基体复合材料损伤识别提供参考。    

4.  单层板超高速撞击声发射波的频谱特征分析  被引次数:5
   唐颀  庞宝君  韩增尧  刘武刚《宇航学报》,2007年第28卷第4期
   空间碎片撞击航天器的威胁对发展在轨感知系统提出需求,为研制基于声发射技术的感知系统,有必要研究超高速撞击产生的声发射信号波形特征。进行了铝弹丸超高速撞击单层板的实验,利用超声传感器采集到声发射波形,并使用小波变换对波形进行频谱分析。结果表明:在1~4km/s的撞击速度范围内,超高速撞击在单层板内引起的声发射波主要是AO模式、S0模式及S2模式的弹性板波;A0模式波形随撞击速度增大而减弱,其余2种模式则随之增强;成坑撞击波形具有较强的A0模式,击穿撞击波形具有较强的S0模式和S2模式。引入超高速撞击过程中的法向冲击作用和径向扩孔作用的概念,分析了上述规律。    

5.  构件裂纹缺陷的超声识别  
   师小红  徐章遂  敦怡《固体火箭技术》,2007年第30卷第6期
   将小波包多分辨率分析与能量谱相结合,提出了金属材料缺陷特征提取的方法(小波包子带能量比较法)及不同缺陷的识别方法(小波分形神经网络法)。选取最能反映缺陷特征的参数——"能量特征向量"作为特征参数,进行缺陷的特征提取。缺陷的识别方法将小波包分解后各子带系数的分形维数作为特征矢量,对其进行径向基神经网络训练,从而可很明显区分出有无裂纹以及不同裂纹信号。以航天发射塔架钢连接构件疲劳裂纹超声检测信号为例,使用所提出的特征提取和模式识别方法,结果表明是行之有效的新方法,为金属材料缺陷检测与识别开拓了新思路。    

6.  基于EMD与LS-SVM的刀具磨损识别方法  被引次数:1
   关山  王龙山  聂鹏《北京航空航天大学学报》,2011年第37卷第2期
   针对刀具磨损声发射信号的非平稳特征和BP神经网络学习算法收敛速度慢、易陷入局部极小值等问题,提出了基于经验模态分解和最小二乘支持向量机的刀具磨损状态识别方法.首先对声发射信号进行经验模态分解,将其分解为若干个固有模态函数之和,然后分别对每一个固有模态函数进行自回归建模,最后提取每一个自回归模型的系数组成特征向量,特征向量被分为两组,一组用于对最小二乘支持向量机训练,另一组用于识别刀具磨损状态.试验结果表明:该方法能很好地识别刀具磨损状态,与BP神经网络相比具有更高的识别率.    

7.  声发射技术在复合材料损伤模式识别中的应用  被引次数:1
   江云飞《直升机技术》,2005年第1期
   应用模态分析技术,分析复合材料拉伸破坏试验中的声发射信号,提取复合材料不同破坏阶段下的声发射源信号的特征,进行了有关复合材料损伤模式识别的工作。    

8.  基于小波神经网络的航空刀具磨损状态识别  被引次数:2
   聂鹏  谌鑫  徐涛  孙宝林《北京航空航天大学学报》,2011年第37卷第1期
   针对航空零件的加工特点,采集刀具在不同磨损状态下的声发射(AE,Acoustic Emission)信号,对AE信号进行时频分析和小波变换,运用快速傅里叶变换(FFT, Fast Fourier Transform)以及db8小波5层分解,提取AE信号幅值的均方根和主能量频段的能量作为特征向量,对特征向量进行归一化处理后作为输入向量对小波神经网络进行训练.小波神经网络运用参数调整算法,在权值和阈值的修正中加入动量项.测试结果表明:AE信号对刀具磨损敏感的频率范围在10~150kHz,网络实际输出与期望结果的误差小于0.03,该方法能够对刀具不同磨损状态进行正确的识别.    

9.  多向铺层碳/环氧复合材料特性及声发射分析  
   冼杏娟  蒋灿兴《航空学报》,1984年第5卷第2期
    本文对六种多向铺层的碳纤维增强环氧复合材料的拉伸破坏性能进行了研究,并采用声发射技术监测其损伤扩展过程,分析了它们的破坏机理。 新型的高性能碳纤维增强环氧复合材料应用于宇航、机械及体育器具等,由于工作条件及受力情况是复杂的,采用多向铺层才能满足受拉、压、弯、剪、扭等不同载荷的分别组合,具体铺层设计要针对主要承力情况来确定。多向铺层复合材料的损伤破坏比单向铺层的情况复杂,更需要采用试验的手段来研究它们的力学性能和破坏机理。在非破坏性测试中声发射技术的特点在于能够配合加载装置在进行试验过程中检测并记录复合材料的破坏过程,而且不移动探头的位置即可监测材料的较大区域,因此应用愈来愈多。声发射技术是利用材料或构件受力变形或损伤过程中应变释放产生弹性波这一原理来检测材料的缺陷、退化和破坏,评定材料的性能。声发射技术可以检测复合材料的剪切破坏及拉伸屈服破坏、分层及纤维断裂、粘接强度等。 本工作对六种多向铺层碳/环氧复合材料(包括0/90、±45°、30/60和三种碳布)进行拉伸试验,确定了它们的强度、模量、最大应变率及泊松比,给出六种不同铺层的应力应变关系以及声发射信号量的关系。采用声发射技术配合显微镜观测手段分析不同铺层的碳/环氧材料的声发射表征    

10.  用小波和神经网络相结合的方法识别人体表面肌电信号  
   杜春梅  田丰  崔建国《沈阳航空工业学院学报》,2005年第22卷第3期
   以MALTAB语言作为系统设计工具,将小波分析与神经网络相结合分析人体表面肌电信号。对SEMG信号的识别分为3个步骤:数据预处理,特征的提取,设计分类器分类。首先利用小波分析进行消噪,提取特征;然后采用BP神经网路进行分类、识别;最后通过对分类结果的分析与比较,证明小波与神经网络相结合是一种有效的表面肌电信号的模式识别方法。    

11.  小波神经网络在航空发动机故障诊断中的应用  
   欧阳运芳  沈勇  马婧《航空科学技术》,2009年第6期
   针对某型航空发动机构建了转子-滚动轴承动力学仿真模型,并利用该模型构造了三种发动机故障样本.研究中采用松散型的小波神经网络,先对构造的三种故障信号进行小波包特征分析,提取其能量特征向量作为神经网络的输入,再采用改进的BP神经网络分类器进行发动机故障模式识别.仿真结果表明,基于小波神经网络的信息融合技术用于发动机的故障诊断是可行的和有效的.    

12.  基于小波包和Elman神经网络的液压泵故障诊断  被引次数:8
   刘红梅  王少萍  欧阳平超《北京航空航天大学学报》,2007年第33卷第1期
   针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点,及 传统的BP网络进行故障诊断时网络学习具有收敛速度慢和学习、记忆不稳定的缺陷,提出了 一种将小波包变换和改进Elman神经网络相结合,进行液压泵故障诊断的新方法.利用具有 紧支结构的小波函数对信号进行分解,削减小波系数以滤除信号中的噪声;单支重构以有效 提取各频带的故障特征,并以频带能量作为识别故障的特征向量;应用改进的Elman神经网 络建立从特征向量到故障模式之间的映射,实现液压泵故障分类.试验结果表明,采用小波 包和改进Elman神经网络相结合的方法可有效的实现液压泵故障的诊断.    

13.  远近场声发射信号相关性研究  
   刘武刚  侯传涛  王龙《强度与环境》,2019年第4期
   通过研究材料或结构中产生的声发射信号,获得损伤源的位置、损伤的类型及损伤严重度等信息,因而声发射信号成为分析材料或结构损伤状态的基础。在不同位置处所采集的声发射信号由于传感器特性、结构不连续、频散效应等产生明显的特征变化,这将影响到对材料或结构损伤状态一致性的研究。通过数值仿真的手段获得理想的高速撞击声发射信号,利用概率统计中的相关性分析方法,对获得的损伤源远近场声发射信号进行相关分析,计算相关系数,得到了远近场声发射信号相关性的变化规律,分析了相关系数与声发射波形、频率之间的关系,所得研究结果对评定损伤源位置精度及损伤模式识别的信号选取具有一定的参考价值。    

14.  基于声发射砂轮磨损监测系统的研究  
   丁宁  段景淞  石建  刘超  姜淑娜《南京航空航天大学学报》,2020年第52卷第1期
   磨削加工过程中砂轮出现磨损需要反复的修整,砂轮磨损状态的监测可以有效判别砂轮工作状态,减少砂轮修整次数。本文建立了一种基于声发射信号的砂轮磨损监测模型,提出了基于一种小波分解系数均方值统计分析的砂轮磨损状态特征提取方法。同时,采用BP神经网络对砂轮磨损状态进行识别,其输入为3种提取特征,输出为3种不同的砂轮磨损状态。通过磨削试验对监测系统进行评价。结果表明,所提出小波分解系数均方值统计分析的特征提取方法和砂轮磨损监测系统均具有良好的效果。    

15.  基于图像奇异值描述的雷达目标识别方法  
   方勇昌 张汉华 陈曾平《航空计测技术》,2004年第24卷第5期
   利用目标对常规雷达发射波形的调制效应,先对录取的回波数据进行预处理,把一维回波序列投影成二维灰度图像,然后提取这种图像的反映飞机目标不同机型(大、小)和不同架次的奇异值作为特征矢量,采用BP神经网络对目标进行分类识别试验,结果表明该方法是有效的,这为常规低分辨雷达空中目标识别提供了一种新方法。    

16.  复合材料结构损伤的小波神经网络辨识研究  被引次数:9
   彭鸽  袁慎芳《宇航学报》,2005年第26卷第5期
   将小波神经网络应用于结构健康监测,研究实现复合材料结构常见损伤的高精度辨识。剖析了小波神经网络的收敛算法,并使用了惯性系数以抑制振荡并提出了一种自适应调整学习率的算法以加快收敛。组建结构健康监测实验系统,进行数据处理和特征提取以获得不同的结构损伤模式。提出了小波神经网络初始权值的设置方法,据此删除了小波神经网络的冗余节点。将该小波神经网络应用在实验获得的各种结构损伤模式的辨识上,验证了它的高精度和快速收敛,并成功实现了复合材料结构损伤状态的辨识仿真。    

17.  基于小波变换和神经网络的机械故障检测方法  
   刘建都  张善文  程智峰《宇航计测技术》,2007年第27卷第6期
   针对机械故障中遇到的问题,提出了基于小波变换和神经网络故障检测方法,小波变换理论能够根据被分析信号的特征,自适应地选择相应频带,使之与信号频谱相匹配,从而提高了时-频分辨力。利用小波变换对信号原始信息进行分解,得到信号的不同特征向量。将不同的特征向量送入不同子神经网络进行诊断,并通过神经网络做出最后的诊断。该系统具有知识自动获取、识别速度快、鲁棒性及容错能力强等特点,实例证明该系统是有效的。    

18.  证据理论和神经网络结合的目标识别方法  被引次数:2
   王毛路  李少洪  毛士艺《北京航空航天大学学报》,2002年第28卷第5期
   提出用证据理论和神经网络结合的高分辨率雷达(HRR)目标识别方法,即首先把多个目标高分辨一维距离像送入学习矢量量化神经网络,进行目标类证据估计;然后用D-S证据理论对各次估计结果进行融合.提出了连续特征空间离散化及类支持度构造的方法,并分析了神经网络识别的误差原因.仿真实验结果表明,这种方法的输出正确识别率比仅仅使用矢量量化神经网络有较大的改善,抗噪能力也有所提高.    

19.  基于机匣信号的滚动轴承故障卷积神经网络诊断方法  
   张向阳  陈果  郝腾飞《航空动力学报》,2019年第34卷第12期
   针对在滚动轴承故障激励下的机匣微弱故障特征,提出了基于卷积神经网络(CNN)的故障诊断方法。利用矩阵图法、峭度图法以及小波尺度谱法3种振动信号的预处理方法,将一维原始信号转换为图像信号;利用卷积神经网络对故障进行识别。通过比较分析发现:通过连续小波尺度谱更易提取滚动轴承的故障特征,其故障识别率达到95.82%,均高于其他几种振动信号预处理方法;由于卷积神经网络可以利用深层网络结构自适应地提取滚动轴承故障特征,比传统支持向量机(SVM)方法的故障识别率高约7%。结果证明了该方法的有效性与可行性,且具有较好的泛化能力和稳健性。    

20.  基于小波矩特征和神经网络的灰度图像识别算法研究  
   常俊  王军宁  王轶《空间电子技术》,2009年第6卷第1期
   小波矩结合了矩特征和小波特征,既反映了图像的全局性信息,又反映了图像的局域性信息,并且具有旋转、平移和缩放不变性。文章研究了基于小波矩的灰度图像特征提取算法,并将其与BP神经网络组合,利用神经网络的强学习能力和容错性,形成一个灰度图像识别系统。仿真实验表明,在图像失真较小的情况下识别率可达到100%,较之未提取特征的神经网络识别方法而言,网络收敛速度与识别精度都有较大的提高。    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号