小波神经网络在航空发动机故障诊断中的应用

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.     

贝叶斯正则化BP网络在机翼载荷分析中的应用

采用贝叶斯正则化与BP网络相结合的方法,构造了一个分析飞机机翼载荷的三层BP网络。贝叶斯正则化方法提高了BP神经网络的泛化能力,且能考虑非特征化的非线性影响。使用某型飞机对称机动和滚转机动的试飞实测数据作为载荷激励来训练神经网络,并用这个训练完的网络预测了该飞机机翼的飞行载荷。最后将神经网络预测结果与实测结果进行了比较,结果表明该方法能够准确地实现飞机机翼载荷预测,对新机研制和飞行试验有较高的参考价值。     

胶接点焊接头拉伸声发射信号分析及其损伤模型北大核心CSCD

基于Box-Behnken Design响应面法开展胶接点焊工艺试验,分别采集了胶接点焊、点焊、粘接三种接头拉伸过程的声发射信号,采用小波包对信号进行分解重构,分析了三种接头的信号特征,同时结合撞击计数历程图对焊核失效断口进行了分析,并通过累计撞击计数建立了试件的损伤模型。结果表明:三种接头在屈服阶段和断裂阶段的声发射信号较为丰富;胶层失效和焊核拔出失效可以通过声发射信号特征进行区分,其中胶层失效时其声发射信号频率主要集中在0~62.5 kHz,焊核拔出失效时其声发射信号频率主要集中在31.25~281.25 kHz;声发射撞击计数历程图可以从总体上反映焊核失效过程;建立的损伤模型可以较好地表征试件损伤状态。     

UHMWPE/LDPE层合板复合材料损伤声发射信号识别

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。     

用小波和神经网络相结合的方法识别人体表面肌电信号

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。     

C/E复合材料声发射信号小波分析及人工神经网络模式识别

以复合材料为对象，以宽频带传感器及线阵列方式对各类模式试样采集了波形及信号参数，比较波形、信号参数、频谱及小波谱的特征，筛选出六类1300个样本，采用多分辨小波变换提取了5个特征向量，实现了特征空间的降维处理，采用B—P型反向传播神经网络构成了智能化模式分类器，研究了网络模型的学习效果和对与复合材料主要损伤机制有关的六类声发射信号的识别能力。试验结果表明，神经网络对六类信号的平均正确识别率达到90.4%。最佳识别率为97.2%。该方法成功用于90°、0°光滑和0°缺口三种试样的破坏过程分析，获得了满意的效果。     

基于声发射信号的高速铣削过程监测技术

叙述了如何将声发射技术应用于航空铝合金的高速铣削过程监测,介绍了监测装置硬件系统和信号数据采集平台的构成,最后运用小波分析进行信号分解,计算分解后的各频段能量,并从频段的能量对比中发现,信号能量可以作为刀具磨损的特征参数.     

质量控制图智能识别中样本数据的预处理

神经网络在质量控制图的异常模式识别应用中,小参数样本之间的模式特征在强随机干扰下差别不明显,易造成误判。本课题采用了两种样本数据的预处理方法--模糊化处理和指数加权滑动平均(EWMA)处理,可明显改善小参数异常模式的被识别能力。     

TC18钛合金疲劳断裂过程声发射信号特征分析

声发射技术通过实时监测结构服役过程中发出的声发射信号,判断结构是否出现损伤,是一种重要的在线监测损伤的技术。为了明确TC18钛合金在疲劳试验中产生微裂纹、裂纹扩展及断裂等过程中声发射信号的特性,设计TC18钛合金试验件,进行其疲劳试验并全程采集声发射信号;采用参数分析方法,得到声发射信号在时域、频域方面的参数特征。结果表明:在裂纹萌生及扩展阶段,声发射信号幅值为40~65dB,低于相同条件下铝合金的信号幅值;在200~280kHz频段上,裂纹萌生阶段与后续过程的能量分布存在较大差异。结合上述研究结果,给出TC18钛合金试验件声发射监测的参考原则。     

基于组合预测模型的飞行器健康预测

针对飞行器健康状况难以准确预测的问题,结合GM(1,1)模型和MGM(1,n)模型的各自优点,提出了基于组合预测模型对飞行器健康信息进行预测的新方法.首先对由声发射传感器募集到的飞行器关键部件原始声发射信号进行五级sym4小波分解,分别提取其第五层小波分解系数的绝对值平均值、标准差和奇异值三种特征向量;然后分别用GM(1,1)模型和MGM(1,n)模型对绝对值平均值进行预测,利用BP神经网络将这两种模型的预测结果作为输入、原始数据作为输出进行组合预测.实验表明,这种组合预测方法可以很好地实现对飞行器关键部件故障信息的准确预测,其预测准确度明显高于单一预测模型,从而证实了该方法的有效性.     

基于声发射信号信息距的滚动轴承故障诊断

在信息熵理论基础上,提出了一种融合小波能谱与马氏距离的信息距滚动轴承故障诊断方法.利用双转子试验台对滚动轴承内圈故障、外圈故障、滚动体故障、内圈 滚动体故障和内圈 外圈故障进行模拟,并采集其声发射信号.利用提出的信息距方法对获取的声发射信号进行分析,成功实现滚动轴承单一故障和耦合故障诊断.结果表明该方法信息利用率高于信息熵方法,能够清晰和准确地诊断出滚动轴承早期故障,效果明显优于信息熵距的诊断方法.      

基于小波神经网络辨识的PID神经MRAC研究

提出了一种基于小波神经网络辨识的PID神经网络模型参考自适应控制方法。该方法采用小波神经网络作为辨识器,PID神经网络作为控制器在线调节。由于小波变换具有良好的时频局部特性,神经网络具有强大的非线性映射能力,自学习、自适应等优势,采用规范正交的小波函数作为神经网络的基函数构成小波神经网络,该网络兼有小波函数的紧支性、波动性以及神经网络的非线性映射能力,自学习、自适应能力等优点,仿真结果表明用该方法构成的控制系统收敛速度快,逼近精度高,鲁棒性好,优于一般的BP网络控制。     

基于神经网络的体视PIV空间标定模型

体视粒子图像测速（SPIV）中的空间标定精度对SPIV的测试结果精度有较大影响。为研究标定模型对输入误差的处理能力,定义了一个无量纲参数——误差衰减系数,来评判空间标定模型对误差的响应。在此基础上针对SPIV两相机空间标定的误差产生和传播特性,发展了一种基于神经网络的且具有联合标定能力的SPIV空间标定模型。使用仿真实验手段,证实了该神经网络模型在很大的参数空间内均具有对输入误差的抑制能力,而传统的多项式模型或小孔模型并不具备这一能力;此外,神经网络模型在高光学畸变情况下的表现也优于多项式模型及小孔模型。因此,神经网络具备替换传统空间标定模型的能力,有助于提高SPIV的测量精度。最后在实验中证实了神经网络标定模型的空间定位误差仅为传统模型的1/4。     

基于CWT-CNN的齿轮箱运行故障状态识别

针对传统故障诊断中提取的特征不具有自适应能力、很难匹配特定故障的问题,提出了一种基于连续小波变换（CWT）和二维卷积神经网络（CNN）的齿轮箱故障诊断方法。该方法对齿轮箱故障振动信号采用连续小波变换构造其时频图,以其为输入构建卷积神经网络模型,通过多层卷积池化形成深层分布式故障特征表达。利用反向传播算法调整网络各层的结构参数,使模型建立从信号特征到故障状态之间的准确映射。在不同工况和不同故障状态下的实验中,故障识别准确率达到了99.2%,验证了方法有效性。采用这种自适应学习信号中丰富的信息的方法,可以为故障诊断智能化提供基础。      

基于小波神经网络的齿轮系统故障诊断

通过对齿轮系统在不同的运转状态下不同的故障类型进行试验测试分析,获取了有关的测试信号,对振动特征信号进行了小波阈值去噪,采用离散小波变换(DWT)对去噪后的信号进行8层分解处理,对各层的小波系数进行了小波重构,得到8层细节信号和1层近似信号,并计算了各层信号的能量,得到了信号的能量分布特征.在此基础上把各层信号特征作为神经网络的输入,进行了网络的研究、分析处理和故障分类,并对小波神经网络方法与单独采用神经网络方法的故障诊断结果进行了比较评价.研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波神经网络诊断方法,对于齿轮无故障、齿根裂纹故障、分度圆裂纹故障和齿面磨损故障能够进行很好地区分与诊断,其诊断成功率均在95%以上,可对实际工程工作的齿轮系统进行故障诊断.      

基于智能信息融合的飞控系统故障检测隔离方法研究

利用小波时频信号分析技术来分离非平稳噪声,提高了残差中故障信息的信噪比.提出了智能信息融合故障检测新方法,应用模糊逻辑自适应调节无故障的模型参数,抑制残差中非平稳信号的增长;采用人工神经网络故障分类器来消除非线性故障信号偏差对残差判决的影响,扩大了故障检测与隔离算法的适用范围.仿真结果表明,该算法技术性能优越,改进效果明显.     

基于小波变换和不变矩的车标识别方法

形状特征是目标识别的重要参数,小波变换的低频部分代表物体的总体形状特征,而图像中的噪声主要分布于高频部分。根据这一特征,利用小波变换消除噪声提取目标形状,进而利用特征不变矩距离进行分类,实现目标识别,将该方法应用在实测车标图像的识别中,结果表明识别效果较好。     

电阻法诊断碳布/环氧树脂复合材料压缩损伤

采用电阻法与声发射技术研究了压缩载荷对不同规格的碳布/环氧树脂复合材料的影响,得出电阻法诊断复合材料压缩损伤的依据。试验结果表明,当受到压缩载荷作用时,碳布/环氧树脂复合材料中的导电网络会发生变化,从而引起复合材料电阻的变化。同时,复合材料的声发射能量会增加。当电阻变化幅度超过一定值时,则可诊断复合材料中存在压缩损伤。电阻法诊断复合材料压缩损伤能够提高复合材料的使用安全性能。