以压力容器气体泄漏展开研究,提出了一种融合黄金正弦的减法平均优化器(subtraction-average-based optimizer with golden sine,GSABO)、优化变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural ne...以压力容器气体泄漏展开研究,提出了一种融合黄金正弦的减法平均优化器(subtraction-average-based optimizer with golden sine,GSABO)、优化变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural network,CNN)与支持向量机(support vector machine,SVM)联合分类检测的方法。首先,引入了融合黄金正弦的减法平均优化器对变分模态分解的参数模态个数K和惩罚参数α进行寻优,将最小包络熵为适应度函数得到最佳的K和惩罚参数α,计算最佳IMF分量的9种时域指标构建特征向量,输入CNN-SVM联合的分类方法进行特征提取并对气体泄漏情况进行识别。经实验分析,提出的引入融合黄金正弦的减法平均优化器优化后的VMD方法能够有效地自适应获取最优参数组,然后对压力容器气体泄漏声波信号进行特征提取,选取最优的特征组合输入CNNSVM联合分类检测,得到泄漏与否判别准确率高达99.16%,有助于对后续研究进一步开展。展开更多
针对齿轮故障诊断中采集到的振动信号常伴有噪声干扰且故障特征难以提取的问题,以傅里叶-贝塞尔级数展开(Fourier-Bessel series expansion,FBSE)为基础,提出了一种将FBSE和基于能量的尺度空间经验小波变换(energy scale space empirica...针对齿轮故障诊断中采集到的振动信号常伴有噪声干扰且故障特征难以提取的问题,以傅里叶-贝塞尔级数展开(Fourier-Bessel series expansion,FBSE)为基础,提出了一种将FBSE和基于能量的尺度空间经验小波变换(energy scale space empirical wavelet transform,ESEWT)相结合的齿轮振动信号降噪方法,即FBSE-ESEWT。首先,将采集到的齿轮振动信号利用FBSE技术获得其频谱,以替代传统的傅里叶谱,接着凭借能量尺度空间划分法对获取的FBSE频谱进行自适应分割和筛选,以精确定位有效频带的边界点。随后通过构建小波滤波器组得到信号分量并进行重构,以减小噪声和冗余信息干扰;然后,为捕捉到更全面的特征信息将处理后的信号进行广义S变换得到时频图,输入2D卷积神经网络进行故障诊断验证算法可行性。通过对Simulink仿真信号和实际采集信号进行实验,结果表明,相对于原始经验小波变换(EWT)、经验模态分解(EMD)等方法,FBSE-ESEWT具有更好的降噪效果,信噪比提高了13.96 dB,诊断准确率高达98.03%。展开更多
文摘针对齿轮故障诊断中采集到的振动信号常伴有噪声干扰且故障特征难以提取的问题,以傅里叶-贝塞尔级数展开(Fourier-Bessel series expansion,FBSE)为基础,提出了一种将FBSE和基于能量的尺度空间经验小波变换(energy scale space empirical wavelet transform,ESEWT)相结合的齿轮振动信号降噪方法,即FBSE-ESEWT。首先,将采集到的齿轮振动信号利用FBSE技术获得其频谱,以替代传统的傅里叶谱,接着凭借能量尺度空间划分法对获取的FBSE频谱进行自适应分割和筛选,以精确定位有效频带的边界点。随后通过构建小波滤波器组得到信号分量并进行重构,以减小噪声和冗余信息干扰;然后,为捕捉到更全面的特征信息将处理后的信号进行广义S变换得到时频图,输入2D卷积神经网络进行故障诊断验证算法可行性。通过对Simulink仿真信号和实际采集信号进行实验,结果表明,相对于原始经验小波变换(EWT)、经验模态分解(EMD)等方法,FBSE-ESEWT具有更好的降噪效果,信噪比提高了13.96 dB,诊断准确率高达98.03%。
