發(fā)布時間：2017-08-04 20:16

  本文關(guān)鍵詞：泄漏聲發(fā)射信號特征提取與識別方法研究

  更多相關(guān)文章： 聲發(fā)射信號 自回歸模型 經(jīng)驗?zāi)B(tài)分解 支持向量機(jī) 數(shù)學(xué)形態(tài)學(xué)

【摘要】：到工業(yè)快速發(fā)展的今天,各類壓力管道、高壓鍋爐隨處可見,在使用過程中由于腐蝕、磨損等原因可能會造成管道或爐壁材料破損導(dǎo)致泄漏,從而造成嚴(yán)重的經(jīng)濟(jì)損失和人員傷亡。聲發(fā)射(Acoustic Emission, AE)檢測技術(shù)是一種利用局部材料快速釋放能量所產(chǎn)生的瞬態(tài)彈性波作為激勵源的檢測技術(shù),在無損檢測中占有重要的地位。通過對檢測到的聲發(fā)射信號進(jìn)行分析處理,結(jié)合泄漏信號的檢測理論、檢測方法,實現(xiàn)對泄漏信號的分類識別,對于維護(hù)管道、鍋爐等的安全運行,避免資源浪費,有著重要的理論價值和現(xiàn)實意義,因此研究一種適用于工業(yè)泄漏檢測的方法迫在眉睫。論文主要提出了三種特征提取和類型識別方法。在實驗室環(huán)境下共采集敲擊、砂紙和斷鉛3種模擬泄漏聲發(fā)射信號數(shù)據(jù),論文中所有實驗所用數(shù)據(jù)都是來自于此次信號采集�？紤]到聲發(fā)射信號和語音信號類似,故可以用分幀方法處理聲發(fā)射信號,然后用自回歸模型(Autoregressive Model, A R)提取每幀信號的特征值,組合起來構(gòu)成特征向量,該方法能夠克服傳統(tǒng)AR模型參數(shù)提取方法應(yīng)用在長時序列方面的缺陷,最后利用隱馬爾科夫模型(Hidden Markov Model, HMM)對特征向量進(jìn)行訓(xùn)練和測試。由于經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)可以對信號進(jìn)行平穩(wěn)化處理,所以先對非平穩(wěn)聲發(fā)射信號進(jìn)行EMD分解,得到平穩(wěn)信號IMF分量,再對每階IMF分量進(jìn)行AR建模,提取各段信號IMF分量的AR參數(shù)組成特征向量,最后利用支持向量機(jī)(Support Vector Machine, SVM)對特征向量進(jìn)行分類識別。同時為了對比分析,引入BP(Back-Propagation)神經(jīng)網(wǎng)絡(luò)識別方法,實驗結(jié)果證明：SVM識別正確率比BP神經(jīng)網(wǎng)絡(luò)高。數(shù)學(xué)形態(tài)學(xué)(Mathematical Morphology, MM)信號處理方法在各領(lǐng)域已經(jīng)得到了廣泛應(yīng)用,基于此,引入數(shù)學(xué)形態(tài)學(xué)知識,提出了一種新方法來識別聲發(fā)射信號,首先分別對敲擊、砂紙和斷鉛三種泄漏聲發(fā)射信號進(jìn)行多尺度數(shù)學(xué)形態(tài)分解；再分別計算其在不同尺度上的譜能量,并計算能譜熵值；再次計算每一尺度所占能譜熵的比例,將其組成特征向量；最后利用SVM對特征向量進(jìn)行訓(xùn)練和測試。結(jié)果表明該特征提取方法識別正確率最高,實驗證明將數(shù)學(xué)形態(tài)學(xué)知識與熵值結(jié)合引入泄漏聲發(fā)射檢測中是可行的。
【關(guān)鍵詞】：聲發(fā)射信號 自回歸模型 經(jīng)驗?zāi)B(tài)分解 支持向量機(jī) 數(shù)學(xué)形態(tài)學(xué)
【學(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TN911.7
【目錄】：

• 摘要5-7
• Abstract7-11
• 第1章 緒論11-23
• 1.1 管道泄漏聲發(fā)射技術(shù)研究現(xiàn)狀11-13
• 1.1.1 管道泄漏課題研究背景11
• 1.1.2 泄漏聲發(fā)射檢測技術(shù)國內(nèi)外研究現(xiàn)狀11-13
• 1.2 管道泄漏聲發(fā)射檢測儀器與檢測原理13-20
• 1.2.1 聲發(fā)射原理14-17
• 1.2.2 聲發(fā)射檢測硬件系統(tǒng)17-19
• 1.2.3 泄漏聲發(fā)射信號檢測處理方法19-20
• 1.3 本文的研究內(nèi)容、章節(jié)安排20-23
• 第2章 基于AR和HMM的模擬泄漏聲發(fā)射信號識別方法23-39
• 2.1 基于AR和HMM的聲發(fā)射信號識別方法流程23-24
• 2.2 模擬泄漏聲發(fā)射信號采集24-26
• 2.3 自回歸模型(AR)26-29
• 2.3.1 自回歸模型(AR)原理27-28
• 2.3.2 標(biāo)量量化28-29
• 2.4 隱馬爾科夫模型(HMM)原理29-30
• 2.5 模擬泄漏聲發(fā)射信號特征提取及實驗結(jié)果分析30-37
• 2.5.1 小波去噪和信號分幀30-31
• 2.5.2 AR特征提取結(jié)果31-33
• 2.5.3 HMM訓(xùn)練及分類識別結(jié)果33-37
• 2.6 本章小結(jié)37-39
• 第3章 基于EMD和SVM的模擬泄漏聲發(fā)射信號識別方法39-51
• 3.1 基于EMD和SVM的聲發(fā)射信號識別方法流程39-40
• 3.2 經(jīng)驗?zāi)B(tài)分解(EMD)原理40-41
• 3.3 支持向量機(jī)(SVM)原理41-43
• 3.4 BP神經(jīng)網(wǎng)絡(luò)原理43-45
• 3.5 模擬泄漏聲發(fā)射信號特征提取及實驗結(jié)果分析45-48
• 3.5.1 模擬泄漏聲發(fā)射信號特征提取結(jié)果45-47
• 3.5.2 SVM訓(xùn)練及分類識別結(jié)果47-48
• 3.6 本章小結(jié)48-51
• 第4章 基于數(shù)學(xué)形態(tài)學(xué)的模擬泄漏聲發(fā)射信號識別51-61
• 4.1 數(shù)學(xué)形態(tài)學(xué)知識51-53
• 4.1.1 數(shù)學(xué)形態(tài)學(xué)的起源與發(fā)展51-52
• 4.1.2 信號處理領(lǐng)域所用的數(shù)學(xué)形態(tài)學(xué)知識52-53
• 4.2 基于多尺度形態(tài)分解能譜熵和SVM的聲發(fā)射信號識別方法53-57
• 4.2.1 基于多尺度形態(tài)分解能譜熵和SVM的識別方法流程53-54
• 4.2.2 多尺度形態(tài)分解原理54-56
• 4.2.3 多尺度形態(tài)分解能譜熵原理56
• 4.2.4 各尺度所占形態(tài)分解能譜熵比例原理56-57
• 4.3 模擬泄漏聲發(fā)射信號特征提取及實驗結(jié)果分析57-60
• 4.3.1 模擬泄漏聲發(fā)射信號特征提取結(jié)果57-59
• 4.3.2 SVM訓(xùn)練及分類識別結(jié)果59-60
• 4.4 本章小結(jié)60-61
• 第5章 總結(jié)與展望61-63
• 5.1 總結(jié)61-62
• 5.2 展望62-63
• 致謝63-65
• 參考文獻(xiàn)65-71
• 附錄A (攻讀碩士學(xué)位期間發(fā)表論文和專利說明)71

，

本文編號：621493