基于特征选择的声发射评价技术研究

论文摘要

声发射检测技术对设备内部活性缺陷具有较高的灵敏度。随着技术的应用领域扩大,从波形和参量数据中提取更多有价值信息的需求越来越广泛,同时由于噪声的复杂性提高,信号处理的难度也越来越大。应用数学和统计学理论的发展为声发射信号处理技术的发展提供了参考。凸优化能够避免算法初始化、陷入局部极值,在检索步长选择方面表现良好。本文尝试将凸优化理论应用于声发射信号处理技术,结合优化算法、统计学理论以及传统声发射特征分析方法,针对声发射检测的评价问题进行了如下工作:1、根据统计学理论知识,对基于互信息的最大依赖特征选择算法进行优化,转换为最大相关最小冗余特征选择算法,证明了若所选特征之间独立性足够,最大相关最小冗余算法与最大依赖算法等价。结合凸集的特点,设计了一阶增量最优递增搜索算法,以实现mRMR算法。2、基于阀门内漏模拟实验平台,对不同种类,不同尺寸的阀门进行了阀门内漏模拟实验研究。采用傅里叶分析和小波包分解处理实验数据,得到了不同尺寸、类型阀门的实验信号频域特性以及滤波后的实验数据。结合电力学中的电流信号波形参数,将电力学波形参数引申至声学信号处理中,并与传统声发射特性参数相结合,构成了特征选择算法的候选特征集。3、采用加权的mRMR算法从候选特征集中选择评价特征,并采用支持向量机对实验数据进行聚类分析,根据不同数量评价特征条件下的聚类精度,最终确定了用于聚类分析的最佳评价特征集组合。4、分别采用mRMR评价特征集、ReliefF评价特征集以及声发射评价特征集进行数据聚类,并将三者聚类精度进行对比。结果表明,mRMR特征集聚类精度达到了70%,与其他评价特征集聚类精度相比提高了10.2%。

论文目录

摘要

ABSTRACT

创新点摘要

前言

1.1 课题研究背景及意义

1.2 凸优化研究现状

1.3 声发射技术研究现状

1.4 特征选择技术

1.5 本文研究内容

1.5.1 研究内容

1.5.2 研究路线

第二章特征选择算法理论研究

2.1 ReliefF特征选择算法

2.2 基于互信息的特征选择算法

2.2.1 最大依赖

2.2.2 最大相关最小冗余

2.2.3 一阶最优递增搜索算法

2.3 支持向量机

2.4 特征选择算法与声发射信号处理的关系研究

2.5 本章小结

第三章特征选择算法试验研究

3.1 试验系统

3.1.1 试验装置结构

3.1.2 声发射采集系统

3.2 试验方案设计

3.2.1 传感器布置方案

3.2.2 传感器选用方案

3.2.3 试验方案

3.2.4 研究数据选择

3.3 构造候选特征集

3.3.1 声发射特征参数

3.3.2 声发射波形参数

3.3.3 候选特征集设置

3.4 特征选择算法应用研究

3.4.1 mRMR特征选择

3.4.2 ReliefF特征选择

3.5 聚类分析

3.5.1 聚类算法流程

3.5.2 聚类分析

3.5.3 对比分析

3.6 本章小结

第四章算法应用研究

4.1 应用研究数据构成

4.2 小波包滤噪

4.3 聚类分析

4.3.1 mRMR聚类

4.3.2 ReliefF聚类

4.3.3 声发射特征集聚类

4.3.4 对比分析

4.4 本章小结

总结与展望

结论

展望

参考文献

文章发表目录

致谢

文章来源

类型: 硕士论文

作者: 刘永轩

导师: 龙飞飞,李伟

关键词: 声发射,信号处理,特征选择,聚类分析,支持向量机

来源: 东北石油大学

年度: 2019

分类: 基础科学,信息科技

专业: 物理学,自动化技术

单位: 东北石油大学

分类号: TP274.5;O429

DOI: 10.26995/d.cnki.gdqsc.2019.000569

总页数: 56

文件大小: 3919K

下载量: 77

基于特征选择的声发射评价技术研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢