计算机与应用化学
計算機與應用化學
계산궤여응용화학
Computers and Applied Chemistry
2015年
10期
1259-1264
,共6页
于蕊%张寿明%毕贵红%司莉
于蕊%張壽明%畢貴紅%司莉
우예%장수명%필귀홍%사리
支持向量机%经验模态分解%自回归模型%泄漏声发射信号
支持嚮量機%經驗模態分解%自迴歸模型%洩漏聲髮射信號
지지향량궤%경험모태분해%자회귀모형%설루성발사신호
support vector machine%empirical mode decomposition%autoregressive model%acoustic emission signals
声发射信号普遍存在于管道、锅炉泄漏事故中,是否能在设备出现裂纹及微小泄漏时有效检测到相关信号是防止事故发生的关键.支持向量机(SVM)有比神经网络更强的泛化能力,其找到的极值解就是全局最优解,同时它还较好地解决了小样本学习分类问题.针对声发射信号的非线性非平稳特征和现实中难以获得大量故障样本的实际情况,提出了一种基于经验模态分解(EMD)、自回归(AR)模型和SVM相结合的泄漏声发射信号分类方法.首先将采集到的信号进行EMD分解,得到若干个固有模态函数(IMF)之和,然后分别对每一阶IMF分量进行AR建模,提取每一个AR模型的参数组成特征向量,最后利用SVM对3种模拟声发射信号进行分类识别.实验表明,该方法比BP神经网络的识别率更高.
聲髮射信號普遍存在于管道、鍋爐洩漏事故中,是否能在設備齣現裂紋及微小洩漏時有效檢測到相關信號是防止事故髮生的關鍵.支持嚮量機(SVM)有比神經網絡更彊的汎化能力,其找到的極值解就是全跼最優解,同時它還較好地解決瞭小樣本學習分類問題.針對聲髮射信號的非線性非平穩特徵和現實中難以穫得大量故障樣本的實際情況,提齣瞭一種基于經驗模態分解(EMD)、自迴歸(AR)模型和SVM相結閤的洩漏聲髮射信號分類方法.首先將採集到的信號進行EMD分解,得到若榦箇固有模態函數(IMF)之和,然後分彆對每一階IMF分量進行AR建模,提取每一箇AR模型的參數組成特徵嚮量,最後利用SVM對3種模擬聲髮射信號進行分類識彆.實驗錶明,該方法比BP神經網絡的識彆率更高.
성발사신호보편존재우관도、과로설루사고중,시부능재설비출현렬문급미소설루시유효검측도상관신호시방지사고발생적관건.지지향량궤(SVM)유비신경망락경강적범화능력,기조도적겁치해취시전국최우해,동시타환교호지해결료소양본학습분류문제.침대성발사신호적비선성비평은특정화현실중난이획득대량고장양본적실제정황,제출료일충기우경험모태분해(EMD)、자회귀(AR)모형화SVM상결합적설루성발사신호분류방법.수선장채집도적신호진행EMD분해,득도약간개고유모태함수(IMF)지화,연후분별대매일계IMF분량진행AR건모,제취매일개AR모형적삼수조성특정향량,최후이용SVM대3충모의성발사신호진행분류식별.실험표명,해방법비BP신경망락적식별솔경고.
