期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
频繁模式的水电信号异常检测 被引量:3
1
作者 罗旋 罗玮 +2 位作者 贺增良 郭仕锐 冯坤 《现代电子技术》 2023年第10期61-65,共5页
水电站监控系统信号监测是运行值班的核心工作,研发水电站系统信号的异常检测方法对保障水电站安全稳定运行具有重要意义。然而,水电站系统信号具有信息量大、信号关系复杂等特征,使得信号异常检测具有挑战性。目前关于水电信号异常检... 水电站监控系统信号监测是运行值班的核心工作,研发水电站系统信号的异常检测方法对保障水电站安全稳定运行具有重要意义。然而,水电站系统信号具有信息量大、信号关系复杂等特征,使得信号异常检测具有挑战性。目前关于水电信号异常检测的工作较少,且已有研究也仅基于简单的历史状态或者关联关系构建检测方法。文中认为系统信号属于高频流式数据,且前后信号之间存在相关性,监控过程中考虑信号之间的相关性关系比关联性更好,故创新地提出信号之间的三种关系:原因关系、伴生关系和共生关系,并基于这三种关系设计一种水电信号异常检测方法。通过瀑布沟水电机组的简报历史数据进行实验,结果表明所提方法的召回率可以达到86.92%,验证了检测方法的有效性。 展开更多
关键词 水电站 水电信号 监控系统 信号异常检测 频繁模式 数据预处理 信号关系挖掘
在线阅读 下载PDF
基于不完整数据的异常信号检测方法 被引量:2
2
作者 马捷 钟子发 史英春 《计算机工程》 CAS CSCD 北大核心 2011年第14期88-90,93,共4页
针对异常电磁信号检测中常见的输入数据存在参数缺失的问题,提出一种基于不完整数据的异常信号检测方法。该方法借鉴几何数学的思想,通过将缺失数据与正常数据进行比对,分析出缺失数据异常的可能性,给出该数据的异常概率计算方法。通过... 针对异常电磁信号检测中常见的输入数据存在参数缺失的问题,提出一种基于不完整数据的异常信号检测方法。该方法借鉴几何数学的思想,通过将缺失数据与正常数据进行比对,分析出缺失数据异常的可能性,给出该数据的异常概率计算方法。通过该异常概率能直接检测出部分异常信号,并给出剩余不完整数据的异常可能性的排序,从而有利于在资源有限时优先处理异常概率高的信号,达到处理资源优化配置的目的。实验结果表明,该方法能给出缺失数据点的异常概率。 展开更多
关键词 不完整数据 缺失数据处理 异常信号检测 异常概率
在线阅读 下载PDF
磁异常信号奇异值分解的随机共振检测方法 被引量:3
3
作者 李启飞 吴芳 +2 位作者 韩蕾蕾 范赵鹏 李沛宗 《探测与控制学报》 CSCD 北大核心 2020年第2期24-29,共6页
针对目前对水下目标磁异常信号低信噪比检测能力较差的问题,提出奇异值分解随机共振(SVD-RS)方法。该方法基于磁偶极子仿真水下目标磁偶极子信号,信号经过奇异值分解选择最优子信号,随后将子信号通过随机共振系统,并构建检验统计量,实... 针对目前对水下目标磁异常信号低信噪比检测能力较差的问题,提出奇异值分解随机共振(SVD-RS)方法。该方法基于磁偶极子仿真水下目标磁偶极子信号,信号经过奇异值分解选择最优子信号,随后将子信号通过随机共振系统,并构建检验统计量,实现对水下目标磁异常信号的检测。仿真结果表明,通过奇异值分解的方法,能够将信号信噪比提高6 dB,使用奇异值分解随机共振检测方法,能够在输入信噪比为-12 dB时,对水下目标磁异常信号进行有效检测。 展开更多
关键词 水下目标 磁偶极子 奇异值分解 随机共振 异常信号检测
在线阅读 下载PDF
基于STL-1DDCAE的轴承故障诊断研究 被引量:1
4
作者 王雷 孙习习 《机电工程》 CAS 北大核心 2022年第5期578-586,661,共10页
由于轴承原始振动数据标签信息不足,难以对其进行建模分析,针对这一问题,以美国辛辛那提大学IMS数据集为研究对象,提出了一种基于时序分解与一维深度卷积自编码网络(STL-1DDCAE)的无监督轴承故障诊断方法。首先,通过一维深度卷积自编码... 由于轴承原始振动数据标签信息不足,难以对其进行建模分析,针对这一问题,以美国辛辛那提大学IMS数据集为研究对象,提出了一种基于时序分解与一维深度卷积自编码网络(STL-1DDCAE)的无监督轴承故障诊断方法。首先,通过一维深度卷积自编码网络对轴承正常运行数据的非线性特征进行了挖掘,得到了健康样本的重构误差;然后,采用概率分布的方式拟合了健康样本重构误差信号,并计算了其正太分布参数;最后,利用时间序列分解(STL)方法分析了轴承的重构误差曲线,利用趋势项分量确定了轴承故障的发生时间。研究结果表明:该方法能够充分提取轴承故障特征,自适应地确定样本临界阈值,避免轴承异常状态的高误判率,准确识别3个轴承异常信号发生的时间戳为760、1780、1700,并能够根据异常检测时间点分别给轴承数据添加健康状态、内圈故障、外圈故障及滚动体故障的标签,实现数据标签化处理。 展开更多
关键词 机械运行与维修 故障诊断 异常信号检测 重构误差 时间序列分解 一维深度卷积自编码网络
在线阅读 下载PDF
Fatigue damage evaluation by metal magnetic memory testing 被引量:5
5
作者 王慧鹏 董丽虹 +1 位作者 董世运 徐滨士 《Journal of Central South University》 SCIE EI CAS 2014年第1期65-70,共6页
Tension-compression fatigue test was performed on 0.45% C steel specimens.Normal and tangential components of magnetic memory testing signals,Hp(y) and Hp(x) signals,with their characteristics,K of Hp(y) and Hp(x)M of... Tension-compression fatigue test was performed on 0.45% C steel specimens.Normal and tangential components of magnetic memory testing signals,Hp(y) and Hp(x) signals,with their characteristics,K of Hp(y) and Hp(x)M of Hp(x),throughout the fatigue process were presented and analyzed.Abnormal peaks of Hp(y) and peak of Hp(x) reversed after loading; Hp(y) curves rotated clockwise and Hp(x) curves elevated significantly with the increase of fatigue cycle number at the first a few fatigue cycles,both Hp(y) and Hp(x) curves were stable after that,the amplitude of abnormal peaks of Hp(y) and peak value of Hp(x) increased more quickly after fatigue crack initiation.Abnormal peaks of Hp(y) and peak of Hp(x) at the notch reversed again after failure.The characteristics were found to exhibit consistent tendency in the whole fatigue life and behave differently in different stages of fatigue.In initial and crack developing stages,the characteristics increased significantly due to dislocations increase and crack propagation,respectively.In stable stage,the characteristics remained constant as a result of dislocation blocking,K value ranged from 20 to 30 A/(m·mm)-1,and Hp(x)M ranged from 270 to 300 A/m under the test parameters in this work.After failure,both abnormal peaks of Hp(y) and peak of Hp(x) reversed,K value was 133 A/(m·mm)-1 and Hp(x)M was-640 A/m.The results indicate that the characteristics of Hp(y) and Hp(x) signals were related to the accumulation of fatigue,so it is feasible and applicable to monitor fatigue damage of ferromagnetic components using metal magnetic memory testing(MMMT). 展开更多
关键词 metal magnetic memory testing MMMT signal tension-compression fatigue test feature extraction
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部