基于无监督学习卷积神经网络的振动信号模态参数识别

发布时间：2018-01-04 11:38

本文关键词：基于无监督学习卷积神经网络的振动信号模态参数识别　出处：《计算机应用》2017年03期 　论文类型：期刊论文

【摘要】：针对现有的时域模态参数识别方法大多存在难定阶和抗噪性差的问题,提出一种无监督学习的卷积神经网络(CNN)的振动信号模态识别方法。该算法在卷积神经网络的基础上进行改进。首先,将应用于二维图像处理的卷积神经网络改成处理一维信号的卷积神经网络,其中输入层改成待提取模态参数的振动信号集合,中间层改成若干一维卷积层、抽样层,输出层得到的为信号对应的N阶模态参数集合;然后,在误差评估中,对网络计算结果(N阶模态参数集)进行振动信号重构;最后,将重构信号和输入信号之间差的平方和作为网络学习误差,使得网络变成无监督学习网络,避免模态参数提取算法的定阶难题。实验结果表明,当所构建的卷积神经网络应用于模态参数提取时,与随机子空间识别(SSI)算法及其局部线性嵌入(LLE)算法对比,在噪声干扰下,构建的卷积神经网络识别精度要高于SSI算法与LLE算法,具有抗噪声强、避免了定阶难题的优点。
[Abstract]:Most of the existing time domain modal parameter identification methods have the problems of difficult order determination and poor noise resistance. In this paper, an unsupervised learning method for modal identification of vibration signals based on convolution neural network (CNN) is proposed. The algorithm is improved on the basis of convolution neural network. The convolution neural network used in two-dimensional image processing is changed into a convolution neural network for processing one-dimensional signals, in which the input layer is changed into the vibration signal set of modal parameters to be extracted, and the middle layer is changed into several one-dimensional convolution layers. The sampling layer and the output layer are the N order modal parameter set corresponding to the signal. Then, in the error evaluation, the vibration signal is reconstructed from the N-order modal parameter set. Finally, the square sum of the difference between the reconstructed signal and the input signal is taken as the learning error of the network, which makes the network become an unsupervised learning network and avoids the difficulty of determining the order of the modal parameter extraction algorithm. When the constructed convolution neural network is applied to modal parameter extraction, it is compared with the random subspace recognition algorithm (SSI) and the local linear embedding (LLE) algorithm under noise interference. The recognition accuracy of the constructed neural network is higher than that of the SSI algorithm and the LLE algorithm. It has the advantages of strong anti-noise and avoiding the problem of order determination.
【作者单位】：宁波大学信息科学与工程学院;
【基金】：国家自然科学基金资助项目(61071198) 浙江省自然科学基金资助项目(LY13F010015) 浙江省科技创新团队资助项目(2013TD21) 宁波大学科研基金(学科项目)资助项目(xkx11417)~~
【分类号】：TP391.41;TP183
【正文快照】： 0引言振动信号的模态参数识别是大型结构健康监测和结构损伤探测领域振动检测技术的核心,日益成为一种有效而实用的故障诊断和安全检测方法。目前工程中常用的环境激励下模态参数识别方法[1-4]有时域法(依式时域法(Ibrahim TimeDomain,ITD)、随机子空间识别(Stochastic Subspa

【参考文献】

相关期刊论文前10条

1 谢智歌;王岳青;窦勇;熊岳山;;基于卷积-自动编码机的三维形状特征学习[J];计算机辅助设计与图形学学报;2015年11期

2 张晴晴;刘勇;潘接林;颜永红;;基于卷积神经网络的连续语音识别[J];工程科学学报;2015年09期

3 单德山;李乔;;桥梁结构模态参数的时频域识别[J];桥梁建设;2015年02期

4 徐姗姗;刘应安;徐f;;基于卷积神经网络的木材缺陷识别[J];山东大学学报(工学版);2013年02期

5 白俊卿;闫桂荣;王成;;利用局部线性嵌入的模态识别[J];西安交通大学学报;2013年01期

6 代煜;张建勋;;基于小波变换和反向传播网络的模态参数辨识[J];振动与冲击;2012年03期

7 许斌;龚安苏;贺佳;MASRI Sami F;;基于神经网络模型的结构参数提取新方法[J];工程力学;2011年04期

8 付志超;程伟;李晶;徐成;;一种基于神经网络的模态参数识别方法[J];机械强度;2010年06期

9 孙宗光;高赞明;倪一清;;基于神经网络的损伤构件及损伤程度识别[J];工程力学;2006年02期

10 续秀忠,华宏星,陈兆能;基于环境激励的模态参数辨识方法综述[J];振动与冲击;2002年03期

【共引文献】

相关期刊论文前10条

1 刘云;杨建滨;王传旭;;基于卷积神经网络的苹果缺陷检测算法[J];电子测量技术;2017年03期

2 方宁;周宇;叶庆卫;李玉刚;;基于无监督学习卷积神经网络的振动信号模态参数识别[J];计算机应用;2017年03期

3 南宫自军;戴新进;王亮;蔡毅鹏;;航天飞行器飞行模态辨识技术应用及展望[J];强度与环境;2017年01期

4 吴翠颖;周涛;陆惠玲;王媛媛;;特征级图像融合及在医学图像中的应用研究[J];电视技术;2016年12期

5 刘嘉新;刘立伟;王克奇;;基于小波包和RBF神经网络的木材空洞诊断研究[J];西南林业大学学报;2016年06期

6 程琳;杨杰;郑东健;任杰;;基于Hankel矩阵联合近似对角化的结构模态识别[J];振动.测试与诊断;2016年06期

7 林萍;陈永明;邹志勇;;非线性流行降维与近红外光谱分析技术的大米贮藏期快速判别[J];光谱学与光谱分析;2016年10期

8 刘万军;梁雪剑;曲海成;;基于双重优化的卷积神经网络图像识别算法[J];模式识别与人工智能;2016年09期

9 蒋依坛;施洲;蒲黔辉;;轻轨桥梁高墩结构动载试验与振动特性分析[J];铁道标准设计;2016年10期

10 张建伟;暴振磊;江琦;王涛;刘轩然;;基于SVD与改进EMD联合的泄流结构工作特性信息提取[J];应用基础与工程科学学报;2016年04期

【二级参考文献】

相关期刊论文前10条

1 单德山;孙松松;黄珍;吕天德;李乔;;基于试验数据的吊拉组合模型桥梁有限元模型修正[J];土木工程学报;2014年10期

2 单德山;徐敏;;数据驱动随机子空间算法的桥梁运营模态分析[J];桥梁建设;2011年06期

3 程辉;李振东;;希尔伯特-黄变换联合分析法在桥梁健康监测模态参数识别中的应用[J];世界桥梁;2010年04期

4 徐佳;黄声享;麻凤海;;基于改进HHT理论的大型桥梁动态特性分析[J];武汉大学学报(信息科学版);2010年07期

5 徐晓霞;任伟新;韩建刚;;基于响应协方差小波变换和SVD的结构工作模态参数识别[J];振动工程学报;2010年02期

6 滕军;朱焰煌;周峰;李惠;欧进萍;傅学怡;顾磊;;基于复Morlet小波变换的大跨空间结构模态参数识别研究[J];振动与冲击;2009年08期

7 代煜;孙和义;李慧鹏;唐文彦;;基于小波变换的弱非线性阻尼和刚度辨识方法[J];振动与冲击;2009年02期

8 徐增丙;轩建平;史铁林;吴波;胡友民;;LS-SVM在基于小波变换的模态分析中端部效应的应用[J];中国机械工程;2008年13期

9 寇立夯;金峰;;基于HHT方法的结构模态参数识别[J];水利水电科技进展;2008年03期

10 李炜明;朱宏平;夏勇;;某框架损伤识别参数的特征分析[J];振动与冲击;2008年03期

【相似文献】

相关期刊论文前10条

1 云中客;新的神经网络来自于仿生学[J];物理;2001年10期

2 唐春明,高协平;进化神经网络的研究进展[J];系统工程与电子技术;2001年10期

3 李智;一种基于神经网络的煤炭调运优化方法[J];长沙铁道学院学报;2003年02期

4 程科,王士同,杨静宇;新型模糊形态神经网络及其应用研究[J];计算机工程与应用;2004年21期

5 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

6 周丽晖;从统计角度看神经网络[J];统计教育;2005年06期

7 赵奇 ,刘开第 ,庞彦军;灰色补偿神经网络及其应用研究[J];微计算机信息;2005年14期

8 袁婷;;神经网络在股票市场预测中的应用[J];软件导刊;2006年05期

9 尚晋;杨有;;从神经网络的过去谈科学发展观[J];重庆三峡学院学报;2006年03期

10 杨钟瑾;;神经网络的过去、现在和将来[J];青年探索;2006年04期