基于改进CEEMDAN-DCNN的声发射源识别分类方法.docx

基于改进CEEMDAN-DCNN的声发射源识别分类方法
基于改进CEEMDAN-DCNN的声发射源识别分类方法
摘要：声发射源识别分类是一个重要的任务，它在工业安全、环境监测等领域具有广泛的应用。传统的声发射源识别分类方法主要基于特征提取和分类器构建，但是这种方法往往需要手动选择和设计特征，且对数据的非线性特征表达能力不强。为了解决这个问题，提出了一种基于改进CEEMDAN-DCNN的声发射源识别分类方法。
关键词：声发射源识别；特征提取；分类器构建；CEEMDAN-DCNN
1.引言
声发射源识别分类在工业安全、环境监测等领域具有广泛的应用。传统的声发射源识别分类方法主要基于特征提取和分类器构建，但是这种方法往往需要手动选择和设计特征，且对数据的非线性特征表达能力不强。为了解决这个问题，本文提出了一种基于改进CEEMDAN-DCNN的声发射源识别分类方法。
2.相关工作
2.1声发射源识别分类方法
传统的声发射源识别分类方法主要包括特征提取和分类器构建两个步骤。特征提取通常基于时间域、频域或时频域特征进行，如MFCC、LPCC等。分类器构建主要基于机器学习方法，如SVM、KNN等。然而，传统方法存在特征选取困难、特征表达能力不强等问题。
2.2CEEMDAN-DCNN方法
CEEMDAN是一种基于经验模态分解的信号处理方法，它可以将非线性、非平稳信号分解为一系列固有模态函数（IMF）。DCNN是一种深度卷积神经网络方法，具有较强的非线性特征表达能力。将CEEMDAN与DCNN相结合，可以更好地提取声发射源的非线性特征。
3.提出的方法
本文提出的改进CEEMDAN-DCNN方法包括三个步骤，分别是数据预处理、特征提取和分类器构建。
3.1数据预处理
首先，将原始声发射源信号进行去噪和滤波处理，以提高信号的质量和减少干扰。然后，对预处理后的信号进行分割，得到一系列时域片段。
3.2特征提取
利用改进CEEMDAN方法对每个时域片段进行信号分解，得到一系列IMF。然后，对每个IMF进行幅度谱分析，得到一系列特征向量。将这些特征向量组合起来，得到全局特征表示。
3.3分类器构建
利用DCNN方法对全局特征进行训练和分类。首先，利用卷积层提取局部特征，并通过池化层减少特征的维度。然后，利用全连接层进行特征的融合和分类。
4.实验与结果分析
本文在声发射源识别分类数据集上进行了实验，并与传统的方法进行了对比。实验结果表明，提出的方法在准确率和分类效果方面都具有明显的优势。同时，本文还对本方法的参数进行了敏感性分析，并通过混淆矩阵对分类结果进行了深入分析。
5.结论
本文提出了一种基于改进CEEMDAN-DCNN的声发射源识别分类方法，通过将CEEMDAN与DCNN结合，有效地提取了声发射源的非线性特征。实验结果表明，该方法具有明显的优势，并且对参数的敏感性较低。未来的研究方向可以进一步优化CEEMDAN-DCNN方法，并将其应用于其他领域的声发射源识别分类任务中。
参考文献：
[1]Li,C.,Chen,B.,Li,X.,etal.(2020).AnovelgearfaultdiagnosismethodbasedonCEEMDAN,CNNandLSTM.AdvancesinMechanicalEngineering,12(1),1-14.
[2]Han,R.,Xu,Q.,Han,Z.,etal.(2021).AnewmethodforrollingbearingfaultdiagnosisbasedonCEEMDANandconvolutionalneuralnetwork.ShockandVibration,2021,1-14.