典型文献
基于K-medoids分类的场地微振动振源识别方法
文献摘要：
各类精密实验室及半导体生产厂房都具有隔振设计,但周围仍可能出现一些超限振动,为找到经隔振设施后转变为微振动的干扰源,需对检测信号进行微振盲源分类与识别;因瞬态微振动信号低频、低幅值、持续时间短的特性,传统振动信号分析手段很难解决此问题,因此本文提出一种基于K-medoids分类的场地微振动振源识别方法.将长期监测数据通过预处理后进行端点检测算法截取瞬态微振动信号;对提取到的信号进行归一化梅尔滤波系数特征提取,构成特征矩阵;将特征矩阵进行基于动态时间归整距离的K-medoids算法聚类,并对场地周围包含的振源数进行估计;对各分类结果进行混合高斯模型建模,采集怀疑振源的数据,并由模型概率阈值判断识别,找出影响严重的干扰源.利用某场地24 h长期监测数据进行实验,成功找到该场地平均幅值最大和出现频次最高的两类干扰振源,分类正确率达到90.57％,识别率达到96.8％,证明了本文方法的有效性和准确性.
文献关键词：
振源识别;场地微振动;归一化梅尔滤波系数;K-medoids聚类;混合高斯模型
中图分类号：
作者姓名：
张钧奕;余才志;王鹏;孙长库
作者机构：
天津大学精密测试技术及仪器国家重点实验室 天津 300072
文献出处：
引用格式：
[1]张钧奕;余才志;王鹏;孙长库-.基于K-medoids分类的场地微振动振源识别方法)[J].仪器仪表学报,2022(11):113-122
A类：
场地微振动,振源识别,超限振动,归一化梅尔滤波系数
B类：
medoids,密实,生产厂房,隔振设计,干扰源,检测信号,源分类,瞬态,振动信号分析,分析手段,难解,长期监测,数据通,端点检测,检测算法,截取,取到,构成特征,特征矩阵,动态时间归整,围包,混合高斯模型,怀疑,概率阈值,阈值判断,地平,识别率
AB值：
0.241223
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
