典型文献
基于声发射信号EMD-WPD特征融合的航天器在轨泄漏辨识方法
文献摘要：
长期运行在空间环境中的航天器可能由于撞击、振动、老化等因素而发生气体泄漏,在轨泄漏辨识对航天器安全保障具有重要意义.提出了一种基于声发射信号经验模态分解(empirical mode decomposition,EMD)和小波包分解(wavelet packet decomposition,WPD)特征融合的航天器泄漏辨识方法,首先将声发射信号分别通过EMD和WPD分解成为不同频率范围内的子带信号,考虑能量特征误差与不稳定性,提取信号无量纲因子和频率特征参数并应用Relief F算法选取特征.最后,构建支持向量机(support vector machines,SVM)机器学习数据库,训练泄漏分类模型并利用测试集交叉验证模型分类精度.结果 表明,EMD和WPD分解特征并行融合分类模型可显著提高辨识精度,最高可达96.9％,且输入特征数量少,是一种具有应用前景的航天器在轨气体泄漏辨识方法.
文献关键词：
真空泄漏;声发射检测;经验模态分解-小波包分解(EMD-WPD)特征融合;支持向量机(SVM)
中图分类号：
作者姓名：
綦磊;梁真馨;丁红兵;郑悦;芮小博;张宇
作者机构：
北京卫星环境工程研究所,北京100094;天津大学精密测试技术及仪器国家重点实验室,天津300072;天津大学电气自动化与信息工程学院,天津300072
文献出处：
引用格式：
[1]綦磊;梁真馨;丁红兵;郑悦;芮小博;张宇-.基于声发射信号EMD-WPD特征融合的航天器在轨泄漏辨识方法)[J].振动与冲击,2022(04):110-116
A类：
在轨泄漏
B类：
声发射信号,EMD,WPD,特征融合,航天器,辨识方法,长期运行,空间环境,撞击,生气,气体泄漏,经验模态分解,empirical,mode,decomposition,小波包分解,wavelet,packet,分解成,不同频率,带信,能量特征,取信,无量纲,频率特征,Relief,support,vector,machines,学习数据,分类模型,测试集,交叉验证,验证模型,模型分类,分类精度,分解特征,并行融合,融合分类,辨识精度,输入特征,特征数,真空泄漏,声发射检测
AB值：
0.387221
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。
