首页  |  期刊简介  |  期刊荣誉  |  编委会  |  现任主编  |  投稿指南  |  下载中心  |  期刊征订  |  学术不端检测
中文核心期刊
Ei Compendex收录期刊
中国科学引文数据库来源期刊
中文科技期刊数据库收录期刊
国际刊号:1004-6801
国内刊号:32-1361/V
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中华人民共和国工业
              和信息化部
  • 主办:南京航空航天大学
              全国高校机械工程
              测试技术研究会
  • 国际刊号:1004-6801
  • 国内刊号:32-1361/V
  • 地址:南京市御道街29号
  • 电话:025-8489 3332
  • 传真:025-8489 3332
  • E-mail:qchen@nuaa.edu.cn
  • 邮编:210016
基于多特征信息融合的砂岩破裂状态识别方法
Identification Methods of Sandstone Fracture State Based on Multi⁃feature Information Fusion
  
DOI:10.16450/j.cnki.issn.1004-6801.2022.03.006
中文关键词:  砂岩破裂  多特征融合  局部线性嵌入  最小二乘支持向量机  模式识别
英文关键词:sandstone fracture  multi-feature fusion  local linear embedding (LLE)  least square support vector machine (LSSVM)  pattern recognition
基金项目:国家自然科学基金资助项目(51464017);江西省教育厅科技资助项目(GJJ190452)
作者单位
杨丽荣 (江西理工大学机电工程学院 赣州341000) 
江川 (江西理工大学机电工程学院 赣州341000) 
刘吉顺 (江西理工大学机电工程学院 赣州341000) 
戴聪聪 (江西理工大学机电工程学院 赣州341000) 
程铁栋 (江西理工大学机电工程学院 赣州341000) 
摘要点击次数: 32
全文下载次数: 28
中文摘要:
      针对岩体在受外界应力时内部破裂状态靠经验难以准确判断的问题,提出了一种多特征信息融合和最小二乘支持向量机(least square support vector machine,简称LSSVM)的岩石破裂状态识别方法。首先,利用改进集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)对砂岩声发射信号进行分解,得到一组有效的平稳本征模函数(intrinsic mode function,简称IMF)分量,对各IMF分量进行自回归(auto regressive,简称AR)建模,提取AR模型系数作为时域特征向量;其次,通过对双谱矩阵进行奇异值分解,分析了砂岩各破碎状态声发射信号的频域特征;最后,利用局部线性嵌入(locally linear embedding,简称LLE)进行特征约简,并将融合特征向量进行归一化处理作为LSSVM的输入,砂岩破裂状态作为输出,采用粒子群算法(particle swarm optimization,简称PSO)对参数自动寻优,实现对岩石破裂状态的诊断识别。结果表明:融合特征具有较强的鲁棒性,且相对单一时域特征识别率提高了6%。
英文摘要:
      In order to solve the problem that the internal fracture state of rock mass under external stress is difficult to be judged accurately by experience, a rock fracture state recognition method based on multi-feature information fusion and least square support vector machine (LSSVM) is proposed. Firstly, the improved ensemble empirical mode decomposition(EEMD) is used to decompose the acoustic emission signal of sandstone, and a set of effective stationary intrinsic mode function(IMF)components are obtained. Moreover, the auto regressive(AR)modeling of each IMF component is carried out, and the coefficients of the AR model are extracted as the time domain eigenvector. Secondly, the frequency domain characteristics of the sandstone acoustic emission signal are analyzed by bi-spectral analysis, and the singular value decomposition of the bi-spectral matrix is carried out to calculate the singular spectrum and construct the frequency domain eigenvector. Finally, local linear embedded (LLE) are used for feature reduction, and the fusion eigenvector is normalized as the input of LSSVM, the sandstone fracture state is used as the output. Particle swarm optimization (PSO) algorithm is used to automatically optimize the parameters to realize the diagnosis and identification of rock fracture state. The results show that the fusion feature has strong robustness and the recognition rate is improved by 6% compared with the single time domain feature.
查看全文  查看/发表评论  下载PDF阅读器
关闭

Copyright @2010-2015《振动、测试与诊断》

地址:南京市御道街29号        邮编:210016

电话:025-8489 3332      传真:025-8489 3332       E-mail:qchen@nuaa.edu.cn

您是本站第2927654位访问者 本站今日一共被访问682

技术支持:北京勤云科技发展有限公司