本文關(guān)鍵詞：基于盲源分離的滾動(dòng)軸承故障診斷方法研究

  更多相關(guān)文章： 盲源分離 特征提取 滾動(dòng)軸承 小波半軟閾值 VMD分解 欠定

【摘要】：現(xiàn)如今,機(jī)械故障診斷技術(shù)伴隨著工業(yè)的發(fā)展已成為一門(mén)新的學(xué)科,其關(guān)注的重點(diǎn)是如何準(zhǔn)確、高效地提取出信號(hào)的故障特征,其中,最經(jīng)常使用的特征提取方法便是信號(hào)處理和分析�，F(xiàn)實(shí)中,采集到的振動(dòng)信號(hào)常常存在干擾以及各個(gè)源信號(hào)間相互混合的情況,這嚴(yán)重影響著故障提取的準(zhǔn)確性,而盲源分離方法則可以有效地解決這一問(wèn)題。本文主要研究的內(nèi)容便是盲源分離在機(jī)械尤其是滾動(dòng)軸承故障特征提取上的應(yīng)用。本文對(duì)盲源分離的基礎(chǔ)理論進(jìn)行了詳細(xì)的分析,介紹了滾動(dòng)軸承中一些典型的故障及其機(jī)理,并且給出了幾種常見(jiàn)的時(shí)頻分析方法。同時(shí)根據(jù)在應(yīng)用盲源分離時(shí)滾動(dòng)軸承中常存在干擾以及欠定問(wèn)題,提出了解決方法,并應(yīng)用于實(shí)際的滾動(dòng)軸承診斷中。由于滾動(dòng)軸承在工作時(shí)存在噪聲的干擾,特征信號(hào)很有可能被湮沒(méi)的情況,根據(jù)小波半軟閾值消噪和盲源分離方法的優(yōu)點(diǎn),提出了在盲源分離之前和之后都進(jìn)行小波半軟閾值消噪的盲源分離方法。在仿真以及實(shí)驗(yàn)中,該方法成功地把噪聲從源信號(hào)中去除,很好地分離出了源信號(hào)并提取到了信號(hào)的特征,驗(yàn)證了其在滾動(dòng)軸承故障特征提取上的有效性。針對(duì)盲源分離的欠定問(wèn)題即源信號(hào)數(shù)目多而觀測(cè)信號(hào)數(shù)目少的情況,提出先利用變分模態(tài)分解(VMD)方法將觀測(cè)信號(hào)升維,然后再對(duì)新觀測(cè)信號(hào)進(jìn)行盲源分離的方法。通過(guò)仿真對(duì)比了基于變分模態(tài)分解的欠定盲源分離方法與基于域均值分解(EMD)的欠定盲源分離方法,結(jié)果驗(yàn)證了基于變分模態(tài)分解方法的優(yōu)越性。最后針對(duì)單通道的滾動(dòng)軸承信號(hào),運(yùn)用該方法進(jìn)行了處理,成功地提取出了滾動(dòng)軸承的故障特征。
【關(guān)鍵詞】：盲源分離 特征提取 滾動(dòng)軸承 小波半軟閾值 VMD分解 欠定
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TH133.33
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第1章 緒論11-16
• 1.1 課題背景及研究意義11
• 1.2 機(jī)械故障診斷技術(shù)的發(fā)展及研究11-12
• 1.3 盲源分離技術(shù)12-15
• 1.3.1 盲源分離的發(fā)展及其研究12-13
• 1.3.2 盲源分離的應(yīng)用13-15
• 1.4 本文研究的內(nèi)容15-16
• 第2章 滾動(dòng)軸承典型故障機(jī)理與時(shí)頻分析方法16-26
• 2.1 引言16
• 2.2 滾動(dòng)軸承的故障機(jī)理16-21
• 2.2.1 滾動(dòng)軸承的基本振動(dòng)信號(hào)特征16-17
• 2.2.2 滾動(dòng)軸承故障的失效形式17-20
• 2.2.3 滾動(dòng)軸承的頻率特性20-21
• 2.2.4 滾動(dòng)軸承的頻段成份特點(diǎn)21
• 2.3 滾動(dòng)軸承中常見(jiàn)的時(shí)頻分析方法21-25
• 2.3.1 短時(shí)傅里葉變換21-22
• 2.3.2 包絡(luò)分析法22
• 2.3.3 Wigner-Ville分布22-23
• 2.3.4 Hilbert-Huang時(shí)頻分析23
• 2.3.5 小波變換23-25
• 2.4 本章小結(jié)25-26
• 第3章 盲源分離基礎(chǔ)理論與算法26-37
• 3.1 引言26
• 3.2 盲源分離的基本理論26-29
• 3.2.1 盲源分離的數(shù)學(xué)模型26-28
• 3.2.2 盲源分離的基本假設(shè)28
• 3.2.3 盲源分離的不確定性28-29
• 3.3 盲源分離的預(yù)處理方法29-30
• 3.3.1 去均值29-30
• 3.3.2 白化處理30
• 3.4 盲源分離的獨(dú)立性判據(jù)30-33
• 3.4.1 非高斯性準(zhǔn)則30-31
• 3.4.2 信息論準(zhǔn)則31-33
• 3.4.3 基于高階統(tǒng)計(jì)量33
• 3.5 典型的盲源分離算法33-35
• 3.5.1 基于四階累積量的特征矩陣聯(lián)合對(duì)角化算法33-34
• 3.5.2 基于固定點(diǎn)迭代的快速神經(jīng)算法34
• 3.5.3 最大熵算法34-35
• 3.6 盲源分離的性能評(píng)價(jià)指標(biāo)35-36
• 3.6.1 PI性能指數(shù)35
• 3.6.2 相似系數(shù)35-36
• 3.6.3 信噪比36
• 3.7 本章小結(jié)36-37
• 第4章 基于小波半軟閾值和盲源分離的滾動(dòng)軸承故障特征提取37-48
• 4.1 引言37
• 4.2 小波閾值消噪原理37-38
• 4.3 閾值選擇38-39
• 4.4 閾值處理函數(shù)39-42
• 4.4.1 小波軟閾值消噪39-40
• 4.4.2 小波硬閾值消噪40
• 4.4.3 小波半軟閾值消噪40-41
• 4.4.4 三種閾值處理函數(shù)消噪方法的比較41-42
• 4.5 基于小波半軟閾值消噪的盲源分離方法42-43
• 4.6 仿真研究43-46
• 4.7 機(jī)械故障信號(hào)分析實(shí)例46-47
• 4.8 本章小結(jié)47-48
• 第5章 基于變分模態(tài)分解的欠定盲源分離的方法研究48-57
• 5.1 引言48
• 5.2 變分模態(tài)分解48-52
• 5.2.1 變分模態(tài)分解簡(jiǎn)介48-49
• 5.2.2 VMD的原理49-50
• 5.2.3 VMD方法對(duì)信號(hào)的分解50-52
• 5.3 基于VMD的欠定盲源分離方法52-55
• 5.3.1 方法實(shí)現(xiàn)52
• 5.3.2 仿真分析52-55
• 5.4 單通道滾動(dòng)軸承故障信號(hào)的盲源分離實(shí)例55-56
• 5.5 本章小結(jié)56-57
• 結(jié)論57-59
• 參考文獻(xiàn)59-64
• 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果64-65
• 致謝65

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 林秋華,殷福亮;盲源分離自適應(yīng)算法的統(tǒng)一形式[J];大連理工大學(xué)學(xué)報(bào);2002年04期

2 李廣彪;張劍云;;基于變步長(zhǎng)等變化自適應(yīng)盲源分離算法[J];電子信息對(duì)抗技術(shù);2006年01期

3 蘇中元;賈民平;;周期平穩(wěn)信號(hào)盲源分離算法及其應(yīng)用[J];機(jī)械工程學(xué)報(bào);2007年10期

4 陳錫明;黃碩翼;;盲源分離綜述——問(wèn)題、原理和方法[J];電子信息對(duì)抗技術(shù);2008年02期

5 劉秀芳;艾延廷;張[，

本文編號(hào)：1112179