發(fā)布時間：2017-05-19 23:10

  本文關鍵詞：基于IGA的Volterra核辨識及機械振動信號消噪方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：機械振動噪聲的普遍存在對準確進行機械故障診斷造成了很大的干擾。為了提高故障診斷的準確性,必須得到有效的振動信號,對于振動信號中含有的噪聲信號進行濾除。為了達到這一目的,很多研究者對如何讓消除原始信號中的噪聲信號進行了大量的研究,然而這些研究都是針對某一種噪聲進行濾除,不能對含有多種噪聲信號的原始信號進行恢復。因此針對這一現象,本文提出使用基于改進遺傳算法的Volterra濾波器對振動信號進行噪聲濾除處理。本文主要研究基于IGA的Volterra核參數辨識及機械振動信號的消噪法,并進行了基于Matlab軟件的仿真實驗的研究和論證,本文的主要內容包含以下幾個方面:第一,選擇合適的群智能算法并對其進行算法改進。通過對幾種常用算法性能的比較和分析,最終確定使用遺傳算法。遺傳算法是模擬自然界生物進化過程的一種概率性尋優(yōu)算法,它可以快速地解決復雜的非線性問題,這是傳統的尋優(yōu)方法無法企及的。然而傳統的遺傳算法也有不可避免的缺點,如容易陷入局部最優(yōu)難以自拔,給定的遺傳算子不能滿足有些高精度的辨識要求。所以本文提出使用以下策略對遺傳算法進行改進:基于對立學習機制的種群初始化;根據種群的多樣性程度自適應的改變遺傳算子;采用雙種群進行尋優(yōu),種群一采用遺傳算法,種群二采用粒子群算法;使用精英保留策略。使用改進策略得到改進的遺傳算法(IGA),并用經典函數Rosenbrock和Sphere進行算法的性能測試,測試結果顯示,本文提出的IGA具有較好的尋優(yōu)性能和尋優(yōu)穩(wěn)定性。第二,使用IGA對Volterra核參數進行辨識研究。首先對Volterra級數模型進行分析,并在此基礎上給出待辨識Volterra級數模型;然后用IGA對Volterra級數的核參數進行了辨識,并將辨識結果與遺傳算法辨識結果和粒子群算法辨識結果進行了對比分析研究。通過仿真實驗,可以得出本文提出的改進的遺傳算法比傳統的遺傳算法和粒子群算法有更好的辨識效果和較快的辨識效率。第三,用Volterra濾波器對采集到的機械振動信號的噪聲進行消噪處理。為了檢驗該方法在實際工程應用中的實用性,使用仿真實驗對其進行驗證。該部分主要由兩個仿真實驗構成,仿真實驗1對含噪聲信號的正弦波進行濾波,在仿真實驗中分別用Volterra濾波器、Weiner濾波器、中值濾波器和均值濾波器對其進行濾波,結果顯示Volterra濾波器具有比傳統濾波器更好的濾波性能;同時用基于GA的Volterra濾波器對噪聲信號進行濾波,將結果與基于IGA的Volterra濾波器進行比較,得出IGA對Volterra濾波器有較好的濾波性能。仿真實驗2模擬了機械振動信號,并在該振動信號中添加了高斯噪聲和脈沖噪聲,用相同的方法對其進行消噪處理。分析比較結果得出,本文提出的方法具有更加優(yōu)良的濾波效果,并且具有穩(wěn)定性好、收斂速度快等優(yōu)點,具有一定的實用性。綜上所述,本文提出的基于IGA的Volterra濾波器對于機械振動信號噪聲消除是非常有效的。基于IGA的Volterra濾波器的基本濾波過程是:先使用優(yōu)化算法對Volterra濾波器的核參數進行尋優(yōu)操作,然后將含有噪聲信號的機械振動信號輸入Volterra濾波器,最優(yōu)核參數將使Volterra濾波器更好地對噪聲信號進行最大程度的弱化和消除,并通過適應度函數計算得到的值來判定是否為濾波的最優(yōu)效果。總之,本文提出的方法比傳統的消噪濾波方法有更好的性能,能夠高效地抑制振動信號中混入的高斯噪聲和脈沖噪聲的雙重混合噪聲信號。
【關鍵詞】：Volterra濾波器 Volterra核辨識 改進的遺傳算法 機械振動噪聲消除
【學位授予單位】：蘭州交通大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TH17
【目錄】：

• 摘要4-6
• Abstract6-10
• 1 引言10-19
• 1.1 課題研究背景和意義10-11
• 1.2 機械振動信號消噪研究現狀及存在問題11-13
• 1.3 Volterra核辨識研究現狀13-14
• 1.4 遺傳算法研究現狀14-16
• 1.5 本文待解決問題及研究內容16-19
• 2 遺傳算法的原理及其改進19-35
• 2.1 遺傳算法的基本原理19-22
• 2.1.1 遺傳算法基本思想19-20
• 2.1.2 遺傳算子20-21
• 2.1.3 遺傳操作步驟21-22
• 2.2 粒子群算法基本原理22-26
• 2.2.1 粒子群算法的基本思想23-24
• 2.2.2 粒子群算法中的相關參數24-25
• 2.2.3 粒子群算法實現步驟25-26
• 2.3 改進遺傳算法（IGA）26-33
• 2.3.1 基于對立學習機制的種群初始化操作27-28
• 2.3.2 自適應混合尋優(yōu)策略28-30
• 2.3.3 改進遺傳算法（IGA）流程30-33
• 2.4 改進的遺傳算法（IGA）性能測試33-34
• 2.5 本章小結34-35
• 3 Volterra級數及其核參數辨識35-42
• 3.1 Volterra級數模型35-36
• 3.2 Volterra級數時域模型的核參數辨識原理36-39
• 3.3 基于IGA的Volterra核辨識39-41
• 3.3.1 適應度函數選擇39-40
• 3.3.2 仿真研究40-41
• 3.4 本章小結41-42
• 4 機械振動信號消噪方法研究42-71
• 4.1 機械振動信號噪聲的產生原因及危害43-44
• 4.1.1 機械振動噪聲的產生43
• 4.1.2 機械振動噪聲的危害43-44
• 4.2 機械振動信號噪聲濾除的基本原理44-49
• 4.2.1 機械振動信號噪聲濾除的基本原理45-46
• 4.2.2 三種典型濾波方法分析比較46-49
• 4.3 基于IGA辨識Volterra核的機械振動信號濾波方法49-69
• 4.3.1 適應度函數選擇49-50
• 4.3.2 基于IGA辨識Volterra核的機械振動信號濾波流程50
• 4.3.3 基于IGA辨識Volterra核的濾波方法性能測試50-60
• 4.3.4 基于IGA辨識Volterra核的機械振動信號濾波方法性能測試60-69
• 4.4 本章小結69-71
• 5 結論與展望71-73
• 5.1 結論71
• 5.2 展望71-73
• 參考文獻73-78
• 致謝78-79
• 攻讀學位期間的研究成果79

【共引文獻】

中國期刊全文數據庫 前10條

1 朱韶平;;基于LDA模型的滾動軸承故障類型檢測[J];軸承;2014年07期

2 茅建校;王浩;程懷宇;李愛群;;基于小波變換的臺風激勵下千米級斜拉橋模態(tài)參數識別[J];東南大學學報(自然科學版);2015年01期

3 牛超;侯新國;楊忠林;;一種自適應Morlet小波包絡解調的弱故障檢測方法[J];船電技術;2015年10期

4 耿宇斌;趙學智;;基于Morlet小波變換與SVD的故障特征提取[J];華南理工大學學報(自然科學版);2014年07期

5 林京;趙明;;變轉速下機械設備動態(tài)信號分析方法的回顧與展望[J];中國科學:技術科學;2015年07期

6 朱韶平;樊曉平;;基于pLSA模型的滾動軸承故障檢測[J];計算機應用研究;2015年10期

7 費成巍;白廣忱;;基于WCFSE-FSVM的轉子振動故障診斷方法[J];推進技術;2013年09期

8 田福慶;羅榮;李萬;謝勇;;改進的諧波小波包峭度圖及其應用[J];上海交通大學學報;2014年01期

9 王鈺;儲江偉;;基于Daubechies小波分析的汽車電控發(fā)動機失火故障診斷信息提取[J];森林工程;2014年02期

10 謝國民;王燦祥;佟瑩;;采煤機電動機故障診斷專家系統的研究與應用[J];信息與控制;2013年03期

中國博士學位論文全文數據庫 前10條

1 吳強;基于道旁聲學信號的列車滾動軸承故障診斷技術研究[D];中國科學技術大學;2013年

2 肖海兵;基于能量耗損的機械設備故障診斷理論與方法研究[D];華南理工大學;2013年

3 梅冬勝;基于以太網的點焊過程質量監(jiān)測方法與系統研究[D];哈爾濱工業(yè)大學;2013年

4 陳向民;基于形態(tài)分量分析和線調頻小波路徑追蹤的機械故障診斷方法研究[D];湖南大學;2013年

5 唐友福;基于廣義局部頻率的非線性非平穩(wěn)信號故障特征提取方法研究[D];上海大學;2013年

6 石向榮;面向過程監(jiān)控的非線性特征提取方法研究[D];浙江大學;2014年

7 李蓉;齒輪箱復合故障診斷方法研究[D];湖南大學;2013年

8 王利英;基于安全因子集的架橋機主梁結構傷損識別研究[D];北京交通大學;2014年

9 梁瑜;地鐵列車軸承故障診斷及在途診斷系統研究[D];北京交通大學;2014年

10 嚴保康;低速重載機械早期故障稀疏特征提取的研究[D];武漢科技大學;2014年

中國碩士學位論文全文數據庫 前10條

1 趙麗潔;基于小波變換的結構模態(tài)參數識別研究[D];蘭州理工大學;2013年

2 齊佳龍;基于小波分析的人體平衡評測方法研究[D];河北大學;2013年

3 劉迎;基于SVM風電機組齒輪箱故障診斷系統研究[D];華北電力大學;2013年

4 劉玉龍;重型臥式車床回轉部件裝配故障診斷技術研究[D];哈爾濱工業(yè)大學;2013年

5 鄧貝貝;基于小波聚類的航空發(fā)動機轉子系統故障診斷研究[D];南昌航空大學;2013年

6 孫冬;基于混合模型的故障檢測與診斷方法的研究與應用[D];南京航空航天大學;2013年

7 韓少鵬;基于不確定信息的系統建模與故障預測方法[D];南京航空航天大學;2013年

8 熊波;選煤機械故障特征提取與診斷規(guī)則的研究[D];華中科技大學;2013年

9 張宇飛;模擬電路多軟故障特征的智能優(yōu)化提取方法研究[D];哈爾濱理工大學;2014年

10 阮騰達;CRH5動車組傳動系統故障診斷方法研究[D];西南交通大學;2014年

  本文關鍵詞：基于IGA的Volterra核辨識及機械振動信號消噪方法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：380176