在作為一種檢測(cè)信號(hào)序列穩(wěn)定性的方法,排列熵可以放大時(shí)間序列的微小變化以達(dá)到對(duì)信號(hào)穩(wěn)定性的度量。其優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單,速度快。但是對(duì)于多頻混疊現(xiàn)象以及噪聲仍然無(wú)法達(dá)到有效的檢測(cè)目的。極限學(xué)習(xí)機(jī)作為一種單隱藏層前饋型神經(jīng)網(wǎng)絡(luò),其特點(diǎn)是訓(xùn)練速度快,在參數(shù)調(diào)節(jié)方面無(wú)需過(guò)多的干預(yù)。因此,極限學(xué)習(xí)機(jī)的泛化能力強(qiáng)。但是,在ELM整個(gè)對(duì)于模型的訓(xùn)練過(guò)程中也無(wú)法避免的存在許多不足之處。若將其應(yīng)用于實(shí)際的工業(yè)生產(chǎn)當(dāng)中,診斷精度并不會(huì)達(dá)到讓人滿意的效果。針對(duì)上述問(wèn)題的不足之處,本文提出了一種信息重構(gòu)的算法——自適應(yīng)加權(quán)排列熵。根據(jù)熵權(quán)重的思想,對(duì)當(dāng)前的排列熵符合某種排列規(guī)則的序列在其尺度時(shí)間內(nèi)進(jìn)行標(biāo)準(zhǔn)化處理,將處理后的結(jié)果賦以權(quán)重,在計(jì)算整體貢獻(xiàn)率時(shí)候,具有權(quán)重的熵排列的影響力的整體貢獻(xiàn)率突出,更能夠反映原信號(hào)的波動(dòng)性。經(jīng)過(guò)加權(quán)排列熵處理后的信號(hào)可以有效的檢測(cè)出信號(hào)中微小的變化,從而為后續(xù)使用經(jīng)驗(yàn)?zāi)B(tài)分解重構(gòu)過(guò)程中達(dá)到去噪的效果。自適應(yīng)性體現(xiàn)在采用互信息法與偽臨近法結(jié)合的方法來(lái)自適應(yīng)確定最優(yōu)的參數(shù)選取的過(guò)程。首先根據(jù)互信息法確定最小的延遲時(shí)間,再根據(jù)偽近鄰規(guī)則確定嵌入的維度數(shù)的大小。對(duì)于重構(gòu)后的信號(hào)特征,傳統(tǒng)的...

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 論文研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 極限學(xué)習(xí)機(jī)研究現(xiàn)狀
        1.2.2 軸承故障診斷研究現(xiàn)狀
    1.3 論文的主要研究?jī)?nèi)容和工作
    1.4 論文的組織結(jié)構(gòu)
第2章 排列熵與極限學(xué)習(xí)機(jī)理論
    2.1 排列熵的基本理論
        2.1.1 信息熵
        2.1.2 排列熵
        2.1.3 排列熵的性能分析
    2.2 極限學(xué)習(xí)機(jī)模型
        2.2.1 單隱層前饋型神經(jīng)網(wǎng)絡(luò)
        2.2.2 極限學(xué)習(xí)機(jī)理論
        2.2.3 標(biāo)準(zhǔn)ELM算法流程
        2.2.4 ELM算法的性能分析
    2.3 本章小結(jié)
第3章 一種自適應(yīng)參數(shù)的加權(quán)排列熵信息重構(gòu)算法
    3.1 問(wèn)題的引入
    3.2 自適應(yīng)參數(shù)確定
        3.2.1 參數(shù)獨(dú)立性分析
        3.2.2 互信息法
        3.2.3 偽臨近法
    3.3 加權(quán)排列熵算法的提出
        3.3.1 熵權(quán)重思想
        3.3.2 加權(quán)排列熵理論
        3.3.3 加權(quán)排列熵算法流程
        3.3.4 自適應(yīng)參數(shù)的加權(quán)排列熵流程
    3.4 自適應(yīng)參數(shù)的加權(quán)排列熵在信號(hào)重構(gòu)中的應(yīng)用
    3.5 本章小結(jié)
第4章 一種基于特征選擇法改進(jìn)極限學(xué)習(xí)機(jī)的故障診斷算法
    4.1 問(wèn)題分析
    4.2 F-score模型理論
    4.3 Wrapper與Filter特征篩選
        4.3.1 Filter理論
        4.3.2 Wrapper理論
    4.4 特征選擇改進(jìn)的極限學(xué)習(xí)機(jī)故障診斷算法
    4.5 本章小結(jié)
第5章 仿真實(shí)驗(yàn)分析
    5.1 實(shí)驗(yàn)準(zhǔn)備
    5.2 信號(hào)處理
    5.3 特征檢測(cè)
        5.3.1 PE檢測(cè)信號(hào)特征
        5.3.2 WPE檢測(cè)信號(hào)特征
    5.4 軸承故障診斷
        5.4.1 信號(hào)重構(gòu)
        5.4.2 兩種重構(gòu)信號(hào)主成分提取
        5.4.3 WPE-FWELM分類器離線試驗(yàn)
    5.5 本章小結(jié)
第6章 總結(jié)及展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文及參加科研情況



本文編號(hào)：3861802