隨著機(jī)械制造業(yè)的發(fā)展,機(jī)械設(shè)備的狀態(tài)檢測和故障診斷問題越來越受到重視。但是由于現(xiàn)代設(shè)備的結(jié)構(gòu)復(fù)雜性和工作集成性,傳統(tǒng)信號處理方法很難精確的從混合信號中提取出故障特征,而盲源分離方法能夠僅利用觀測信號的統(tǒng)計(jì)特性恢復(fù)出各個(gè)信號源,進(jìn)而選擇某個(gè)或某幾個(gè)振源信號進(jìn)行進(jìn)一步分析,因此逐漸成為多個(gè)領(lǐng)域的研究熱點(diǎn)之一。本文對于盲源分離方法及其在機(jī)械設(shè)備故障診斷領(lǐng)域中的應(yīng)用展開了深入的研究,主要工作如下： 1.在詳細(xì)分析了EMD方法中分解能力不足及模態(tài)混疊現(xiàn)象的基礎(chǔ)上,針對機(jī)械故障診斷領(lǐng)域中的單通道信號難以應(yīng)用盲源分離方法的難點(diǎn),提出了一種EMD-ICA方法用以單通道故障信號的特征提取及種類識別,并給出了EMD-ICA過程特征信息和EMD-ICA估計(jì)子帶特征信息定義,選取表征故障成分明顯的特征信息作為概率神經(jīng)網(wǎng)絡(luò)的輸入,實(shí)現(xiàn)了對不同故障的識別與分類。此方法解決了機(jī)械故障信號中經(jīng)常遇到的ICA欠定性問題,減小了由于特征信息的弱區(qū)分度和冗余造成的分析誤差,減少了神經(jīng)網(wǎng)絡(luò)的計(jì)算量,提高了特征提取及故障分類精度。 2.在深入研究了相空間理論及時(shí)間結(jié)構(gòu)ICA的基礎(chǔ)上,針對常規(guī)信號處理方法無法識別和提取機(jī)械早期微弱故障的難題,提出了相空間重構(gòu)ICA和峭度貢獻(xiàn)系數(shù)方法用于提取單通道微弱故障信號的特征信息。在該方法中重構(gòu)了一個(gè)包含早期故障信息的相空間,選取相空間向量作為ICA算法的輸入,按照峭度閾值重構(gòu)ICA估計(jì)相空間向量,定義了峭度貢獻(xiàn)系數(shù),并用其判定重構(gòu)信號中早期沖擊成分的位置及周期。實(shí)例分析表明,在故障信息微弱或信噪比較低的情況下,相空間重構(gòu)ICA和峭度貢獻(xiàn)系數(shù)相結(jié)合的方法可以準(zhǔn)確地提取微弱故障引起的沖擊特征。 3.在廣泛了解時(shí)頻ICA方法應(yīng)用于機(jī)械故障診斷的基礎(chǔ)上,提出了兩種改進(jìn)的時(shí)頻SDICA方法。其一為基于小波包分解的HHT時(shí)頻SDICA方法,此方法可以減少故障信號中大部分的冗余時(shí)頻信息,獲取故障時(shí)頻投影系數(shù)并把它作為神經(jīng)網(wǎng)絡(luò)輸入,從而可以實(shí)現(xiàn)不同故障的高精度障分類；其二為基于IIR濾波器的SPWV時(shí)頻SDICA方法,此方法解決了SPWV時(shí)頻ICA盲源分離中出現(xiàn)的交叉項(xiàng)問題,完善了基于SPWV分布的ICA盲源方法的不足。在信號時(shí)頻ICA的基礎(chǔ)上,對SDICA進(jìn)行了擴(kuò)展性研究,提出了帶有選擇標(biāo)準(zhǔn)的SDICA方法解決源相關(guān)圖像的盲源分離問題。
【學(xué)位單位】：大連理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2011
【中圖分類】：TH165.3
【部分圖文】：

機(jī)械設(shè)備故障診斷技術(shù)屬于信息技術(shù)范疇，它是利用被監(jiān)測的對象所提供的一切有用信息，經(jīng)過分析處理獲得最能識別設(shè)備狀態(tài)的特征參數(shù)，最后做出正確的診斷結(jié)論。機(jī)械設(shè)備故障檢測與診斷的一般步驟如圖1.1所示，它主要包括:①信號采集;②信號濾波降噪預(yù)處理;③根據(jù)信號特點(diǎn)選擇信號分析方法;④利用分析方法獲取信號中的特征信息;⑤根據(jù)先驗(yàn)知識查看特征信息的異常;⑥判斷機(jī)械設(shè)備產(chǎn)生故障的部件;⑦判斷故障嚴(yán)重程度;⑧提供故障解決策略。擴(kuò)了，

混合系統(tǒng)A”tg少工幾氣〕①分離系統(tǒng)W量觀測向量估計(jì)源圖1.3言源分離原理框圖F19.1.3TheoryblockdiagramofBSS理及相關(guān)理論工CA與BSS關(guān)系的基礎(chǔ)上，下面對ICA的數(shù)學(xué)模型、約束、不簡要的闡述。據(jù)數(shù)學(xué)模型不同大體可以分為線性瞬時(shí)工CA、噪聲工CA、卷積體的定義如下。以混合工CA的基本模型可以用圖1.紐來表示。5l:t〕xl:t)y(t)

使其從已知的觀測信號x(t)中分離出未知源信號s(t)，具體分離1.3)所示:y(l)=Wx(t)=WAs(t)式中y(t)為s(t)的近似估計(jì)，夕，(z)，夕2(l)，…，少。(l)間相互獨(dú)立[’”l。聲ICA在工程實(shí)際信號中，傳感器采集的觀測信號中往往包含有噪聲信號，因此，在分離問題的時(shí)候應(yīng)該考慮噪聲因素，使得盲源分離的結(jié)果更加精確。噪聲工以下式所示:x(t)=A成t)+n(t)(式中n(t)一In，(l)，.nZ(t)，二，nM(l)]了是由M個(gè)白色、高斯和統(tǒng)計(jì)獨(dú)立的噪聲信的列向量，它與源信號s(t)間呈加性關(guān)系;并且它統(tǒng)計(jì)一獨(dú)立于源信號s(t)[20]。積工CA積ICA的基本模型可以用圖1.5來表示。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 游磊;方方;李平勇;胡俊;何攀;;軸流泵振動(dòng)加速度狀態(tài)監(jiān)測診斷系統(tǒng)的研究與設(shè)計(jì)[J];四川大學(xué)學(xué)報(bào)(工程科學(xué)版);2011年S1期

2 Kristin Majcher;孫立;;機(jī)械故障延誤[J];航空維修與工程;2011年03期

3 費(fèi)燕;;數(shù)控機(jī)床的常見機(jī)械故障與維護(hù)[J];企業(yè)技術(shù)開發(fā);2011年16期

4 胡進(jìn);胡桂明;毛世榕;;BP神經(jīng)網(wǎng)絡(luò)在說話者識別中的應(yīng)用[J];裝備制造技術(shù);2011年09期

5 王瑞瑞;馬建文;陳雪;;多源遙感影像自動(dòng)配準(zhǔn)技術(shù)的研究進(jìn)展[J];遙感信息;2011年03期

6 蔣強(qiáng)榮;高遠(yuǎn);張鴻賓;;基于直方圖交核的人臉識別[J];北京工業(yè)大學(xué)學(xué)報(bào);2011年08期

7 楊穎嫻;;改進(jìn)ICA的人臉特征提取方法[J];長江大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年05期

8 張慧茹;;基于特征融合技術(shù)的發(fā)動(dòng)機(jī)故障診斷分析[J];硅谷;2011年15期

9 姜蘭;;機(jī)械故障的形成及其特性分析[J];青�？萍�;2011年03期

10 劉健;劉忠;;基于小波變換和支持向量機(jī)的水下目標(biāo)分類方法[J];火力與指揮控制;2011年09期

相關(guān)博士學(xué)位論文 前10條

1 趙志宏;基于振動(dòng)信號的機(jī)械故障特征提取與診斷研究[D];北京交通大學(xué);2012年

2 陳建國;基于獨(dú)立分量分析的機(jī)械故障特征提取及分類方法研究[D];大連理工大學(xué);2011年

3 馮坤;基于內(nèi)積變換的機(jī)械故障特征提取原理與早期識別方法研究[D];北京化工大學(xué);2012年

4 張旗;基于屬性的圖像分類研究[D];大連海事大學(xué);2005年

5 張立福;通用光譜模式分解算法及植被指數(shù)的建立[D];武漢大學(xué);2005年

6 蘇彩紅;墻地磚質(zhì)量自動(dòng)檢測技術(shù)的研究[D];華南理工大學(xué);2004年

7 宋余慶;醫(yī)學(xué)圖像數(shù)據(jù)挖掘若干技術(shù)研究[D];東南大學(xué);2005年

8 宋晴;基于液滴分析技術(shù)和液滴指紋圖的液體識別方法的研究[D];天津大學(xué);2005年

9 吳婷;自發(fā)腦電腦機(jī)接口模式識別關(guān)鍵技術(shù)與實(shí)驗(yàn)研究[D];上海交通大學(xué);2008年

10 孫真真;基于光學(xué)區(qū)雷達(dá)目標(biāo)二維像的目標(biāo)散射特征提取的理論及方法研究[D];中國人民解放軍國防科學(xué)技術(shù)大學(xué);2001年

相關(guān)碩士學(xué)位論文 前10條

1 胡小林;Hilbert-Huang變換的改進(jìn)及其在機(jī)械故障特征提取中的應(yīng)用[D];重慶大學(xué);2010年

2 曾紅梅;情緒圖片視覺誘發(fā)EEG特征提取與分析[D];天津大學(xué);2012年

3 雷自力;基于Pro/E的三維零件參數(shù)化建模和特征提取研究[D];華中科技大學(xué);2011年

4 林少波;中文文本分類特征提取方法的研究與實(shí)現(xiàn)[D];重慶大學(xué);2011年

5 黃健;履帶式車輛微多普勒效應(yīng)與特征提取[D];國防科學(xué)技術(shù)大學(xué);2009年

6 趙蕾蕾;基于詞和基本短語模式的特征提取方法[D];河北大學(xué);2009年

7 欒嵐;基于機(jī)理模型判據(jù)的圖像中微弱特征提取方法研究及應(yīng)用[D];東北大學(xué);2009年

8 王菲;面向肺部CAD的特征提取、選擇及分類方法研究[D];東北大學(xué);2009年

9 鄭睿;藻類細(xì)胞圖像的特征提取與分類方法研究[D];杭州電子科技大學(xué);2009年

10 李仁杰;高分辨率SAR圖像目標(biāo)三維特征提取與建模[D];國防科學(xué)技術(shù)大學(xué);2010年

本文編號：2836217