先進(jìn)制造技術(shù)的發(fā)展要求現(xiàn)代制造系統(tǒng)必須安全可靠穩(wěn)定運(yùn)行,使得加工設(shè)備和加工過(guò)程的工況監(jiān)控和故障診斷越來(lái)越重要,成為一門集傳感器技術(shù)、圖像處理、自動(dòng)控制、人工智能、信號(hào)處理為一體的綜合性技術(shù)。監(jiān)控和診斷一般采用多個(gè)傳感器獲取信息,信息量很大,如何對(duì)采集的信息進(jìn)行融合并從大量檢測(cè)信號(hào)中濾掉無(wú)用的干擾和噪聲、提取有用的信號(hào)特征一直是監(jiān)控和診斷過(guò)程中的難題。信號(hào)處理領(lǐng)域新近發(fā)展的盲源分離技術(shù)因?yàn)槟茉谖粗盘?hào)詳細(xì)特征的情況下僅根據(jù)信號(hào)的統(tǒng)計(jì)特征恢復(fù)信號(hào)源,可以用來(lái)消除測(cè)量信號(hào)臨近機(jī)器和部件引起的干擾,將感興趣信號(hào)和干擾信號(hào)分離開來(lái),成為近年機(jī)械設(shè)備故障診斷領(lǐng)域的研究新熱點(diǎn)。本文首先回顧了機(jī)械設(shè)備監(jiān)控和故障診斷技術(shù)的理論和應(yīng)用研究現(xiàn)狀,并指出在測(cè)量信號(hào)中若包含干擾時(shí)過(guò)去往往需要關(guān)于被監(jiān)控設(shè)備大量詳細(xì)的先驗(yàn)知識(shí),包括對(duì)具體結(jié)構(gòu)的詳細(xì)了解才能將干擾的影響消除。接著介紹了盲源分離應(yīng)用于加工領(lǐng)域的意義和前景,提出了基于盲源分離的監(jiān)控和故障檢測(cè)的流程,就實(shí)際應(yīng)用中遇到的源數(shù)估計(jì)等四個(gè)方面的問(wèn)題展開了深入研究。利用m-p-p神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)從網(wǎng)絡(luò)最終輸出成分的能量和信息化準(zhǔn)則兩方面推導(dǎo)了兩種自適應(yīng)主成分分析算法,... 

【文章來(lái)源】：上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：154 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題背景與意義
        1.1.1 課題背景
        1.1.2 課題意義
    1.2 機(jī)械設(shè)備故障診斷技術(shù)的應(yīng)用現(xiàn)狀
    1.3 機(jī)械設(shè)備故障診斷理論研究現(xiàn)狀
        1.3.1 故障機(jī)理
        1.3.2 故障推理
    1.4 故障診斷技術(shù)發(fā)展趨勢(shì)
    1.5 故障特征信號(hào)檢測(cè)
        1.5.1 時(shí)域分析
        1.5.2 功率譜分析
        1.5.3 傅立葉變換（FT）譜分析
        1.5.4 ARMA 等現(xiàn)代譜分析
        1.5.5 高階譜（HOS）分析
        1.5.6 時(shí)頻分析
        1.5.7 小波分析
    1.6 目前信號(hào)檢測(cè)存在的問(wèn)題
    1.7 基于盲源分離的故障信號(hào)檢測(cè)
        1.7.1 盲源分離問(wèn)題描述
        1.7.2 盲源分離研究現(xiàn)狀
        1.7.3 盲分離的應(yīng)用
        1.7.4 盲源分離理論用于機(jī)械故障提取的現(xiàn)狀
    1.8 本論文研究的目標(biāo)及內(nèi)容
        1.8.1 目標(biāo)
        1.8.2 研究?jī)?nèi)容和論文結(jié)構(gòu)
    參考文獻(xiàn)
第二章 PCA 的自適應(yīng)快速算法
    2.1 前言
    2.2 PCA 概述
        2.2.1 PCA 在噪聲信號(hào)分析中的應(yīng)用
        2.2.2 PCA 傳統(tǒng)算法
    2.3 NOja 算法
    2.4 基于NIC 準(zhǔn)則的并行PCA
        2.4.1 算法比較
        2.4.2 MNIC 穩(wěn)定點(diǎn)特征
        2.4.3 MNIC 全局穩(wěn)定性證明
    2.5 算法性能仿真
        2.5.1 PCA 驗(yàn)證
        2.5.2 參數(shù)變化對(duì)MNIC 性能影響
        2.5.3 電機(jī)噪聲信號(hào)的主成分分析
    2.6 本章小結(jié)
    參考文獻(xiàn)
第三章：瞬時(shí)混合條件下噪聲信號(hào)盲分離的自適應(yīng)算法
    3.1 前言
        3.1.1 機(jī)械噪聲信號(hào)多傳感器檢測(cè)的盲源分離模型
        3.1.2 瞬時(shí)混合模型的盲源分離問(wèn)題概述
    3.2 信號(hào)獨(dú)立性度量
        3.2.1 信號(hào)高斯性測(cè)度-峰度
        3.2.2 統(tǒng)計(jì)獨(dú)立性原理
    3.3 信號(hào)分離準(zhǔn)則
        3.3.1 信息論基礎(chǔ)
        3.3.2 對(duì)照函數(shù)
        3.3.3 典型自適應(yīng)算法
        3.3.4 算法性能評(píng)價(jià)準(zhǔn)則
    3.4 瞬時(shí)混合機(jī)械噪聲兩步自適應(yīng)盲分離
        3.4.1 機(jī)械噪聲分離的特殊性
        3.4.2 兩階段噪聲盲分離
    3.5 噪聲分離實(shí)驗(yàn)
    3.6 本章小結(jié)
    參考文獻(xiàn)
第四章 基于塊處理的噪聲信號(hào)盲分離算法
    4.1 基于高階累積量的盲分離塊處理算法
        4.1.1 三階累積量的局限
        4.1.2 四階累積量
    4.2 基于二階統(tǒng)計(jì)量的聯(lián)合對(duì)角化盲分離（SOBI）
        4.2.1 假設(shè)條件
        4.2.2 模型
        4.2.3 聯(lián)合對(duì)角化
        4.2.4 經(jīng)典的SOBI- Givens 旋轉(zhuǎn)法算法流程
        4.2.5 魯棒的二階盲分離算法（RSOBI）
    4.3 基于m-spacing 熵的盲分離—RADICAL 及其改進(jìn)算法 MRADICAL （Modified RADICAL）
        4.3.1 前言
        4.3.2 非參數(shù)熵估計(jì)基本概念
        4.3.3 改進(jìn)的RADICAL 算法——MRADICAL
    4.4 計(jì)算機(jī)仿真實(shí)驗(yàn)
        4.4.1 RSOBI 算法性能仿真實(shí)驗(yàn)
        4.4.2 RADICAL、MRADICAL 盲分離性能比較實(shí)驗(yàn)
        4.4.3 MRADICAL 分離機(jī)械噪聲仿真實(shí)驗(yàn)
    4.5 本章小結(jié)
    參考文獻(xiàn)
第五章：卷積混合條件下噪聲信號(hào)盲分離算法
    5.1 前言
    5.2 噪聲信號(hào)卷積混合模型
        5.2.1 假設(shè)條件
    5.3 傳統(tǒng)的盲反卷積算法
        5.3.1 傳統(tǒng)卷積混合盲源分離算法
        5.3.2 頻率域算法
    5.4 新穎的傅立葉變換系數(shù)計(jì)算
        5.4.1 采樣積分傅立葉變換(SIFT：sample integrated Fourier
        5.4.2 滑動(dòng)離散傅立葉變換(SDFT—Sliding Discrete Fourier
    5.5 基于滑動(dòng)傅立葉變換的盲反卷積算法
        5.5.1 單點(diǎn)頻域盲反卷積
        5.5.2 多頻點(diǎn)盲反卷積算法（一）
        5.5.3 多頻點(diǎn)盲反卷積算法（二）
    5.6 仿真實(shí)驗(yàn)
        5.6.1 多頻點(diǎn)盲反卷積算法（一）仿真實(shí)驗(yàn)及性能分析
        5.6.2 多頻點(diǎn)盲反卷積算法（二）仿真實(shí)驗(yàn)
    5.7 本章小結(jié)
    參考文獻(xiàn)
第六章 基于ICA 的故障監(jiān)控與診斷
    6.1 基于ICA 的故障監(jiān)控與診斷通用框架
    6.2 基于ICA 的特征提取
        6.2.1 時(shí)域特征
        6.2.2 頻域特征提取
        6.2.3 基于互信息的特征提取
    6.3 基于ICA 和支持向量機(jī)的故障診斷
        6.3.1 支持向量機(jī)（SVM）
        6.3.2 基于ICA 和支持向量機(jī)的故障診斷流程
    6.4 本章小結(jié)
    參考文獻(xiàn)
第七章 振動(dòng)信號(hào)檢測(cè)與盲源分離實(shí)驗(yàn)
    7.1 硬件系統(tǒng)
        7.1.1 AD7864 模數(shù)（A/D）轉(zhuǎn)換器
        7.1.2 基于AD7864 的同步采集
        7.1.3 振動(dòng)加速度傳感器
    7.2 實(shí)驗(yàn)原理
        7.2.1 實(shí)驗(yàn)一
        7.2.2 實(shí)驗(yàn)二
        7.2.3 結(jié)論
    7.3 本章小結(jié)
第八章 結(jié)論及工作展望
    8.1 主要成果和創(chuàng)新
    8.2 工作展望
致謝
作者在攻讀博士學(xué)位期間完成的論文
作者在攻讀學(xué)位期間完成的項(xiàng)目
附錄A 項(xiàng)目實(shí)驗(yàn)照片


【參考文獻(xiàn)】：
期刊論文
[1]基于PCA和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障模式的識(shí)別[J]. 陸爽,侯躍謙.  機(jī)床與液壓. 2005(03)
[2]基于核函數(shù)PCA的齒輪箱狀態(tài)監(jiān)測(cè)研究[J]. 廖廣蘭,史鐵林,來(lái)五星,姜南,劉世元.  機(jī)械強(qiáng)度. 2005(01)
[3]基于奇異值分解的滾動(dòng)軸承故障診斷的神經(jīng)網(wǎng)絡(luò)方法[J]. 陸爽,馬東雄,李萌,鐘聲.  制造技術(shù)與機(jī)床. 2005(01)
[4]基于獨(dú)立分量分析特征提取的復(fù)合神經(jīng)網(wǎng)絡(luò)故障診斷法[J]. 楊世錫,焦衛(wèi)東,吳昭同.  振動(dòng)工程學(xué)報(bào). 2004(04)
[5]主元空間中的故障重構(gòu)方法研究[J]. 王海清,蔣寧.  化工學(xué)報(bào). 2004(08)
[6]一種時(shí)頻域上的盲信號(hào)分離方法[J]. 趙知?jiǎng)?  信號(hào)處理. 2004(04)
[7]基于支持向量機(jī)的故障診斷方法[J]. 王華忠,張雪申,俞金壽.  華東理工大學(xué)學(xué)報(bào). 2004(02)
[8]獨(dú)立分量分析在直升機(jī)齒輪箱故障早期診斷中的應(yīng)用[J]. 陳仲生,楊擁民,沈國(guó)際.  機(jī)械科學(xué)與技術(shù). 2004(04)
[9]采用主分量分析方法研究隨機(jī)共振[J]. 段江海,宋愛(ài)國(guó),王一清.  信號(hào)處理. 2004(02)
[10]基于源信號(hào)統(tǒng)計(jì)獨(dú)立性的ICA方法的不確定性研究[J]. 張旭秀,邱天爽.  系統(tǒng)工程與電子技術(shù). 2004(04)

博士論文
[1]小波分析在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[D]. 傅瑜.西安電子科技大學(xué) 1998

碩士論文
[1]傳感器與信號(hào)處理技術(shù)在機(jī)械設(shè)備故障診斷中的應(yīng)用研究[D]. 張華德.東華大學(xué) 2005
[2]基于多元統(tǒng)計(jì)分析的生產(chǎn)過(guò)程故障診斷研究[D]. 陳勇.浙江大學(xué) 2003



本文編號(hào)：3047965