本文關(guān)鍵詞：ICA盲分離算法研究及在機(jī)械設(shè)備故障診斷中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：盲源分離(BSS， Blind Source Separation)發(fā)展至今，在算法上得到了深入研究，，并已在許多領(lǐng)域進(jìn)行了應(yīng)用。本文以線性混合模型為基礎(chǔ)，研究基于獨(dú)立分量分析的盲源分離算法，并將其應(yīng)用于機(jī)械故障診斷中，所做的的工作如下： 1.首先介紹了盲源分離的基本理論知識(shí)，給出了盲源分離的基本模型，然后結(jié)合基本理論知識(shí)重點(diǎn)分析了盲源分離的常用優(yōu)化判據(jù)和優(yōu)化算法，最后給出了評(píng)價(jià)盲源分離效果的性能指標(biāo)。 2.以齒輪箱及其振動(dòng)信號(hào)為研究模型，討論了機(jī)械振動(dòng)信號(hào)特征及故障診斷的基本原理和基本方法。首先對(duì)齒輪和軸承的振動(dòng)信號(hào)進(jìn)行了分析，接著介紹了齒輪箱振動(dòng)信號(hào)的傳播與測(cè)量，最后對(duì)傳統(tǒng)的故障診斷方法進(jìn)行闡述，詳細(xì)分析了傳統(tǒng)診斷方法的不足，由此引出現(xiàn)代信號(hào)處理方法中的獨(dú)立分量分析(Independent Component Analysis,ICA)技術(shù)用于機(jī)械故障診斷。 3.研究了等變自適應(yīng)盲分離算法并將其應(yīng)用于齒輪箱振動(dòng)信號(hào)的分離。等變自適應(yīng)盲分離(EquivariantAdaptive Separation via Independence，EASI)算法是一種基于神經(jīng)網(wǎng)絡(luò)的ICA方法。針對(duì)該算法在實(shí)際應(yīng)用中只能分離同系信號(hào)(全為超高斯或全為亞高斯信號(hào))的缺點(diǎn)，引入一種改進(jìn)的EASI算法，通過(guò)概率密度函數(shù)非參數(shù)估計(jì)的核函數(shù)法直接對(duì)評(píng)價(jià)函數(shù)進(jìn)行估計(jì)，使改進(jìn)后的算法既可以分離同系信號(hào)又能分離雜系信號(hào)(超亞高斯混合信號(hào))。最后用常規(guī)信號(hào)的仿真分析以及齒輪箱振動(dòng)信號(hào)的分離實(shí)驗(yàn)對(duì)改進(jìn)算法的有效性進(jìn)行了驗(yàn)證。 4.在深入研究EASI算法的基礎(chǔ)上，針對(duì)EASI算法抗干擾能力差，分離效果不好的問(wèn)題，討論了盲信號(hào)抽取定點(diǎn)算法應(yīng)用于齒輪箱故障診斷。盲信號(hào)抽取(Blind SignalExtraction, BSE)定點(diǎn)算法,通過(guò)多層神經(jīng)網(wǎng)絡(luò)順序從混合信號(hào)中抽取源信號(hào)，并對(duì)混合信號(hào)進(jìn)行緊縮處理。針對(duì)緊縮過(guò)程引起的累積誤差導(dǎo)致提取信號(hào)質(zhì)量逐漸下降這一問(wèn)題，引進(jìn)了一種簡(jiǎn)單且穩(wěn)健的級(jí)聯(lián)抽取緊縮方法，可以避免緊縮過(guò)程中的誤差累積。計(jì)算機(jī)仿真以及齒輪箱故障診斷實(shí)驗(yàn)驗(yàn)證了該算法可以提高故障診斷的可靠性和準(zhǔn)確性，突出對(duì)故障診斷有用的特征信號(hào)，降低干擾信號(hào)的影響。
【關(guān)鍵詞】：獨(dú)立分量分析 等變自適應(yīng) 概率密度函數(shù) 盲信號(hào)抽取 機(jī)械故障診斷
【學(xué)位授予單位】：哈爾濱工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：TH165.3
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第1章 緒論11-17
• 1.1 課題研究的背景及意義11-12
• 1.2 盲源分離概述12
• 1.3 盲源分離的發(fā)展及研究現(xiàn)狀12-14
• 1.4 盲源分離方法及分類14-15
• 1.5 盲源分離在機(jī)械故障診斷中的應(yīng)用15-16
• 1.6 論文的工作安排16-17
• 第2章 獨(dú)立分量分析基本理論及研究方法17-29
• 2.1 盲源分離的基本問(wèn)題17-18
• 2.1.1 盲分離的前提條件17-18
• 2.1.2 盲分離的不確定性18
• 2.2 盲分離相關(guān)學(xué)科理論知識(shí)18-22
• 2.2.1 概率與統(tǒng)計(jì)18-19
• 2.2.2 信息論的相關(guān)知識(shí)19-22
• 2.3 獨(dú)立分量分析研究方法22-27
• 2.3.1 盲分離的數(shù)學(xué)模型22
• 2.3.2 盲分離的混合模型22-23
• 2.3.3 獨(dú)立性判據(jù)23-24
• 2.3.4 優(yōu)化算法24-27
• 2.4 算法分離性能的檢驗(yàn)27-28
• 2.5 本章小結(jié)28-29
• 第3章 機(jī)械設(shè)備振動(dòng)信號(hào)特征分析及故障診斷29-39
• 3.1 齒輪振動(dòng)信號(hào)特征分析29-32
• 3.1.1 正常齒輪振動(dòng)信號(hào)特征29-30
• 3.1.2 故障齒輪振動(dòng)信號(hào)特征30-31
• 3.1.3 齒輪典型故障信號(hào)特征31-32
• 3.2 軸承振動(dòng)信號(hào)特征分析32-33
• 3.2.1 正常軸承振動(dòng)信號(hào)特征32
• 3.2.2 故障軸承振動(dòng)信號(hào)特征32-33
• 3.2.3 軸承典型故障信號(hào)特征33
• 3.3 振動(dòng)信號(hào)的傳播與測(cè)量33-34
• 3.3.1 振動(dòng)信號(hào)的傳播33-34
• 3.3.2 振動(dòng)信號(hào)的測(cè)量34
• 3.4 傳統(tǒng)的故障診斷方法及不足34-38
• 3.4.1 時(shí)域分析法35-36
• 3.4.2 頻域分析法36-37
• 3.4.3 傳統(tǒng)診斷方法的局限性37-38
• 3.5 基于 ICA 的齒輪箱振動(dòng)信號(hào)分離模型38
• 3.6 本章小結(jié)38-39
• 第4章 基于 EASI 的齒輪箱振動(dòng)信號(hào)分離方法研究39-55
• 4.1 EASI 算法模型及等變化性39-40
• 4.1.1 EASI 模型39
• 4.1.2 EASI 的等變特性39-40
• 4.2 等變自適應(yīng)白化40-41
• 4.2.1 矩陣函數(shù)的導(dǎo)數(shù)40
• 4.2.2 隨機(jī)變量的等變自適應(yīng)白化算法40-41
• 4.3 EASI 信號(hào)源盲分離算法41-43
• 4.3.1 算法的目標(biāo)函數(shù)41-42
• 4.3.2 算法推導(dǎo)42-43
• 4.4 改進(jìn)的 EASI 算法43-45
• 4.4.1 概率密度函數(shù)的非參數(shù)估計(jì)43-44
• 4.4.2 評(píng)價(jià)函數(shù)的估計(jì)44
• 4.4.3 基于 pdf 估計(jì)的盲源分離算法44-45
• 4.5 算法性能仿真與實(shí)驗(yàn)分析45-54
• 4.5.1 常規(guī)信號(hào)下算法的性能仿真45-49
• 4.5.2 齒輪箱振動(dòng)信號(hào)盲分離實(shí)驗(yàn)分析49-54
• 4.6 本章小結(jié)54-55
• 第5章 基于 ICA 的機(jī)械振動(dòng)信號(hào)盲抽取定點(diǎn)方法研究55-70
• 5.1 盲信號(hào)抽取原理及其特點(diǎn)55-57
• 5.1.1 盲信號(hào)抽取原理55-56
• 5.1.2 盲信號(hào)抽取特點(diǎn)56-57
• 5.2 盲信號(hào)抽取定點(diǎn)算法57-59
• 5.2.1 定點(diǎn)盲信號(hào)抽取的基本算法57-58
• 5.2.2 一般形式的定點(diǎn)算法58-59
• 5.3 盲信號(hào)抽取定點(diǎn)算法的改進(jìn)59-60
• 5.4 算法性能的仿真分析60-69
• 5.4.1 常規(guī)信號(hào)下算法性能的驗(yàn)證60-62
• 5.4.2 齒輪箱振動(dòng)信號(hào)特征提取與診斷實(shí)驗(yàn)分析62-69
• 5.5 本章小結(jié)69-70
• 結(jié)論70-71
• 參考文獻(xiàn)71-75
• 攻讀碩士學(xué)位期間發(fā)表的論文和取得的科研成果75-76
• 致謝76

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 陳斌;閻兆立;程曉斌;;旋轉(zhuǎn)設(shè)備聲學(xué)故障特征提取與優(yōu)化方法[J];北京郵電大學(xué)學(xué)報(bào);2011年04期

2 王嬌 ,王緒本 ,簡(jiǎn)興祥;地震災(zāi)害救助系統(tǒng)中聲波/振動(dòng)信號(hào)的分離[J];電子技術(shù)應(yīng)用;2004年02期

3 石慶斌;馬建倉(cāng);;盲源分離在機(jī)械振動(dòng)信號(hào)分析中的應(yīng)用[J];測(cè)控技術(shù);2008年05期

4 張林華,汪學(xué)兵;獨(dú)立成分分析法及其在股票分析中的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2005年28期

5 周治宇;陳豪;;盲信號(hào)分離技術(shù)研究與算法綜述[J];計(jì)算機(jī)科學(xué);2009年10期

6 郭武;朱長(zhǎng)仁;王潤(rùn)生;;一種改進(jìn)的FastICA算法及其應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2008年04期

7 陳仲生,楊擁民,沈國(guó)際;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];機(jī)械科學(xué)與技術(shù);2004年04期

8 徐躍進(jìn);;齒輪箱中齒輪故障的振動(dòng)分析與診斷[J];機(jī)械設(shè)計(jì);2009年12期

9 鐘群鵬;張崢;有移亮;;我國(guó)安全生產(chǎn)(含安全制造)的科學(xué)發(fā)展若干問(wèn)題[J];機(jī)械工程學(xué)報(bào);2007年01期

10 薛小蘭;;人工神經(jīng)網(wǎng)絡(luò)在機(jī)械故障診斷中的應(yīng)用[J];機(jī)械研究與應(yīng)用;2011年03期

  本文關(guān)鍵詞：ICA盲分離算法研究及在機(jī)械設(shè)備故障診斷中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：308654