本文關鍵詞：基于變分貝葉斯隱Markov模型的機械故障診斷方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：本論文在國家自然科學基金(51075372，50775208)，江西省教育廳科技計劃項目(No. GJJ12405)和湖南省機械設備健康維護重點實驗室開放基金(201204)資助下，針對傳統(tǒng)靜態(tài)獨立分量分析在機械源信號盲源分離中存在的不足，即在觀測數(shù)據(jù)獲取過程中，要求混合系統(tǒng)保持不變，并且獨立源的數(shù)量和統(tǒng)計特征必須保持穩(wěn)定，因而無法對非平穩(wěn)時變信號進行有效盲分離。結合變分貝葉斯獨立分量分析理論(VbICA)在噪聲環(huán)境下的對平穩(wěn)信號的優(yōu)秀盲分離性能，將隱Markov模型(HMM)引入到VbICA源模型中，提出了基于變分貝葉斯隱Markov模型的機械故障源分離新方法，并取得了很好的創(chuàng)新性成果。本文主要包括以下幾個方面的內(nèi)容： 第一章，論述了本課題的提出及其意義；討論了靜態(tài)ICA在故障診斷領域的研究現(xiàn)狀及其不足之處，以及動態(tài)ICA的研究現(xiàn)狀及其在各領域中的應用狀況，特別是在故障診斷領域的應用發(fā)展；在此基礎上，，提出了本論文的主要內(nèi)容及主要創(chuàng)新點。 第二章，論述了適于動態(tài)過程時間序列建模并具有強大的時序模式分類能力的隱Markov模型理論和基本算法。論述了變分貝葉斯理論體系，主要包括貝葉斯推論和變分近似逼近算法。本章內(nèi)容是整篇論文的理論基礎。 第三章，針對傳統(tǒng)靜態(tài)ICA方法存在的不足，提出了一種基于變分貝葉斯隱Markov模型的機械故障源分離新方法，該方法是基于VbICA方法發(fā)展起來的，它繼承了VbICA方法優(yōu)秀盲分離性能的優(yōu)點，同時通過隱Markov模型的引入，彌補了VbICA對動態(tài)時序信號盲分離的不足。該方法的特點是利用隱Markov模型善于采集潛在數(shù)據(jù)生成過程狀態(tài)動態(tài)變化，在信號存在動態(tài)和非線性的特性的情況下，能夠捕捉信號中一系列與時間有關的時序信息，提高盲分離的準確性。仿真研究表明，對非平穩(wěn)時變信號，本文提出的方法的盲分離效果明顯優(yōu)于傳統(tǒng)的靜態(tài)ICA方法，分離誤差大幅度降低。最后通過軸承故障盲分離實驗進一步驗證了該方法的有效性。 第四章，提出了一種結合變分貝葉斯隱Markov模型和自相關測定的信號源數(shù)估計方法，該方法的基本思路是將隱Markov模型與貝葉斯推論結合起來，在貝葉斯推論的模型比較下，通過自相關測定推斷出最佳的隱藏信源數(shù)目。仿真和實驗研究結果表明，該方法能夠有效的估計出信源個數(shù)，并在噪聲環(huán)境下具有很好的魯棒性。 第五章，結合局域均值分解(LMD)方法和VbHMM理論各自的性能特點，提出一種基于LMD-VbHMM的機械故障盲源分離方法。在該方法中，首先對動態(tài)混合得到的觀測信號進行LMD分解，剔除接近零向量的殘量，得到一系列的PF分量，然后將PF分量和原觀測信號組成新的觀測信號，并考慮噪聲因素，最后用VbHMM方法對其進行盲分離，得到估計的信號源。該方法的特點是將源信號進行動態(tài)隨機混合，既能對非平穩(wěn)時變信號進行有效盲分離，又能解決欠定條件下的盲分離問題。該方法克服了傳統(tǒng)LMD-BSS方法在噪聲環(huán)境下對時變混合信號盲分離的不足。對于噪聲環(huán)境下非平穩(wěn)性強，動態(tài)時變混合的觀測信號的盲分離，通過仿真和實驗研究結果都驗證了該方法的有效性。 第六章，全面總結了本文的研究工作內(nèi)容，并對有必要進一步開展研究的工作進行了展望。
【關鍵詞】：盲源分離 變分貝葉斯隱Markov模型 故障診斷 源數(shù)估計 局域均值分解
【學位授予單位】：南昌航空大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：TH165.3
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 緒論10-18
• 1.1 課題的提出及其意義10-12
• 1.2 靜態(tài) ICA 在故障診斷中的研究現(xiàn)狀及不足12
• 1.3 動態(tài) ICA 理論研究及應用現(xiàn)狀12-15
• 1.3.1 動態(tài) ICA 理論研究12-13
• 1.3.2 動態(tài) ICA 的應用現(xiàn)狀13-15
• 1.4 論文的主要內(nèi)容與創(chuàng)新之處15-17
• 1.4.1 主要內(nèi)容15-16
• 1.4.2 關鍵問題及創(chuàng)新點16-17
• 1.5 本章小結17-18
• 第2章 VbHMM 的理論基礎18-28
• 2.1 概述18-19
• 2.2 隱 Markov 模型19-25
• 2.2.1 隱 Markov 模型的建立19-20
• 2.2.2 HMM 參數(shù)學習20-23
• 2.2.3 尋找最佳狀態(tài)序列23-25
• 2.3 貝葉斯推論與變分近似算法25-27
• 2.3.1 貝葉斯推論25-26
• 2.3.2 變分近似算法26-27
• 2.4 本章小結27-28
• 第3章 基于 VbHMM 的機械故障源分離方法研究28-41
• 3.1 概述28-29
• 3.2 VbHMM 理論和算法29-33
• 3.2.1 VbHMM 混合模型的建立29-30
• 3.2.2 VbHMM 信源模型的建立30-31
• 3.2.3 VbHMM 算法31-33
• 3.3 仿真實驗33-37
• 3.4 實驗研究37-39
• 3.5 本章小結39-41
• 第4章 基于 VbHMM 的機械故障源數(shù)估計方法研究41-50
• 4.1 概述41-42
• 4.2 源數(shù)估計模型的建立42-43
• 4.2.1 貝葉斯推論與 VbHMM 模型比較42-43
• 4.2.2 自相關測定43
• 4.3 源數(shù)估計比較算法43-45
• 4.4 仿真研究45-47
• 4.5 實驗研究47-49
• 4.6 本章小結49-50
• 第5章 基于 LMD-VbHMM 的機械故障盲源分離方法50-62
• 5.1 概述50-51
• 5.2 LMD 基本理論和算法51-54
• 5.3 LMD-VbHMM 故障源分離方法54-55
• 5.4 仿真研究55-59
• 1. 仿真實驗 155-58
• 2. 仿真實驗 258-59
• 5.5 實驗研究59-61
• 5.6 本章小結61-62
• 第6章 總結與展望62-65
• 6.1 總結62-63
• 6.2 展望63-65
• 參考文獻65-69
• 攻讀碩士學位期間發(fā)表的論文和參加科研情況69-70
• 致謝70-71

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李豫川;伍星;柳小勤;賀瑋;;基于形態(tài)濾波和獨立分量分析的軸承故障盲分離[J];電子測量技術;2010年09期

2 鐘伯成;;基于信息極大的動態(tài)獨立分量分析[J];合肥工業(yè)大學學報(自然科學版);2009年08期

3 林春方;郭立;;動態(tài)獨立分量分析算法及其應用研究[J];核電子學與探測技術;2006年06期

4 汪斌;王年;蔣云志;程志友;鮑文霞;;基于動態(tài)獨立分量分析算法的諧波檢測[J];電力系統(tǒng)保護與控制;2011年02期

5 石長華;謝世坤;臧觀建;李強征;應建中;;獨立分量分析在機械振動信號上的應用研究[J];機械設計與制造;2012年01期

6 范濤;李志農(nóng);肖堯先;;基于源數(shù)估計的機械源信號盲分離方法研究[J];機械強度;2011年01期

7 唐先廣;郭瑜;丁彥春;鄭華文;;獨立分量分析在滾動軸承包絡分析中的應用[J];機械與電子;2010年12期

8 李寧;史鐵林;;基于功率譜密度的盲信號源數(shù)估計[J];數(shù)據(jù)采集與處理;2008年01期

9 陳在平;谷秀平;張驚雷;;基于獨立分量分析(ICA)的圖像去噪方法[J];天津理工大學學報;2009年06期

10 張海軍,溫廣瑞,屈梁生;一種提高診斷信息質(zhì)量的方法[J];西安交通大學學報;2002年03期

  本文關鍵詞：基于變分貝葉斯隱Markov模型的機械故障診斷方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：430890