本文關(guān)鍵詞：機(jī)械振動(dòng)信號(hào)的稀疏分解理論研究

  更多相關(guān)文章： 稀疏分解 軸承振動(dòng)信號(hào) 有訓(xùn)練字典 粒子群優(yōu)化算法 OMP算法 K-SVD算法 指數(shù)衰竭余弦原子庫(kù)

【摘要】：機(jī)械振動(dòng)信號(hào)傳遞與承載著機(jī)械設(shè)備工作過程中所蘊(yùn)含的重要信息,在線監(jiān)測(cè)與采集機(jī)械振動(dòng)信號(hào)是機(jī)械工程領(lǐng)域,尤其是故障診斷或遠(yuǎn)程故障診斷技術(shù)中的核心技術(shù)之一,本文將壓縮感知理論應(yīng)用到機(jī)械振動(dòng)信號(hào)的監(jiān)測(cè),研究該理論時(shí),振動(dòng)信號(hào)的稀疏分解問題是壓縮感知理論應(yīng)用的前提和基礎(chǔ),且信號(hào)的稀疏分解有助于解決傳統(tǒng)方法采樣頻率高,數(shù)據(jù)存儲(chǔ)量大和傳輸困難等問題。稀疏分解是在一組高度冗余變換基的作用下,將待分解信號(hào)表示成一系列基的線性組合。分解后的信號(hào)可以用少量特征明顯的分量來表征,即可獲得簡(jiǎn)單、靈活且能表征信號(hào)特征的展開式。這種自適應(yīng)分解方法是非常有用的,將為信號(hào)的后期處理提供極大的便利。因此,本文研究的重點(diǎn)集中于機(jī)械振動(dòng)信號(hào)的稀疏分解問題。論文的主要工作及研究成果如下： 1.以滾動(dòng)軸承為研究對(duì)象,建立軸承振動(dòng)信號(hào)的理論模型,并根據(jù)其結(jié)構(gòu)特點(diǎn)和先驗(yàn)知識(shí)構(gòu)造了改進(jìn)的基于指數(shù)衰減余弦函數(shù)的原子庫(kù)。用改進(jìn)PSO算法優(yōu)化MP’算法,并分別對(duì)滾動(dòng)軸承振動(dòng)信號(hào)在指數(shù)衰減正弦原子庫(kù)和本文改進(jìn)的原子庫(kù)下分別進(jìn)行稀疏分解,結(jié)果顯示本文構(gòu)造的改進(jìn)的指數(shù)衰減余弦原子庫(kù)有更好相似度和衰減率,且殘余量也更小。 2.根據(jù)滾動(dòng)軸承振動(dòng)信號(hào)數(shù)據(jù)產(chǎn)生訓(xùn)練樣本,通過K-SVD算法并結(jié)合OMP算法設(shè)計(jì)能完全匹配滾動(dòng)軸承振動(dòng)信號(hào)整體特征的有訓(xùn)練過完備字典,再用OMP算法對(duì)與訓(xùn)練樣本特征相似的軸承振動(dòng)信號(hào)進(jìn)行稀疏分解與重構(gòu),并與指數(shù)衰減正弦原子庫(kù)(無訓(xùn)練字典)的稀疏分解與重構(gòu)效果相比較,結(jié)果顯示本文構(gòu)造的有訓(xùn)練字典更加能符合振動(dòng)信號(hào)的特點(diǎn),能用較少或更稀疏分解系數(shù)來表達(dá)該信號(hào),用有訓(xùn)練過完備字典進(jìn)行稀疏分解時(shí)能以更高的精確逼近原始振動(dòng)信號(hào),有更好相似度和衰減率,且殘余量也更小。
【關(guān)鍵詞】：稀疏分解 軸承振動(dòng)信號(hào) 有訓(xùn)練字典 粒子群優(yōu)化算法 OMP算法 K-SVD算法 指數(shù)衰竭余弦原子庫(kù)
【學(xué)位授予單位】：蘭州理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TH133.33;TH165.3
【目錄】：

• 摘要7-8
• Abstract8-10
• 插圖索引10-11
• 附表索引11-12
• 第1章 緒論12-17
• 1.1 引言12
• 1.2 課題的提出及研究意義12-13
• 1.3 國(guó)內(nèi)外研究現(xiàn)狀分析13-16
• 1.4 論文研究的主要內(nèi)容16-17
• 第2章 信號(hào)稀疏分解理論17-29
• 2.1 信號(hào)分解17-28
• 2.1.1 正交變換17-21
• 2.1.2 信號(hào)稀疏分解21-22
• 2.1.3 稀疏分解的實(shí)現(xiàn)22-26
• 2.1.4 稀疏分解中過完備字典的構(gòu)造方法26-28
• 2.2 本章小結(jié)28-29
• 第3章 滾動(dòng)軸承振動(dòng)信號(hào)的建模29-39
• 3.1 建模的要求和方法29-30
• 3.2 軸承振動(dòng)信號(hào)的分析與建模30-33
• 3.3 廣義歸一化滾動(dòng)軸承振動(dòng)信號(hào)模型建立33-35
• 3.4 廣義歸一化滾動(dòng)軸承振動(dòng)信號(hào)模型的仿真35-38
• 3.4.1 含基頻振動(dòng)分量和諧波振動(dòng)分量的信號(hào)仿真35-36
• 3.4.2 沖擊振動(dòng)分量的信號(hào)仿真36-37
• 3.4.3 調(diào)幅振動(dòng)分量的信號(hào)仿真37
• 3.4.4 噪聲信號(hào)的仿真37
• 3.4.5 廣義歸一化軸承振動(dòng)信號(hào)的仿真37-38
• 3.5 本章小結(jié)38-39
• 第4章 基于無訓(xùn)練字典的軸承振動(dòng)信號(hào)稀疏分解39-47
• 4.1 軸承振動(dòng)信號(hào)波形特點(diǎn)分析39
• 4.2 構(gòu)造過完備字典39-40
• 4.3 改進(jìn)PSO優(yōu)化MP算法分解信號(hào)的步驟40-41
• 4.4 實(shí)驗(yàn)結(jié)果與分析41-46
• 4.5 本章小結(jié)46-47
• 第5章 基于有訓(xùn)練字典的軸承振動(dòng)信號(hào)稀疏分解47-55
• 5.1 字典構(gòu)造算法原理和K-SVD算法簡(jiǎn)介47-52
• 5.1.1 字典構(gòu)造算法原理47-49
• 5.1.2 K-均值算法49-50
• 5.1.3 K-SVD算法50-52
• 5.2 軸承振動(dòng)信號(hào)稀疏分解52-54
• 5.2.1 基于有訓(xùn)練過完備字典的稀疏分解步驟52-53
• 5.2.2 實(shí)驗(yàn)結(jié)果與分析53-54
• 5.3 本章小結(jié)54-55
• 結(jié)論與展望55-56
• 結(jié)論55
• 展望55-56
• 參考文獻(xiàn)56-60
• 致謝60-61
• 附錄A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文61

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 李映;張艷寧;許星;;基于信號(hào)稀疏表示的形態(tài)成分分析:進(jìn)展和展望[J];電子學(xué)報(bào);2009年01期

2 王天荊;鄭寶玉;楊震;;基于自適應(yīng)冗余字典的語(yǔ)音信號(hào)稀疏表示算法[J];電子與信息學(xué)報(bào);2011年10期

3 楊維,李歧強(qiáng);粒子群優(yōu)化算法綜述[J];中國(guó)工程科學(xué);2004年05期

4 王春光;劉金江;孫即祥;;基于粒子群優(yōu)化的稀疏分解最優(yōu)匹配原子搜索算法[J];國(guó)防科技大學(xué)學(xué)報(bào);2008年02期

5 楊曉蔚;李紅濤;;滾動(dòng)軸承振動(dòng)與噪聲的相關(guān)性解析[J];軸承;2011年07期

6 汪雄良;王正明;;基于Fourier原子的基追蹤方法在SAR超分辨成像中的應(yīng)用[J];紅外與毫米波學(xué)報(bào);2007年03期

7 張志禹,顧家柳,王月玲,汪文秉;碰摩轉(zhuǎn)子系統(tǒng)振動(dòng)響應(yīng)的頻率特征研究[J];機(jī)械科學(xué)與技術(shù);2002年01期

8 張英杰;龔慶武;李勛;關(guān)欽月;賈晶晶;王戰(zhàn)勝;;基于PSO的原子分解法在間諧波分析中的應(yīng)用[J];電力系統(tǒng)保護(hù)與控制;2013年15期

9 楊愚;;利用粒子群算法實(shí)現(xiàn)信號(hào)OMP稀疏分解[J];微計(jì)算機(jī)信息;2008年12期

10 周鳳星,程耕國(guó),梁巍;共振解調(diào)和小波分析在機(jī)械故障診斷中的應(yīng)用[J];系統(tǒng)工程與電子技術(shù);2005年06期

，

本文編號(hào)：682431