發(fā)布時(shí)間：2017-08-22 14:50

  本文關(guān)鍵詞：奇異值分解在微弱信號(hào)檢測中的應(yīng)用

  更多相關(guān)文章： 故障診斷 信號(hào)檢測 奇異值分解 隨機(jī)共振 滾動(dòng)軸承

【摘要】：在機(jī)械設(shè)備的早期故障階段，由于故障引起的損傷很小，因此傳感器測得的振動(dòng)信號(hào)中弱故障特征信號(hào)往往伴隨著大量的干擾噪聲。強(qiáng)噪聲干擾使得故障特征信號(hào)的提取和檢測變得尤為困難。因此，論文研究強(qiáng)背景噪聲情形下的早期故障特征信號(hào)的提取和檢測技術(shù)。 奇異值分解作為一種非線性濾波方法，廣泛應(yīng)用于信號(hào)的降噪中。奇異值分解通過選擇有效奇異值的方式來保留信號(hào)成分并消去噪聲成分從而改善信號(hào)的信噪比。該方法要求選擇保留的奇異值能很好的對(duì)應(yīng)信號(hào)空間。在強(qiáng)噪聲干擾情形下，有效奇異值的判斷變得異常困難，從而無法找到對(duì)應(yīng)的信號(hào)空間使常規(guī)的奇異值分解方法失效。論文針對(duì)常規(guī)奇異值分解在檢測極低信噪比信號(hào)時(shí)失效的問題，提出了基于奇異值分解的分量信號(hào)檢測方法。該方法首先將一維采樣序列重構(gòu)到高維空間，在展開的高維空間中得到不同類型信號(hào)對(duì)應(yīng)的相關(guān)矩陣分布模式和分解特征。然后根據(jù)奇異向量的標(biāo)準(zhǔn)差找到信號(hào)成分相對(duì)集中且噪聲成分大大降低的子空間，從而實(shí)現(xiàn)信號(hào)降噪和提取的目的。仿真表明該方法可以有效改善微弱特征信號(hào)的信噪比。 隨機(jī)共振是一種有效的微弱特征信號(hào)提取方法。隨機(jī)共振利用信號(hào)、噪聲和非線性系統(tǒng)之間的協(xié)同作用實(shí)現(xiàn)噪聲能量向微弱信號(hào)的轉(zhuǎn)移，從而改善信號(hào)信噪比實(shí)現(xiàn)信號(hào)的檢測。然而隨機(jī)共振中使用的非線性系統(tǒng)對(duì)信號(hào)信噪比有一定要求。當(dāng)信號(hào)信噪比低于非線性系統(tǒng)能檢測的閾值時(shí)，隨機(jī)共振現(xiàn)象就無法達(dá)到。針對(duì)該問題，論文提出了基于分量信號(hào)的隨機(jī)共振特征提取方法。該方法將奇異值分解得到的分量信號(hào)用雙穩(wěn)系統(tǒng)進(jìn)行處理得到隨機(jī)共振響應(yīng)，在分量響應(yīng)信號(hào)中檢測特征信號(hào)。仿真驗(yàn)證了該方法的可行性。 滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械中常用部件，且容易發(fā)生故障。滾動(dòng)軸承在運(yùn)行過程中往往伴隨著很強(qiáng)的背景噪聲，因此軸承的故障往往是在故障發(fā)展到一定階段才發(fā)現(xiàn)。這對(duì)設(shè)備的正常運(yùn)行是極為不利的。為了保證設(shè)備的正常安全運(yùn)行，需要在軸承早期故障階段檢測到故障特征。為此論文提出了分量包絡(luò)信號(hào)檢測方法。該方法首先得到分量信號(hào)，然后對(duì)分量信號(hào)進(jìn)行希爾伯特變換得到分量包絡(luò)信號(hào)，再通過快速傅里葉變換得到分量包絡(luò)譜。在分量包絡(luò)譜中能夠發(fā)現(xiàn)滾動(dòng)軸承早期故障特征。數(shù)值模擬和實(shí)驗(yàn)結(jié)果驗(yàn)證了所提方法的有效性。
【關(guān)鍵詞】：故障診斷 信號(hào)檢測 奇異值分解 隨機(jī)共振 滾動(dòng)軸承
【學(xué)位授予單位】：天津大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TN911.23;TH165.3
【目錄】：

• 中文摘要4-5
• ABSTRACT5-9
• 第一章 緒論9-13
• 1.1 課題研究背景9
• 1.2 SVD 研究動(dòng)態(tài)和現(xiàn)狀9-11
• 1.2.1 國外研究現(xiàn)狀9-10
• 1.2.2 國內(nèi)研究現(xiàn)狀10-11
• 1.3 論文的主要工作和創(chuàng)新點(diǎn)11-13
• 第二章 SVD 的基本理論13-20
• 2.1 引言13
• 2.2 SVD 的定義13-14
• 2.3 SVD 的性質(zhì)及其意義14-16
• 2.4 Hankel 矩陣的構(gòu)造16-17
• 2.5 數(shù)值模擬分析17-20
• 第三章 分量信號(hào)特征提取機(jī)理20-27
• 3.1 引言20
• 3.2 分量信號(hào)的構(gòu)造20-21
• 3.3 矩陣 的變形矩陣21-22
• 3.4 相關(guān)矩陣的特征22-24
• 3.5 數(shù)值模擬分析24-27
• 第四章 基于分量信號(hào)的隨機(jī)共振特征提取研究27-41
• 4.1 引言27
• 4.2 隨機(jī)共振的研究動(dòng)態(tài)27-29
• 4.3 隨機(jī)共振基本理論29-36
• 4.3.1 郎之萬方程29-30
• 4.3.2 �？�-普朗克方程30-33
• 4.3.3 絕熱近似理論33-36
• 4.4 分量信號(hào)隨機(jī)共振檢測機(jī)理36-41
• 第五章 基于分量信號(hào)的滾動(dòng)軸承故障特征提取41-49
• 5.1 引言41
• 5.2 滾動(dòng)軸承故障形式41-42
• 5.3 包絡(luò)分析42
• 5.4 SVD 分量信號(hào)包絡(luò)分析過程42-43
• 5.5 滾動(dòng)軸承早期故障的仿真分析43-45
• 5.6 滾動(dòng)軸承實(shí)際故障信號(hào)分析45-49
• 第六章 總結(jié)與展望49-51
• 參考文獻(xiàn)51-55
• 發(fā)表論文和科研情況說明55-56
• 致謝56

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 何婧;馮國燦;;奇異值分解在人臉識(shí)別中的應(yīng)用[J];廣東教育學(xué)院學(xué)報(bào);2006年03期

2 王萍;程余;;半奇異值算法的推導(dǎo)及其應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2007年17期

3 羅仁澤;冉瑞生;王汝言;;基于奇異值分解的基圖像的人臉識(shí)別[J];電訊技術(shù);2008年02期

4 鄒紅星,王殿軍,戴瓊海,李衍達(dá);延拓矩陣的奇異值分解[J];電子學(xué)報(bào);2001年03期

5 溫廣瑞,張西寧,屈梁生;奇異值分解技術(shù)在聲音信息分離中的應(yīng)用[J];西安交通大學(xué)學(xué)報(bào);2003年01期

6 王虹;朱雙燕;;基于整體與局部奇異值分解的人臉識(shí)別方法[J];計(jì)算機(jī)工程與應(yīng)用;2007年22期

7 鄒瑋剛;孫國平;;一種新的基于奇異值分解的圖像隱藏方法[J];江西理工大學(xué)學(xué)報(bào);2008年05期

8 王敏;;基于整體與部分奇異值分解的人臉識(shí)別[J];微計(jì)算機(jī)信息;2009年20期

9 康曉兵;魏生民;;基于小波域奇異值分解的圖像拷貝檢測[J];計(jì)算機(jī)應(yīng)用;2010年04期

10 牟懌;周龍;;奇異值分解在糧蟲檢測系統(tǒng)中的應(yīng)用[J];武漢工業(yè)學(xué)院學(xué)報(bào);2010年03期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前10條

1 張友民;陳洪亮;戴冠中;;基于奇異值分解的固定區(qū)間平滑新方法[A];1995年中國控制會(huì)議論文集（上）[C];1995年

2 何田;王立清;劉獻(xiàn)棟;朱永波;;基于奇異值分解的信號(hào)處理機(jī)理及其應(yīng)用[A];2008年航空試驗(yàn)測試技術(shù)峰會(huì)論文集[C];2008年

3 張霄;林鴻飛;楊志豪;;基于奇異值分解的蛋白質(zhì)關(guān)系抽取[A];第五屆全國信息檢索學(xué)術(shù)會(huì)議論文集[C];2009年

4 曹云麗;郭勤濤;徐堯;周瑾;;基于奇異值分解響應(yīng)面方法的磁軸承轉(zhuǎn)子參數(shù)識(shí)別[A];第11屆全國轉(zhuǎn)子動(dòng)力學(xué)學(xué)術(shù)討論會(huì)（ROTDYN2014）論文集（上冊(cè)）[C];2014年

5 吳曉穎;吳俊;董濱江;;TK方法在γ譜分析中的應(yīng)用[A];第7屆全國核電子學(xué)與核探測技術(shù)學(xué)術(shù)年會(huì)論文集（三）[C];1994年

6 林原;林鴻飛;蘇綏;;一種應(yīng)用奇異值分解的RankBoost排序?qū)W習(xí)方法[A];中國計(jì)算機(jī)語言學(xué)研究前沿進(jìn)展（2007-2009）[C];2009年

7 金宋友;趙志文;;一種基于奇異值分解盲水印算法[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

8 趙衛(wèi)國;翟自勇;王子君;;基于奇異值分解和神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像水印算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

9 岳紅;蔣慰孫;;基于奇異值分解的改進(jìn)Bayes集員辨識(shí)遞推算法[A];1995中國控制與決策學(xué)術(shù)年會(huì)論文集[C];1995年

10 張景瑞;;基于奇異值分解的SGCMGs輸出誤差分析及操縱律設(shè)計(jì)[A];第三屆全國動(dòng)力學(xué)與控制青年學(xué)者研討會(huì)論文摘要集[C];2009年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 關(guān)曉勇;基于奇異值分解的狀態(tài)監(jiān)測與故障診斷方法研究[D];大連理工大學(xué);2005年

2 王鋼;基于奇異值分解的機(jī)織物瑕疵檢測算法研究[D];東華大學(xué);2014年

3 Charles Alpha Bangura;[D];湖南大學(xué);2011年

4 鄭安總;奇異值分解在微弱信號(hào)檢測中的應(yīng)用[D];天津大學(xué);2014年

5 趙慧琳;奇異值分解的人臉識(shí)別算法[D];上海海運(yùn)學(xué)院;2002年

6 李科;基于沙米爾和奇異值分解的小波域數(shù)字圖像水印算法研究[D];南昌大學(xué);2010年

7 賈換霞;基于奇異值分解和神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法的研究[D];東北大學(xué);2005年

8 馬素春;基于奇異值分解的小波域水印算法[D];重慶大學(xué);2009年

9 孟玉嬋;基于小波變換和奇異值分解的圖像水印算法研究[D];電子科技大學(xué);2011年

10 沈曉峰;基于奇異值分解的數(shù)字圖像水印技術(shù)研究[D];蘇州大學(xué);2008年

，

本文編號(hào)：719758