本文關(guān)鍵詞：基于盲源分離的旋轉(zhuǎn)機(jī)械故障特征提取方法研究

  更多相關(guān)文章： 故障特征提取 盲源分離 旋轉(zhuǎn)機(jī)械 AR模型 EMD分解 EMMD分解 單通道

【摘要】：隨著現(xiàn)代化工業(yè)生產(chǎn)的不斷發(fā)展，，機(jī)械故障診斷正在迅速的發(fā)展成為一門新興的學(xué)科。機(jī)械故障診斷的關(guān)鍵在于如何從機(jī)械振動(dòng)信號中提取故障特征，信號的處理和分析是特征提取最常用的方法。近年來，信號處理的時(shí)頻分析方法在機(jī)械故障診斷領(lǐng)域受到了廣泛的關(guān)注。本文重點(diǎn)研究盲源分離(BSS)方法及其在機(jī)械故障特征提取方面的應(yīng)用。 本文對盲源分離原理及其算法進(jìn)行了系統(tǒng)的分析，根據(jù)機(jī)械振動(dòng)信號常見的多聲源混合，源信號之間相互干擾的特點(diǎn)，提出將盲源分離運(yùn)用到機(jī)械故障診斷中的思想。 首先，分析旋轉(zhuǎn)機(jī)械故障信號，根據(jù)旋轉(zhuǎn)機(jī)械設(shè)備工作環(huán)境背景噪聲強(qiáng)，其振動(dòng)信號特征信息被噪聲湮沒的情況，結(jié)合盲源分離與AR功率譜的優(yōu)點(diǎn)，并通過EMD方法來實(shí)現(xiàn)將非平穩(wěn)信號的平穩(wěn)化分解。在仿真實(shí)驗(yàn)中，雖然混合信號中含有強(qiáng)烈的干擾，該方法仍然成功地分離了未知噪聲源，并提取到了故障信號的特征。驗(yàn)證了該方法在機(jī)械故障特征提取方面的有效性。 然后，研究了觀測信號數(shù)量少于源信號數(shù)時(shí)的欠定條件下的盲源分離問題，提出運(yùn)用極值域均值分解(EMMD)進(jìn)行觀測信號升維的方法。另外，針對盲源分離問題中源數(shù)未知的情況，研究了基于EMMD和貝葉斯準(zhǔn)則的源數(shù)估計(jì)方法。最后通過對源信號數(shù)未知的單通道的旋轉(zhuǎn)機(jī)械故障信號的盲分離，實(shí)現(xiàn)了故障特征的提取。驗(yàn)證了方法的有效性。
【關(guān)鍵詞】：故障特征提取 盲源分離 旋轉(zhuǎn)機(jī)械 AR模型 EMD分解 EMMD分解 單通道
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：TH165.3
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-18
• 1.1 課題背景及研究意義10
• 1.2 機(jī)械故障診斷技術(shù)的發(fā)展及研究10-13
• 1.2.1 機(jī)械故障診斷方法11
• 1.2.2 機(jī)械故障診斷的時(shí)頻分析方法11-13
• 1.3 盲源分離技術(shù)13-16
• 1.3.1 盲源分離的發(fā)展及其研究14-15
• 1.3.2 盲源分離的應(yīng)用15-16
• 1.4 課題來源與研究內(nèi)容16-18
• 第2章 盲源分離基礎(chǔ)理論與算法18-36
• 2.1 盲源分離的數(shù)學(xué)模型18-20
• 2.1.1 線性瞬時(shí)混疊模型18-19
• 2.1.2 卷積混疊模型19-20
• 2.1.3 非線性混疊模型20
• 2.2 盲源分離的兩個(gè)不確定性20-21
• 2.2.1 分離信號的順序不確定性問題20-21
• 2.2.2 分離信號的幅值不確定性問題21
• 2.3 盲源分離的預(yù)處理方法21-22
• 2.3.1 去均值21
• 2.3.2 白化21-22
• 2.3.3 源數(shù)估計(jì)22
• 2.4 盲源分離算法的分類22-23
• 2.4.1 基于信息論準(zhǔn)則獨(dú)立分量分析方法22
• 2.4.2 基于陣列流型的盲波束形成方法22-23
• 2.4.3 基于統(tǒng)計(jì)量的解相關(guān)方法23
• 2.4.4 多通道ARMA方法23
• 2.5 典型的盲源分離算法23-25
• 2.5.1 最大熵算法23-24
• 2.5.2 基于固定點(diǎn)迭代的快速神經(jīng)算法24-25
• 2.5.3 基于四階累積量的特征矩陣聯(lián)合對角化算法25
• 2.6 盲源分離算法性能指標(biāo)25-27
• 2.6.1 PI指標(biāo)25-26
• 2.6.2 矩陣行元素優(yōu)勢指標(biāo)26
• 2.6.3 信號干擾比指標(biāo)26-27
• 2.7 基于統(tǒng)計(jì)量的盲源分離算法27-34
• 2.7.1 基于二階統(tǒng)計(jì)量的盲源分離28
• 2.7.2 基于二階統(tǒng)計(jì)量算法的步驟28-29
• 2.7.3 二階累積量的聯(lián)合對角化29-30
• 2.7.4 四階累積量30-31
• 2.7.5 基于四階累積量的聯(lián)合近似對角化31-32
• 2.7.6 兩種盲源分離算法的仿真研究32-34
• 2.8 本章小結(jié)34-36
• 第3章 基于盲源分離和AR譜分析的機(jī)械故障特征提取36-48
• 3.1 前言36
• 3.2 ARMA現(xiàn)代譜分析方法36-38
• 3.2.1 ARMA模型原理36-37
• 3.2.2 AR模型譜估計(jì)37-38
• 3.3 基于盲源分離和AR譜估計(jì)的故障特征提取38-39
• 3.4 仿真研究39-43
• 3.5 機(jī)械故障信號分析實(shí)例43-47
• 3.6 本章小結(jié)47-48
• 第4章 基于EMMD和欠定BSS的旋轉(zhuǎn)機(jī)械故障診斷48-62
• 4.1 EMMD原理48-50
• 4.2 基于EMMD特征值分解和BIC準(zhǔn)則的源數(shù)估計(jì)50-52
• 4.3 基于EMMD的欠定盲源分離方法52-55
• 4.3.1 方法實(shí)現(xiàn)52
• 4.3.2 仿真分析52-55
• 4.4 單通道旋轉(zhuǎn)機(jī)械故障信號的盲源分離55-60
• 4.4.1 旋轉(zhuǎn)機(jī)械故障信號特征分析56
• 4.4.2 基于EMMD的單通道信號盲源分離56-57
• 4.4.3 仿真研究57-60
• 4.5 旋轉(zhuǎn)機(jī)械故障診斷分析實(shí)例60-61
• 4.6 本章小結(jié)61-62
• 結(jié)論62-64
• 參考文獻(xiàn)64-68
• 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果68-69
• 致謝69-70
• 作者簡介70

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 焦衛(wèi)東,楊世錫,吳昭同;調(diào)制故障源信號盲分離技術(shù)[J];軸承;2003年10期

2 袁幸;段志善;孫穎宏;;基于EMD-AR模型和灰色關(guān)聯(lián)度的滾動(dòng)軸承故障診斷[J];軸承;2008年01期

3 羅志增;曹銘;;基于最大信噪比盲源分離的腦電信號偽跡濾波算法[J];電子學(xué)報(bào);2011年12期

4 崔新春;賀潔;秦小麟;;基于盲源分離的多重音頻數(shù)據(jù)庫水印算法[J];電子學(xué)報(bào);2012年01期

5 余先川;徐金東;;一種抗加性高斯白噪聲的盲圖像源分離方法[J];北京郵電大學(xué)學(xué)報(bào);2012年04期

6 楊宇;楊麗湘;程軍圣;;基于LMD和AR模型的轉(zhuǎn)子系統(tǒng)故障診斷方法[J];湖南大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年09期

7 宋曉萍;廖明夫;;雙轉(zhuǎn)子航空發(fā)動(dòng)機(jī)振動(dòng)信號的分離測試技術(shù)[J];機(jī)械科學(xué)與技術(shù);2006年04期

8 葉紅仙;楊世錫;楊將新;;多振源卷積混合的時(shí)域盲源分離算法[J];機(jī)械工程學(xué)報(bào);2009年01期

9 李鵬;周明全;黎南杉;王學(xué)松;;基于頻域卷積信號盲源分離的樂曲數(shù)據(jù)庫構(gòu)建[J];計(jì)算機(jī)應(yīng)用研究;2010年04期

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

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 蓋強(qiáng);局域波時(shí)頻分析方法的理論研究與應(yīng)用[D];大連理工大學(xué);2001年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 李輝;滾動(dòng)軸承和齒輪振動(dòng)信號分析與故障診斷方法[D];西北工業(yè)大學(xué);2001年

2 張寧;自適應(yīng)時(shí)頻分析及其時(shí)頻屬性提取方法研究[D];中國海洋大學(xué);2008年

3 陽平;航空發(fā)動(dòng)機(jī)混疊振動(dòng)信號的盲源分離研究[D];南京航空航天大學(xué);2008年

本文編號：731178