本文關鍵詞：基于盲源分離的旋轉(zhuǎn)機械故障特征提取方法研究

  更多相關文章： 故障特征提取 盲源分離 旋轉(zhuǎn)機械 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，，機械故障診斷正在迅速的發(fā)展成為一門新興的學科。機械故障診斷的關鍵在于如何從機械振動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，信號處理的時頻分析方法在機械故障診斷領域受到了廣泛的關注。本文重點研究盲源分離(BSS)方法及其在機械故障特征提取方面的應用。 本文對盲源分離原理及其算法進行了系統(tǒng)的分析，根據(jù)機械振動信號常見的多聲源混合，源信號之間相互干擾的特點，提出將盲源分離運用到機械故障診斷中的思想。 首先，分析旋轉(zhuǎn)機械故障信號，根據(jù)旋轉(zhuǎn)機械設備工作環(huán)境背景噪聲強，其振動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，并通過EMD方法來實現(xiàn)將非平穩(wěn)信號的平穩(wěn)化分解。在仿真實驗中，雖然混合信號中含有強烈的干擾，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。驗證了該方法在機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)時的欠定條件下的盲源分離問題，提出運用極值域均值分解(EMMD)進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和貝葉斯準則的源數(shù)估計方法。最后通過對源信號數(shù)未知的單通道的旋轉(zhuǎn)機械故障信號的盲分離，實現(xiàn)了故障特征的提取。驗證了方法的有效性。
【關鍵詞】：故障特征提取 盲源分離 旋轉(zhuǎn)機械 AR模型 EMD分解 EMMD分解 單通道
【學位授予單位】：燕山大學
【學位級別】：碩士
【學位授予年份】：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 機械故障診斷技術(shù)的發(fā)展及研究10-13
• 1.2.1 機械故障診斷方法11
• 1.2.2 機械故障診斷的時頻分析方法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 盲源分離基礎理論與算法18-36
• 2.1 盲源分離的數(shù)學模型18-20
• 2.1.1 線性瞬時混疊模型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22
• 2.4 盲源分離算法的分類22-23
• 2.4.1 基于信息論準則獨立分量分析方法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)計量的解相關方法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25-27
• 2.6.1 PI指標25-26
• 2.6.2 矩陣行元素優(yōu)勢指標26
• 2.6.3 信號干擾比指標26-27
• 2.7 基于統(tǒng)計量的盲源分離算法27-34
• 2.7.1 基于二階統(tǒng)計量的盲源分離28
• 2.7.2 基于二階統(tǒng)計量算法的步驟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37-38
• 3.3 基于盲源分離和AR譜估計的故障特征提取38-39
• 3.4 仿真研究39-43
• 3.5 機械故障信號分析實例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準則的源數(shù)估計50-52
• 4.3 基于EMMD的欠定盲源分離方法52-55
• 4.3.1 方法實現(xiàn)52
• 4.3.2 仿真分析52-55
• 4.4 單通道旋轉(zhuǎn)機械故障信號的盲源分離55-60
• 4.4.1 旋轉(zhuǎn)機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)機械故障診斷分析實例60-61
• 4.6 本章小結(jié)61-62
• 結(jié)論62-64
• 參考文獻64-68
• 攻讀碩士學位期間承擔的科研任務與主要成果68-69
• 致謝69-70
• 作者簡介70

【參考文獻】

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模型和灰色關聯(lián)度的滾動軸承故障診斷[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];電子學報;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];電子學報;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];北京郵電大學學報;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];湖南大學學報(自然科學版);2010年09期

7 宋曉萍;廖明夫;;雙轉(zhuǎn)子航空發(fā)動機振動信號的分離測試技術(shù)[J];機械科學與技術(shù);2006年04期

8 葉紅仙;楊世錫;楊將新;;多振源卷積混合的時域盲源分離算法[J];機械工程學報;2009年01期

9 李鵬;周明全;黎南杉;王學松;;基于頻域卷積信號盲源分離的樂曲數(shù)據(jù)庫構(gòu)建[J];計算機應用研究;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[J];數(shù)據(jù)采集與處理;2008年01期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 蓋強;局域波時頻分析方法的理論研究與應用[D];大連理工大學;2001年

中國碩士學位論文全文數(shù)據(jù)庫 前3條

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

2 張寧;自適應時頻分析及其時頻屬性提取方法研究[D];中國海洋大學;2008年

3 陽平;航空發(fā)動機混疊振動信號的盲源分離研究[D];南京航空航天大學;2008年

本文編號：731178