發(fā)布時(shí)間：2020-11-02 20:07

　　 為了解決信號(hào)采集中受損數(shù)據(jù)的修復(fù)問題,降低信號(hào)稀疏度對(duì)修復(fù)效果的影響,同時(shí)實(shí)現(xiàn)欠采樣條件下機(jī)械故障的識(shí)別,本文基于稀疏表示理論,研究了基于稀疏采樣的數(shù)據(jù)修復(fù)方法、基于稀疏度自適應(yīng)的數(shù)據(jù)修復(fù)方法、基于稀疏采樣的故障分類方法。具體研究?jī)?nèi)容如下:(1)開展了基于稀疏采樣的數(shù)據(jù)修復(fù)方法研究。在實(shí)際振動(dòng)信號(hào)采集中,可能會(huì)由于信號(hào)采集系統(tǒng)不穩(wěn)定導(dǎo)致部分?jǐn)?shù)據(jù)丟失。針對(duì)信號(hào)采集中受損數(shù)據(jù)的修復(fù)問題,結(jié)合壓縮感知框架,建立了基于稀疏采樣的數(shù)據(jù)修復(fù)模型。首先基于振動(dòng)信號(hào)波形特征和先驗(yàn)知識(shí),選擇適當(dāng)?shù)南∈枳值鋵?shí)現(xiàn)信號(hào)稀疏化;其次以單位矩陣為基礎(chǔ),根據(jù)數(shù)據(jù)的缺失模型構(gòu)造觀測(cè)矩陣;最后采用穩(wěn)定的稀疏求解算法重構(gòu)出完整數(shù)據(jù),實(shí)現(xiàn)受損數(shù)據(jù)修復(fù)。此外,還探究了不同稀疏字典下受損信號(hào)的修復(fù)情況,分析了振動(dòng)信號(hào)在不同字典下的稀疏特性。通過仿真信號(hào)及實(shí)測(cè)信號(hào)驗(yàn)證了方法有效性,結(jié)果表明,相比于受損信號(hào),修復(fù)信號(hào)更有利于后續(xù)故障診斷;對(duì)比了傳統(tǒng)數(shù)據(jù)修復(fù)方法,基于稀疏采樣的數(shù)據(jù)修復(fù)方法在修復(fù)精度上更具有優(yōu)勢(shì)。(2)開展了稀疏度自適應(yīng)的數(shù)據(jù)修復(fù)方法研究。基于壓縮感知的數(shù)據(jù)重構(gòu)方法可用于解決信號(hào)采集中受損數(shù)據(jù)的修復(fù)問題,該算法首先需要已知數(shù)據(jù)稀疏度,而振動(dòng)信號(hào)的稀疏度通常難以確定,增加了數(shù)據(jù)修復(fù)的難度,因此建立了基于稀疏度自適應(yīng)的數(shù)據(jù)修復(fù)模型。探討了稀疏度自適應(yīng)匹配追蹤算法(SAMP)中迭代步長(zhǎng)及終止系數(shù)對(duì)修復(fù)性能的影響,分析了該方法的使用條件。此外,針對(duì)SAMP算法修復(fù)結(jié)果受終止條件影響較大,導(dǎo)致修復(fù)精度不高且效率較低的問題,提出了終止準(zhǔn)則改進(jìn)的稀疏度自適應(yīng)數(shù)據(jù)修復(fù)方法。通過仿真信號(hào)及實(shí)測(cè)信號(hào)驗(yàn)證了方法的有效性,且改進(jìn)的SAMP算法在重構(gòu)精度和運(yùn)算效率上均有所提高。對(duì)比了不同稀疏求解方法下振動(dòng)信號(hào)修復(fù)效果,結(jié)果表明,改進(jìn)的SAMP算法修復(fù)效果優(yōu)于正交匹配追蹤(OMP)與正則化正交匹配追蹤(ROMP)。(3)開展了基于稀疏采樣的故障分類方法研究。香農(nóng)采樣定理為信號(hào)處理技術(shù)奠定了基礎(chǔ),但也帶來(lái)了數(shù)據(jù)傳輸及處理的巨大壓力。為解決海量數(shù)據(jù)對(duì)故障診斷的壓力問題,研究了基于稀疏表示的故障分類方法,用于實(shí)現(xiàn)欠采樣條件下機(jī)械故障診斷。探究了基于冗余字典的信號(hào)稀疏表示方法,建立了冗余字典下稀疏表示分類模型。針對(duì)稀疏表示分類模型中稀疏矩陣構(gòu)造復(fù)雜的問題,研究了基于小波模極大值(WTMM)的信號(hào)稀疏表示方法,從而將稀疏矩陣由復(fù)雜的樣本字典替換為單位矩陣,降低了方法復(fù)雜度。此外,為克服信號(hào)時(shí)移對(duì)分類結(jié)果的影響,用最大互相關(guān)度替代最小冗余誤差作為故障判定準(zhǔn)則。通過軸承及齒輪信號(hào)驗(yàn)證了方法有效性。相比其他分類算法,該方法無(wú)需設(shè)計(jì)分類器,也無(wú)需計(jì)算特征參數(shù),避免了由于特征參數(shù)選取不當(dāng)對(duì)分類結(jié)果的影響。
【學(xué)位單位】：北京化工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TN911.7
【部分圖文】：

號(hào)稀疏度自適應(yīng)修復(fù)方法及機(jī)械故障稀疏分類方法研究。解決了三大關(guān)鍵問題：信號(hào)??采集中受損數(shù)據(jù)的修復(fù)問題、未知稀疏度情況下的數(shù)據(jù)修復(fù)問題以及海量數(shù)據(jù)對(duì)故障??診斷的壓力問題。研宄思路如圖１－１所示。基于上述關(guān)鍵問題，確定了研究?jī)?nèi)容：基??于稀疏采樣的振動(dòng)數(shù)據(jù)修復(fù)、基于稀疏度自適應(yīng)的數(shù)據(jù)修復(fù)以及基于稀疏采樣的故障??分類方法，具體闡述如下：??（１）

圖１－２論文研宄內(nèi)容??Ｆｉｇ．?１－２?Ｒｅｓｅａｒｃｈｉｎｇ?ｃｏｎｔｅｎｔ?ｏｆ?ｔｈｅ?ｐａｐｅｒ??６??

?第二章基于稀疏采樣的數(shù)據(jù)修復(fù)方法研究０．０１ｓ；?１／７１Ｐ１００ＨＺ為故障特征頻率；采樣頻率為１００００Ｈｚ。為保證信號(hào)幅值處于數(shù)量級(jí)，下列信號(hào)均經(jīng)過歸一化處理。完整的仿真信號(hào)如圖２－４所示。??設(shè)在數(shù)據(jù)采集過程中由于某些外界原因造成數(shù)據(jù)丟失，受損信號(hào)缺失一個(gè)沖擊值，丟失數(shù)據(jù)為原數(shù)據(jù)１０％，如圖２－５所示。采用稀疏采樣的數(shù)據(jù)修復(fù)方法進(jìn)行數(shù)修復(fù)。首先選取能夠?qū)⑿盘?hào)稀疏分解的字典矩陣作為稀疏矩陣。由于信號(hào)經(jīng)過離散弦變換（ＤＣＴ）后對(duì)應(yīng)的系數(shù)較為稀疏，如圖２－６，因此將ＤＣＴ字典作為稀疏矩分別采用ＯＭＰ、ＲＯＭＰ算法進(jìn)行信號(hào)修復(fù)，修復(fù)后仿真信號(hào)如圖２＿７、圖２－８。??
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 樊薇;李雙;蔡改改;沈長(zhǎng)青;黃偉國(guó);朱忠奎;;基于小波基稀疏信號(hào)特征提取的軸承故障診斷[J];振動(dòng)工程學(xué)報(bào);2015年06期

2 鄧飛躍;唐貴基;王曉龍;;諧波分解結(jié)合自互補(bǔ)Top-Hat變換的軸承微弱故障特征提取方法[J];振動(dòng)工程學(xué)報(bào);2015年06期

3 桂要生;鄒孝;肖盛;戴蘇秦;錢盛友;;一種改進(jìn)的基于紋理合成的數(shù)字圖像修復(fù)方法[J];計(jì)算機(jī)與數(shù)字工程;2015年09期

4 余竹;夏禾;殷永高;孫敦華;;基于小波變換與Lipschitz指數(shù)的橋梁損傷識(shí)別研究[J];振動(dòng)與沖擊;2015年14期

5 陳澤墅;常麗萍;;一種基于壓縮感知的改進(jìn)的缺失數(shù)據(jù)修復(fù)算法[J];科技展望;2015年07期

6 杜海順;張旭東;金勇;侯彥東;;基于Gabor低秩恢復(fù)稀疏表示分類的人臉圖像識(shí)別方法[J];電子學(xué)報(bào);2014年12期

7 呂偉杰;陳霞;劉紅珍;;基于壓縮感知的自適應(yīng)匹配追蹤算法優(yōu)化[J];系統(tǒng)工程與電子技術(shù);2015年05期

8 周亞同;王麗莉;唐紅梅;;基于壓縮感知的稀疏度自適應(yīng)圖像修復(fù)[J];鐵道學(xué)報(bào);2014年09期

9 張新鵬;胡蔦慶;程哲;鐘華;;基于壓縮感知的振動(dòng)數(shù)據(jù)修復(fù)方法[J];物理學(xué)報(bào);2014年20期

10 張長(zhǎng)青;陳硯圃;;離散余弦小波包變換及語(yǔ)音信號(hào)壓縮感知[J];聲學(xué)技術(shù);2014年01期

相關(guān)博士學(xué)位論文 前3條

1 羅曉宇;基于信號(hào)稀疏表示的陣列測(cè)向算法研究[D];電子科技大學(xué);2016年

2 黃安民;基于感知字典的稀疏重建算法研究[D];電子科技大學(xué);2011年

3 雷亞國(guó);混合智能技術(shù)及其在故障診斷中的應(yīng)用研究[D];西安交通大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 柯燕亮;基于壓縮感知的故障檢測(cè)與分離方法研究[D];北京化工大學(xué);2017年

2 姜景升;基于局部切空間排列算法的故障特征提取及識(shí)別方法研究[D];北京化工大學(xué);2017年

3 楊琴;基于壓縮感知的旋轉(zhuǎn)機(jī)械故障分類與識(shí)別方法研究[D];北京化工大學(xué);2016年

4 古禮衍;圖像稀疏恢復(fù)的特征表示算法研究[D];電子科技大學(xué);2016年

5 方杰;壓縮感知觀測(cè)矩陣和重構(gòu)算法的研究[D];華南理工大學(xué);2015年

6 陳澤墅;基于稀疏表示的圖像修復(fù)算法研究[D];浙江工業(yè)大學(xué);2015年

7 雷蕾;基于小波模極大值點(diǎn)的信號(hào)稀疏表示及壓縮感知重構(gòu)[D];北京交通大學(xué);2014年

8 陳浪;信號(hào)的稀疏表示及其應(yīng)用研究[D];復(fù)旦大學(xué);2013年

9 方寶龍;基于紋理合成的圖像修復(fù)算法研究[D];山東大學(xué);2013年

10 徐亞軍;基于階比多尺度線調(diào)頻小波路徑追蹤的滾動(dòng)軸承故障診斷方法研究[D];湖南大學(xué);2013年

本文編號(hào)：2867508