本文關(guān)鍵詞：欠定盲源分離算法及其在機(jī)械故障診斷中的應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

【摘要】：機(jī)械設(shè)備振動信號是判斷其運(yùn)行狀態(tài)的重要信息來源,有效的故障診斷與監(jiān)測是現(xiàn)代工業(yè)發(fā)展的迫切需要。然而,工業(yè)生產(chǎn)環(huán)境通常比較惡劣,在采集振動信號時,常常包含大量的干擾噪聲,且存在多種故障源相互耦合的情況,使得機(jī)械設(shè)備不同故障特征信號及噪聲之間在頻帶上相互混疊,致使機(jī)械故障振動信號特征識別極其困難。同時,機(jī)械設(shè)備發(fā)生故障時的振動信號表現(xiàn)出非平穩(wěn)和非高斯特性,導(dǎo)致了傳統(tǒng)的時頻分析方法并不適用。盲源分離技術(shù)為機(jī)械故障源信號分離提供了良好的解決途徑,其可僅憑借獨(dú)立源假設(shè),就從觀測信號中提取出源信號。但傳統(tǒng)的盲源分離算法不適用于觀測信號數(shù)目小于源信號數(shù)目的欠定情況,因此,為了滿足實(shí)際工程需要,研究有效的欠定盲源分離算法是機(jī)械設(shè)備狀態(tài)監(jiān)測與故障診斷領(lǐng)域中的重要研究方向。本文以研究盲源分離理論為基礎(chǔ),分析了幾種常用的獨(dú)立分量分析方法,驗(yàn)證了魯棒性獨(dú)立分量分析法的良好性能。然后,針對現(xiàn)實(shí)噪聲背景下的機(jī)械復(fù)合故障振動信號的分離與提取問題,建立了欠定盲源分離模型。通過引入模態(tài)分解概念,實(shí)現(xiàn)了信號的升維,將欠定盲源分離問題進(jìn)行轉(zhuǎn)化,并應(yīng)用降噪預(yù)處理算法對含噪信號進(jìn)行降噪處理,提高了信號信噪比,從而使其滿足盲源分離基本假設(shè)條件,并在此基礎(chǔ)上提出了基于模態(tài)分解與降噪預(yù)處理相結(jié)合的欠定盲源分離算法,通過理論研究與實(shí)驗(yàn)仿真相結(jié)合的方式對算法的有效性進(jìn)行驗(yàn)證,為噪聲背景下的機(jī)械復(fù)合故障信號的欠定盲源分離問題提供了一種有效的解決方法。最后,將基于模態(tài)分解與降噪預(yù)處理的欠定盲源分離算法應(yīng)用于實(shí)際滾動軸承內(nèi)圈、外圈復(fù)合故障數(shù)據(jù),成功地提取出了故障特征信號,實(shí)現(xiàn)了故障的準(zhǔn)確診斷,具有重要的工程意義和理論研究價(jià)值。
【關(guān)鍵詞】：欠定盲源分離 模態(tài)分解 時頻降噪 滾動軸承 故障診斷
【學(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TN911.7;TH17
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 緒論11-17
• 1.1 課題研究背景與意義11-12
• 1.2 盲源分離算法的研究現(xiàn)狀12-14
• 1.2.1 欠定盲源分離算法研究現(xiàn)狀12-13
• 1.2.2 噪聲背景下的盲源分離算法研究現(xiàn)狀13-14
• 1.3 盲源分離算法在機(jī)械故障診斷中的應(yīng)用現(xiàn)狀14
• 1.4 本文的主要研究工作14-17
• 第二章 盲源分離技術(shù)的理論基礎(chǔ)17-33
• 2.1 引言17
• 2.2 概率論基礎(chǔ)17-19
• 2.2.1 矩17-18
• 2.2.2 累積量18-19
• 2.3 信息論基礎(chǔ)19-20
• 2.3.1 熵19
• 2.3.2 負(fù)熵19
• 2.3.3 互信息19-20
• 2.4 盲源分離理論模型及算法20-23
• 2.4.1 線性瞬時混合模型20-21
• 2.4.2 獨(dú)立分量分析基本原理21
• 2.4.3 獨(dú)立性度量準(zhǔn)則21-23
• 2.4.3.1 非高斯性極大21-22
• 2.4.3.2 互信息最小22-23
• 2.5 ICA的不確定性23
• 2.6 ICA的預(yù)處理方法23-25
• 2.6.1 中心化23
• 2.6.2 白化處理23-24
• 2.6.3 實(shí)驗(yàn)仿真24-25
• 2.7 ICA分離性能指標(biāo)25-26
• 2.7.1 相似系數(shù)25
• 2.7.2 性能指數(shù)25
• 2.7.3 信噪比評價(jià)標(biāo)準(zhǔn)25-26
• 2.8 幾種常用的ICA方法簡介26-32
• 2.8.1 快速獨(dú)立分量分析算法26-27
• 2.8.1.1 基于峭度的快速獨(dú)立分量分析法26
• 2.8.1.2 基于負(fù)熵的快速獨(dú)立分量分析法26-27
• 2.8.2 魯棒性獨(dú)立分量分析算法27-29
• 2.8.3 仿真研究：幾種典型的盲源分離算法分離性能對比仿真29-32
• 2.9 本章小結(jié)32-33
• 第三章 欠定混合盲源分離技術(shù)33-53
• 3.1 引言33
• 3.2 欠定盲源分離模型及算法33-35
• 3.2.1 欠定盲源分離模型33-34
• 3.2.2 欠定盲源分離的算法研究及其局限性34
• 3.2.3 單一通道盲源分離算法34-35
• 3.3 欠定情況下的源數(shù)估計(jì)方法35-38
• 3.3.1 基于SVD的源數(shù)估計(jì)法的原理35-36
• 3.3.2 基于IMF-SVD的源數(shù)估計(jì)法36
• 3.3.3 算法仿真36-38
• 3.4 基于模態(tài)分解的欠定盲源分離算法38-51
• 3.4.1 模態(tài)分解算法39-42
• 3.4.1.1 經(jīng)驗(yàn)?zāi)B(tài)分解39-40
• 3.4.1.2 局域均值分解40-41
• 3.4.1.3 變模態(tài)分解41-42
• 3.4.1.4 多分辨奇異值分解42
• 3.4.2 仿真研究42-51
• 3.4.2.1 仿真一：基于EMD、LMD、VMD或MRSVD的盲源分離算法分離性能仿真分析42-48
• 3.4.2.2 仿真二：噪聲對EMD、LMD、VMD或MRSVD算法分離性能的影響48-51
• 3.5 本章小結(jié)51-53
• 第四章 噪聲環(huán)境下的盲源分離技術(shù)53-67
• 4.1 引言53
• 4.2 噪聲環(huán)境下的盲源分離模型及算法53-54
• 4.2.1 噪聲環(huán)境下的盲源分離算法模型53-54
• 4.2.2 解決噪聲對盲源分離算法影響的方法54
• 4.3 時頻分析降噪方法54-57
• 4.3.1 小波降噪法54-55
• 4.3.2 EMD降噪法55
• 4.3.3 SVD降噪法55-56
• 4.3.4 有效奇異值分解微弱特征提取法56
• 4.3.5 形態(tài)奇異值濾波特征提取法56-57
• 4.4 仿真研究57-64
• 4.4.1 仿真一：輸入噪聲信噪比對降噪性能的影響57-58
• 4.4.2 仿真二：小波、EMD、SVD、SVD-MF和ESVD在強(qiáng)噪聲背景下對微弱信號的提取仿真58-59
• 4.4.3 仿真三：基于降噪預(yù)處理的盲源分離仿真分析59-63
• 4.4.4 仿真四：輸入信噪比對基于降噪預(yù)處理的盲源分離算法分離性能影響63-64
• 4.5 本章小結(jié)64-67
• 第五章 欠定盲源分離技術(shù)在機(jī)械故障診斷中的應(yīng)用研究67-79
• 5.1 引言67
• 5.2 軸承振動信號特征分析67-69
• 5.3 現(xiàn)代機(jī)械故障診斷研究發(fā)展概況69
• 5.4 基于模態(tài)分解和降噪預(yù)處理的欠定盲源分離技術(shù)在機(jī)械故障診斷中的應(yīng)用研究69-72
• 5.5 仿真研究72-78
• 5.5.1 仿真一：基于模態(tài)分解和降噪預(yù)處理的欠定盲源分離仿真72-74
• 5.5.2 仿真二：噪聲背景下滾動軸承內(nèi)、外圈復(fù)合故障診斷應(yīng)用實(shí)例74-78
• 5.6 本章小結(jié)78-79
• 第六章 總結(jié)與展望79-81
• 6.1 本文工作總結(jié)79-80
• 6.2 研究展望80-81
• 致謝81-83
• 參考文獻(xiàn)83-89
• 附錄A (攻讀碩士學(xué)位期間發(fā)表論文及申請軟著目錄)89-91
• 附錄B (攻讀碩士學(xué)位期間獲獎情況目錄)91

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 林秋華,殷福亮;盲源分離自適應(yīng)算法的統(tǒng)一形式[J];大連理工大學(xué)學(xué)報(bào);2002年04期

2 李廣彪;張劍云;;基于變步長等變化自適應(yīng)盲源分離算法[J];電子信息對抗技術(shù);2006年01期

3 蘇中元;賈民平;;周期平穩(wěn)信號盲源分離算法及其應(yīng)用[J];機(jī)械工程學(xué)報(bào);2007年10期

4 陳錫明;黃碩翼;;盲源分離綜述——問題、原理和方法[J];電子信息對抗技術(shù);2008年02期

5 劉秀芳;艾延廷;張[，

本文編號：452017