本文關(guān)鍵詞：基于聲音信號的故障診斷研究及應(yīng)用

  更多相關(guān)文章： 故障診斷 小波包分解 經(jīng)驗?zāi)B(tài)分解 類別增量學(xué)習(xí) 支持向量機 混合編程

【摘要】：近些年,基于聲音信號的故障診斷技術(shù)被應(yīng)用在多個領(lǐng)域,例如風(fēng)機故障診斷、發(fā)動機故障診斷、放電故障診斷等。基于聲信號的故障診斷應(yīng)用繁多,其也逐漸成為故障診斷領(lǐng)域中的一個研究熱點,并引起了諸多學(xué)者的關(guān)注。目前,基于聲音信號的故障診斷研究仍存在一些問題,如：采集到的聲信號信噪比較低、故障診斷分類器無法實現(xiàn)類別增量學(xué)習(xí)、大多故障診斷系統(tǒng)的應(yīng)用太過局限等。針對以上問題,‘本文主要研究了診斷系統(tǒng)的濾波、信號特征提取以及信號的類別增量學(xué)習(xí)算法；所做工作如下：’首先,介紹了故障診斷的常用濾波方法。因采集的聲信號信噪比較低,故本文對聲信號的常用濾波算法進行了簡單的介紹與分析,主要的濾波方法有：奇異值分解濾波、小波濾波、經(jīng)驗?zāi)B(tài)分解濾波。特別的,針對傳統(tǒng)經(jīng)驗?zāi)B(tài)分解濾波存在的一些問題,本文對其進行了改進,增強了信號的濾波效果。其次,分別采用基于小波包分解能量、經(jīng)驗?zāi)B(tài)分解能量以及梅爾倒譜系數(shù)的特征提取方法對聲信號進行特征提取,將得到的特征向量送入SVM分類器進行訓(xùn)練,診斷實驗結(jié)果表明,基于上述特征的診斷系統(tǒng)擁有較高的診斷正確率。此外,一般的診斷系統(tǒng)不具備類別增量學(xué)習(xí)功能,本文對類別增量學(xué)習(xí)算法進行了探究。最后,開發(fā)了基于C、Matlab以及MS SQL的故障診斷平臺。通過c與Matlab混編技術(shù),可將Matlab中的算法函數(shù)在C環(huán)境下編譯運行,大大節(jié)約了開發(fā)系統(tǒng)的時間,通過MS SQL數(shù)據(jù)庫可對現(xiàn)場采集的數(shù)據(jù)進行簡單管理,方便的實現(xiàn)用戶對數(shù)據(jù)的查詢、刪除以及添加操作。
【關(guān)鍵詞】：故障診斷 小波包分解 經(jīng)驗?zāi)B(tài)分解 類別增量學(xué)習(xí) 支持向量機 混合編程
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TN912.3
【目錄】：

• 摘要8-9
• ABSTRACT9-11
• 第一章 緒論11-19
• 1.1 課題研究的背景和意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-16
• 1.2.1 故障信號的時域分析法13-14
• 1.2.2 故障信號的頻域分析法14-15
• 1.2.3 故障信號的時頻分析法15-16
• 1.3 存在的問題16-17
• 1.3.1 存在的主要問題16
• 1.3.2 未來的發(fā)展趨勢16-17
• 1.4 論文的研究內(nèi)容和結(jié)構(gòu)安排17-19
• 第二章 聲音信號的常用濾波方法19-39
• 2.1 奇異值分解濾波19-24
• 2.1.1 奇異值分解算法基本原理19-20
• 2.1.2 仿真實驗20-24
• 2.2 小波閩值濾波24-28
• 2.2.1 小波變換基本原理24-25
• 2.2.2 小波閾值去噪基本原理25-26
• 2.2.3 仿真實驗26-28
• 2.3 經(jīng)驗?zāi)B(tài)分解濾波28-37
• 2.3.1 EMD分解算法基本原理29-30
• 2.3.2 EMD濾波算法基本原理30-32
• 2.3.3 仿真實驗32-37
• 2.4 本章小結(jié)37-39
• 第三章 聲信號的SVM故障診斷39-55
• 3.1 基于聲音信號的系統(tǒng)故障診斷過程簡介39
• 3.2 聲音信號的特征提取39-43
• 3.2.1 小波包分解能量特征40-41
• 3.2.2 經(jīng)驗?zāi)B(tài)分解能量特征41-42
• 3.2.3 基于梅爾倒譜系數(shù)的聽覺特征42-43
• 3.3 支持向量機基本原理及分類器訓(xùn)練43-48
• 3.3.1 支持向量機基本原理43-48
• 3.3.2 分類器訓(xùn)練48
• 3.4 故障診斷實驗結(jié)果對比48-51
• 3.5 類別增量學(xué)習(xí)51-53
• 3.6 本章小結(jié)53-55
• 第四章 診斷平臺開發(fā)55-65
• 4.1 平臺開發(fā)55-59
• 4.2 數(shù)據(jù)庫設(shè)計59-63
• 4.2.1 SQL Sever與Matlab的數(shù)據(jù)通信59
• 4.2.2 故障診斷平臺的數(shù)據(jù)庫設(shè)計59-63
• 4.3 本章小結(jié)63-65
• 第五章 總結(jié)與展望65-67
• 5.1 論文工作總結(jié)65
• 5.2 工作展望65-67
• 參考文獻(xiàn)67-71
• 致謝71-72
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文72-73
• 學(xué)位論文評閱及答辯情況表73

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 吳凡;;狀態(tài)監(jiān)測和故障診斷技術(shù)的現(xiàn)狀與展望[J];國外電子測量技術(shù);2006年03期

2 ;2011年第二十屆測試與故障診斷技術(shù)研討會征文通知[J];計算機測量與控制;2011年04期

3 師文謙;;淺談計算機的故障診斷[J];計算技術(shù)與自動化;1986年03期

4 賈民平;機械故障診斷學(xué)的理論及其應(yīng)用 第一講 故障診斷的意義及研究發(fā)展概況[J];江蘇機械制造與自動化;1999年01期

5 張峻賓;蔡金燕;;故障診斷與硬件演化的一體化設(shè)計[J];微電子學(xué)與計算機;2014年02期

6 張健成,周士昌,虞和濟,丁相福,李國棟;故障診斷中的信息機制[J];基礎(chǔ)自動化;2000年04期

7 田少民;工程機械的狀態(tài)監(jiān)測與故障診斷技術(shù)[J];工程機械;2001年01期

8 王敏,王萬俊,熊春山,黃心漢;基于多傳感器數(shù)據(jù)融合的故障診斷技術(shù)[J];華中科技大學(xué)學(xué)報;2001年02期

9 葛曉鋒,陳素珊,何勇;基于圖論和模糊數(shù)學(xué)的故障診斷新方法[J];浙江大學(xué)學(xué)報(農(nóng)業(yè)與生命科學(xué)版);2001年04期

10 郭春,郭健;故障診斷的概率方法[J];計算機工程與科學(xué);2001年04期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 楊其校;劉昭度;齊志權(quán);馬岳峰;;汽車ABS電機故障診斷[A];第三屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2005年

2 黎清海;高慶;;基于系統(tǒng)分層的故障診斷方法[A];第三屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2005年

3 聞競競;黃道;;故障診斷方法綜述[A];計算機技術(shù)與應(yīng)用進展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

4 李t，

本文編號：876991