機械旋轉(zhuǎn)設(shè)備在監(jiān)測過程中產(chǎn)生的數(shù)據(jù),會帶來數(shù)據(jù)存儲,數(shù)據(jù)傳輸、數(shù)據(jù)挖掘等一系列問題。因此對監(jiān)測數(shù)據(jù)進行稀疏分解,通過稀疏分解的方法提取具有高信息、高價值的故障特征,可以有效保證旋轉(zhuǎn)機械設(shè)備安全穩(wěn)定運行。針對現(xiàn)有稀疏分解研究中關(guān)于提升稀疏完備字典自適應(yīng)性所存在的兩個難點問題:（1）以數(shù)據(jù)驅(qū)動為前提的稀疏完備字典自由基原子獲取問題;（2）以先驗知識假設(shè)為前提的稀疏完備字典固定基原子獲取問題。本文結(jié)合 TQWT（tunable Q-factor wavelet transform,TQWT）算法,從自適應(yīng)、多階迭代分析濾波器組、特征匹配等角度逐步開展研究,旨在通過稀疏分解從噪聲背景中提取出信號的故障特征,提升稀疏完備字典的魯棒性。主要研究內(nèi)容及取得研究結(jié)果如下:（1）針對TQWT算法過度依賴先驗知識進行參數(shù)預(yù)設(shè)來提取自由基原子的問題,開展了基于自適應(yīng)TQWT的故障稀疏特征提取方法研究。為了提取與稀疏完備字典相匹配的自由基原子,借助TQWT分解中可以隨信號特征調(diào)整品質(zhì)因子的特性,采用最大峭度原則在遍歷迭代的基礎(chǔ)上實現(xiàn)了信號的多分辨率分解�；诖�,無需進行逆向重構(gòu)信號即可在在子帶中提取出自由基原... 

【文章來源】：北京化工大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：130 頁

【學(xué)位級別】：博士

【文章目錄】：
學(xué)位論文數(shù)據(jù)集
摘要
Abstract
第一章 緒論
    1.1 課題來源
    1.2 課題研究背景及意義
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 稀疏分解研究現(xiàn)狀
        1.3.2 小波分解研究現(xiàn)狀
        1.3.3 其他常用信號分解方法研究現(xiàn)狀
        1.3.4 主要難點
    1.4 論文主要研究內(nèi)容
    1.5 論文結(jié)構(gòu)安排
第二章 基于自適應(yīng)TQWT的稀疏故障特征提取方法
    2.1 引言
    2.2 基于自適應(yīng)TQWT的故障稀疏特征提取方法框架
        2.2.1 理論介紹
        2.2.2 故障稀疏特征提取方法流程
    2.3 算法性能仿真驗證
    2.4 算法性能實驗驗證
    2.5 本章小結(jié)
第三章 基于多階迭代TQWT的稀疏故障特征提取方法
    3.1 引言
    3.2 多階迭代TQWT稀疏分解理論
    3.3 基于單品質(zhì)因子稀疏信號特征提取方法
        3.3.1 理論介紹
        3.3.2 故障稀疏特征提取方法框架
        3.3.3 算法性能仿真驗證
        3.3.4 算法性能實驗驗證與分析
    3.4 基于雙品質(zhì)因子的稀疏信號特征提取
        3.4.1 理論介紹
        3.4.2 故障稀疏特征提取方法框架
        3.4.3 算法性能仿真驗證
        3.4.4 算法性能實驗驗證一
        3.4.5 算法性能實驗驗證二
    3.5 本章小結(jié)
第四章 基于TQWT與VMD的稀疏故障特征提取方法
    4.1 引言
    4.2 VMD理論介紹
    4.3 故障稀疏信號特征提取方法框架
    4.4 算法性能仿真驗證
    4.5 算法性能實驗驗證一
    4.6 算法性能實驗驗證二
    4.7 本章小結(jié)
第五章 基于固定基品質(zhì)因子的稀疏故障特征提取方法
    5.1 引言
    5.2 自適應(yīng)品質(zhì)因子稀疏分解方法理論基礎(chǔ)
        5.2.1 品質(zhì)因子
        5.2.2 自適應(yīng)相關(guān)參數(shù)選取法
    5.3 算法性能仿真驗證
    5.4 算法性能實驗驗證一
    5.5 算法性能實驗驗證二
    5.6 本章小結(jié)
第六章 研究結(jié)論與展望
    6.1 主要研究結(jié)論
    6.2 主要創(chuàng)新之處
    6.3 展望
參考文獻
致謝
研究成果及發(fā)表的學(xué)術(shù)論文
作者與導(dǎo)師簡介
附件


【參考文獻】：
期刊論文
[1]基于壓縮感知的OMP算法在地震資料中的去噪效果分析[J]. 賀月,周健,陳力鑫,黃勁,王麗紅.  油氣地球物理. 2020(02)
[2]基于變分模態(tài)分解的故障弱信息提取方法[J]. 劉秀麗,徐小力,吳國新,張雪英.  華中科技大學(xué)學(xué)報(自然科學(xué)版). 2020(07)
[3]VMD方法在軸承故障定子電流信號診斷中的應(yīng)用[J]. 時獻江,李萬濤,高慶康.  哈爾濱理工大學(xué)學(xué)報. 2020(01)
[4]融合極端學(xué)習(xí)機的判別性分析字典學(xué)習(xí)算法[J]. 王軍浩,閆德勤,劉德山,邢鈺佳.  計算機科學(xué). 2020(05)
[5]基于WT和STFT車輛啟動抖動特性時頻分析[J]. 王偉東.  應(yīng)用技術(shù)學(xué)報. 2020(01)
[6]短時傅里葉變換的艦船輻射噪聲縱向分布特性分析[J]. 王宏艷,馮燁,苗夢露.  艦船科學(xué)技術(shù). 2020(02)
[7]基于VMD改進算法的氣體管道泄漏檢測[J]. 梁洪衛(wèi),劉冬冬,闞玲玲,高丙坤,鄒岱峰.  吉林大學(xué)學(xué)報(信息科學(xué)版). 2019(05)
[8]"5·17"河南南陽成批鋼水燒傷患者的轉(zhuǎn)運及早期救治分析[J]. 張樹堂,劉奇,李天宇,趙俊祥,崔正軍.  中華急診醫(yī)學(xué)雜志. 2019(09)
[9]稀疏表示中稀疏系數(shù)的l1范數(shù)的特性分析[J]. 宗靜靜,邱天爽.  系統(tǒng)工程與電子技術(shù). 2019(12)
[10]阿波羅計劃的科學(xué)遺產(chǎn)[J]. 瞿立建.  世界科學(xué). 2019(08)

博士論文
[1]基于變分模態(tài)分解的風(fēng)電機組傳動系統(tǒng)故障診斷研究[D]. 武英杰.華北電力大學(xué)(北京) 2016
[2]緊支集雙正交小波的構(gòu)造及應(yīng)用研究[D]. 張世強.大連海事大學(xué) 2015
[3]稀疏恢復(fù)問題的非凸松弛方法[D]. 李昱帆.天津大學(xué) 2015
[4]基于信號稀疏表征的故障診斷方法研究[D]. 唐海峰.上海交通大學(xué) 2014

碩士論文
[1]基于云計算FFT的機械故障診斷系統(tǒng)設(shè)計與實現(xiàn)[D]. 潘越.北京郵電大學(xué) 2019
[2]基于字典學(xué)習(xí)的稀疏表示故障診斷方法研究[D]. 李景樂.北京化工大學(xué) 2018
[3]基于字典學(xué)習(xí)與低秩矩陣重建的WMSN視頻去噪算法研究[D]. 徐益.華東交通大學(xué) 2016
[4]語音信號稀疏表示方法研究[D]. 張宏樂.太原理工大學(xué) 2016
[5]小波字典下齒輪箱復(fù)合故障瞬態(tài)特征的稀疏表示研究[D]. 羅春艷.蘇州大學(xué) 2016
[6]墨西哥帽小波在圖像邊緣檢測中的應(yīng)用[D]. 武鵬程.山西師范大學(xué) 2015
[7]基于小波包分解和希爾伯特黃變換的滾動軸承故障診斷[D]. 熊星.中國科學(xué)技術(shù)大學(xué) 2014
[8]CC25型汽輪機振動分析與故障診斷[D]. 古立.華東理工大學(xué) 2014
[9]基于小波變換的數(shù)字圖像水印技術(shù)研究[D]. 張偉東.浙江師范大學(xué) 2011
[10]基于級聯(lián)原子庫稀疏分解及其應(yīng)用[D]. 唐承志.西南交通大學(xué) 2011



本文編號：3189701