基于全矢奇异值分解的机械故障预测研究

发布时间：2020-05-19 12:10

【摘要】：机械故障预测技术可以提前发现机械设备可能发生的故障,对于保障设备平稳运行具有重大意义。机械设备振动信号的频谱能够反映其运行状态,通过对频谱进行预测不仅能够判断故障的严重程度,还能得到故障的类型。而对频谱的预测与单一特征频率处的幅值预测不同,属于多变量时间序列预测。多变量时间序列具有信息量大、噪声多、变量相关的特点,单变量的预测模型不适用于多变量的预测。极限学习机是一种单隐层前馈神经网络,学习精度高,运算速度快,适合对多变量数据进行处理,将其与奇异值分解的降维思想结合,提出基于奇异值分解的极限学习机模型,实现对频谱的预测。本文的主要研究内容如下:1、研究了基于全矢奇异值分解的信号处理方法,首先根据奇异值分解的原理,建立奇异值分解信号处理模型。通过仿真和实验分析了其去噪过程。针对单通道信号包含的信息不全面的问题,将全矢谱技术和奇异值分解方法结合,建立全矢奇异值分解模型,对滚动轴承的双通道信号进行频谱分析。将得到的全矢谱与单通道频谱进行对比,研究结果表明,全矢奇异值分解方法能够得到更加完整的频谱。2、研究了多变量极限学习机预测模型。为了解决频谱结构的预测问题,在极限学习机的基础上,提出多变量极限学习机的预测方法。首先运用滑动窗口法对频谱的多变量时间序列进行处理,构建训练和测试样本矩阵。在将样本矩阵输入极限学习机时,将样本矩阵进行向量化处理。运用此模型对滚动轴承的内圈振动数据做频谱结构预测,研究表明,多变量极限学习机可以预测故障特征,但对于整个频谱结构的预测精度不高,需要进行改进。3、研究了SVDELM预测模型。极限学习在样本输入时,将矩阵形式的多变量时间序列转换为了向量形式,破坏了原数据的结构,为了解决这一问题,在极限学习机的基础上,在输入层和隐藏层间增加奇异值分解层对样本进行降维,构建了SVDELM预测模型。分析了方法的原理和预测流程,对以全矢奇异值分解方法得到的频谱进行预测。研究表明,SVDELM方法能够实现对频谱结构的准确预测。
【图文】：

原信号时域图和频域图

含噪信号时域图和频域图
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH17

【相似文献】

相关期刊论文 前10条

1 余斌;;奇异值分解在人脸识别中的应用[J];知识文库;2017年15期

2 M.穆伦;张俊芳;;修正的奇异值分解并行实现[J];雷达与对抗;1992年04期

3 肖丁;关于加权奇异值分解与QR分解的渐近表达式的证明[J];大连理工大学学报;1988年04期

4 朱明,陈鹿民;机械回路系统动力学分析的奇异值分解(SVD)缩聚法[J];南京航空航天大学学报;1989年02期

5 万明坚,肖先赐;基于矩阵奇异值分解的空间谱估计算法[J];电子科技大学学报;1989年02期

6 夏江海;;奇异值分解在位场资料处理中的应用[J];物探化探计算技术;1989年02期

7 戴伟辉，吕维雪，，段云所，杨芙清;多准则优化图象重建方法的奇异值分解研究[J];计算机学报;1997年07期

8 张丽艳;殷福亮;;一种改进的奇异值分解语音增强方法[J];电子与信息学报;2008年02期

9 王娟;黄忠朝;刘正春;;基于增强的谱分析和奇异值分解的T波交替检测[J];浙江大学学报(工学版);2012年01期

10 张登银;刘琬;;一种改进的基于奇异值分解的数字水印算法[J];计算机安全;2009年02期

相关会议论文 前10条

1 张景瑞;;基于奇异值分解的SGCMGs输出误差分析及操纵律设计[A];第三届全国动力学与控制青年学者研讨会论文摘要集[C];2009年

2 黄诗纯;姜兆能;宣晓峰;;混合FDTD-SVD的高阶模态分析方法研究[A];2019年全国微波毫米波会议论文集（上册）[C];2019年

3 毛树华;;基于奇异值分解的灰色模型参数估计[A];第16届全国灰色系统学术会议论文集[C];2008年

4 张友民;陈洪亮;戴冠中;;基于奇异值分解的固定区间平滑新方法[A];1995年中国控制会议论文集（上）[C];1995年

5 葛照强;王讲书;杨战民;;广义系统结构稳定的状态反馈[A];1995年中国控制会议论文集（上）[C];1995年

6 周友明;孙勇军;;基于小波奇异值分解的颤振飞行试验数据处理方法研究[A];第十届全国空气弹性学术交流会会议论文集[C];2007年

7 朱晓临;李雪艳;陈Z

本文编号：2670870