基于IGA的Volterra核辨识及机械振动信号消噪方法研究

发布时间：2017-05-19 23:10

  本文关键词：基于IGA的Volterra核辨识及机械振动信号消噪方法研究，由笔耕文化传播整理发布。

【摘要】：机械振动噪声的普遍存在对准确进行机械故障诊断造成了很大的干扰。为了提高故障诊断的准确性,必须得到有效的振动信号,对于振动信号中含有的噪声信号进行滤除。为了达到这一目的,很多研究者对如何让消除原始信号中的噪声信号进行了大量的研究,然而这些研究都是针对某一种噪声进行滤除,不能对含有多种噪声信号的原始信号进行恢复。因此针对这一现象,本文提出使用基于改进遗传算法的Volterra滤波器对振动信号进行噪声滤除处理。本文主要研究基于IGA的Volterra核参数辨识及机械振动信号的消噪法,并进行了基于Matlab软件的仿真实验的研究和论证,本文的主要内容包含以下几个方面:第一,选择合适的群智能算法并对其进行算法改进。通过对几种常用算法性能的比较和分析,最终确定使用遗传算法。遗传算法是模拟自然界生物进化过程的一种概率性寻优算法,它可以快速地解决复杂的非线性问题,这是传统的寻优方法无法企及的。然而传统的遗传算法也有不可避免的缺点,如容易陷入局部最优难以自拔,给定的遗传算子不能满足有些高精度的辨识要求。所以本文提出使用以下策略对遗传算法进行改进:基于对立学习机制的种群初始化;根据种群的多样性程度自适应的改变遗传算子;采用双种群进行寻优,种群一采用遗传算法,种群二采用粒子群算法;使用精英保留策略。使用改进策略得到改进的遗传算法(IGA),并用经典函数Rosenbrock和Sphere进行算法的性能测试,测试结果显示,本文提出的IGA具有较好的寻优性能和寻优稳定性。第二,使用IGA对Volterra核参数进行辨识研究。首先对Volterra级数模型进行分析,并在此基础上给出待辨识Volterra级数模型;然后用IGA对Volterra级数的核参数进行了辨识,并将辨识结果与遗传算法辨识结果和粒子群算法辨识结果进行了对比分析研究。通过仿真实验,可以得出本文提出的改进的遗传算法比传统的遗传算法和粒子群算法有更好的辨识效果和较快的辨识效率。第三,用Volterra滤波器对采集到的机械振动信号的噪声进行消噪处理。为了检验该方法在实际工程应用中的实用性,使用仿真实验对其进行验证。该部分主要由两个仿真实验构成,仿真实验1对含噪声信号的正弦波进行滤波,在仿真实验中分别用Volterra滤波器、Weiner滤波器、中值滤波器和均值滤波器对其进行滤波,结果显示Volterra滤波器具有比传统滤波器更好的滤波性能;同时用基于GA的Volterra滤波器对噪声信号进行滤波,将结果与基于IGA的Volterra滤波器进行比较,得出IGA对Volterra滤波器有较好的滤波性能。仿真实验2模拟了机械振动信号,并在该振动信号中添加了高斯噪声和脉冲噪声,用相同的方法对其进行消噪处理。分析比较结果得出,本文提出的方法具有更加优良的滤波效果,并且具有稳定性好、收敛速度快等优点,具有一定的实用性。综上所述,本文提出的基于IGA的Volterra滤波器对于机械振动信号噪声消除是非常有效的。基于IGA的Volterra滤波器的基本滤波过程是:先使用优化算法对Volterra滤波器的核参数进行寻优操作,然后将含有噪声信号的机械振动信号输入Volterra滤波器,最优核参数将使Volterra滤波器更好地对噪声信号进行最大程度的弱化和消除,并通过适应度函数计算得到的值来判定是否为滤波的最优效果。总之,本文提出的方法比传统的消噪滤波方法有更好的性能,能够高效地抑制振动信号中混入的高斯噪声和脉冲噪声的双重混合噪声信号。
【关键词】：Volterra滤波器 Volterra核辨识 改进的遗传算法 机械振动噪声消除
【学位授予单位】：兰州交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH17
【目录】：

• 摘要4-6
• Abstract6-10
• 1 引言10-19
• 1.1 课题研究背景和意义10-11
• 1.2 机械振动信号消噪研究现状及存在问题11-13
• 1.3 Volterra核辨识研究现状13-14
• 1.4 遗传算法研究现状14-16
• 1.5 本文待解决问题及研究内容16-19
• 2 遗传算法的原理及其改进19-35
• 2.1 遗传算法的基本原理19-22
• 2.1.1 遗传算法基本思想19-20
• 2.1.2 遗传算子20-21
• 2.1.3 遗传操作步骤21-22
• 2.2 粒子群算法基本原理22-26
• 2.2.1 粒子群算法的基本思想23-24
• 2.2.2 粒子群算法中的相关参数24-25
• 2.2.3 粒子群算法实现步骤25-26
• 2.3 改进遗传算法（IGA）26-33
• 2.3.1 基于对立学习机制的种群初始化操作27-28
• 2.3.2 自适应混合寻优策略28-30
• 2.3.3 改进遗传算法（IGA）流程30-33
• 2.4 改进的遗传算法（IGA）性能测试33-34
• 2.5 本章小结34-35
• 3 Volterra级数及其核参数辨识35-42
• 3.1 Volterra级数模型35-36
• 3.2 Volterra级数时域模型的核参数辨识原理36-39
• 3.3 基于IGA的Volterra核辨识39-41
• 3.3.1 适应度函数选择39-40
• 3.3.2 仿真研究40-41
• 3.4 本章小结41-42
• 4 机械振动信号消噪方法研究42-71
• 4.1 机械振动信号噪声的产生原因及危害43-44
• 4.1.1 机械振动噪声的产生43
• 4.1.2 机械振动噪声的危害43-44
• 4.2 机械振动信号噪声滤除的基本原理44-49
• 4.2.1 机械振动信号噪声滤除的基本原理45-46
• 4.2.2 三种典型滤波方法分析比较46-49
• 4.3 基于IGA辨识Volterra核的机械振动信号滤波方法49-69
• 4.3.1 适应度函数选择49-50
• 4.3.2 基于IGA辨识Volterra核的机械振动信号滤波流程50
• 4.3.3 基于IGA辨识Volterra核的滤波方法性能测试50-60
• 4.3.4 基于IGA辨识Volterra核的机械振动信号滤波方法性能测试60-69
• 4.4 本章小结69-71
• 5 结论与展望71-73
• 5.1 结论71
• 5.2 展望71-73
• 参考文献73-78
• 致谢78-79
• 攻读学位期间的研究成果79

【共引文献】

中国期刊全文数据库 前10条

1 朱韶平;;基于LDA模型的滚动轴承故障类型检测[J];轴承;2014年07期

2 茅建校;王浩;程怀宇;李爱群;;基于小波变换的台风激励下千米级斜拉桥模态参数识别[J];东南大学学报(自然科学版);2015年01期

3 牛超;侯新国;杨忠林;;一种自适应Morlet小波包络解调的弱故障检测方法[J];船电技术;2015年10期

4 耿宇斌;赵学智;;基于Morlet小波变换与SVD的故障特征提取[J];华南理工大学学报(自然科学版);2014年07期

5 林京;赵明;;变转速下机械设备动态信号分析方法的回顾与展望[J];中国科学:技术科学;2015年07期

6 朱韶平;樊晓平;;基于pLSA模型的滚动轴承故障检测[J];计算机应用研究;2015年10期

7 费成巍;白广忱;;基于WCFSE-FSVM的转子振动故障诊断方法[J];推进技术;2013年09期

8 田福庆;罗荣;李万;谢勇;;改进的谐波小波包峭度图及其应用[J];上海交通大学学报;2014年01期

9 王钰;储江伟;;基于Daubechies小波分析的汽车电控发动机失火故障诊断信息提取[J];森林工程;2014年02期

10 谢国民;王灿祥;佟莹;;采煤机电动机故障诊断专家系统的研究与应用[J];信息与控制;2013年03期

中国博士学位论文全文数据库 前10条

1 吴强;基于道旁声学信号的列车滚动轴承故障诊断技术研究[D];中国科学技术大学;2013年

2 肖海兵;基于能量耗损的机械设备故障诊断理论与方法研究[D];华南理工大学;2013年

3 梅冬胜;基于以太网的点焊过程质量监测方法与系统研究[D];哈尔滨工业大学;2013年

4 陈向民;基于形态分量分析和线调频小波路径追踪的机械故障诊断方法研究[D];湖南大学;2013年

5 唐友福;基于广义局部频率的非线性非平稳信号故障特征提取方法研究[D];上海大学;2013年

6 石向荣;面向过程监控的非线性特征提取方法研究[D];浙江大学;2014年

7 李蓉;齿轮箱复合故障诊断方法研究[D];湖南大学;2013年

8 王利英;基于安全因子集的架桥机主梁结构伤损识别研究[D];北京交通大学;2014年

9 梁瑜;地铁列车轴承故障诊断及在途诊断系统研究[D];北京交通大学;2014年

10 严保康;低速重载机械早期故障稀疏特征提取的研究[D];武汉科技大学;2014年

中国硕士学位论文全文数据库 前10条

1 赵丽洁;基于小波变换的结构模态参数识别研究[D];兰州理工大学;2013年

2 齐佳龙;基于小波分析的人体平衡评测方法研究[D];河北大学;2013年

3 刘迎;基于SVM风电机组齿轮箱故障诊断系统研究[D];华北电力大学;2013年

4 刘玉龙;重型卧式车床回转部件装配故障诊断技术研究[D];哈尔滨工业大学;2013年

5 邓贝贝;基于小波聚类的航空发动机转子系统故障诊断研究[D];南昌航空大学;2013年

6 孙冬;基于混合模型的故障检测与诊断方法的研究与应用[D];南京航空航天大学;2013年

7 韩少鹏;基于不确定信息的系统建模与故障预测方法[D];南京航空航天大学;2013年

8 熊波;选煤机械故障特征提取与诊断规则的研究[D];华中科技大学;2013年

9 张宇飞;模拟电路多软故障特征的智能优化提取方法研究[D];哈尔滨理工大学;2014年

10 阮腾达;CRH5动车组传动系统故障诊断方法研究[D];西南交通大学;2014年

  本文关键词：基于IGA的Volterra核辨识及机械振动信号消噪方法研究，由笔耕文化传播整理发布。

，

本文编号：380176