基于神经网络的发动机振动信号的盲分离研究

发布时间：2017-11-15 11:05

  本文关键词：基于神经网络的发动机振动信号的盲分离研究

  更多相关文章： 发动机振动信号 盲分离 单层前馈神经网络 RBF神经网络

【摘要】：航空航天器(特别是发动机)和车辆运动结构的正常运转、试车运行及检修过程中,振动信号是必须检测的项目之一。近几年来,我国在研究处理与分析振动信号的方法中收获了很多重要成果。本课题来源于西门子实习期间与某航天科研单位共同做的航空发动机试车运行检测的研究项目。项目里我主要负责的是对航空发动机机匣振动的多源激振响应试验进行分析研究。但已有的研究一般是在线性混合的情况下分析的,较复杂的非线性混合并没有进行讨论。本课题将基于神经网络的盲分离应用到发动机振动信号中,对于线性混合模型,在神经网络里加入动量项进行改进,使盲分离的效果更好;对于非线性混合模型,运用具有良好的非线性逼近能力的RBF神经网络将混合信号有效分离出来。这使得发动机振动信号的盲分离技术更完善,更全面,这也正是本课题的创新之处。针对发动机本身的复杂性,同时工作环境也存在的多样性,对发动机的振动信号的物理特征进行了有效的提取,对信号进行了合理的分析,并定义了盲分离过程中的代价函数。将基于最大似然估计算法的单层前馈神经网络算法应用到发动机振动信号盲分离的线性混合模型中,加入动量项后的系统很好地限制网络陷入局部极小,避免振荡,使权值的收敛速度进一步提升。将RBF神经网络相关算法应用到发动机振动信号盲分离的非线性混合模型中,运用最小互信息算法统计出信号的独立性,并运用模糊C均值聚类法来估计隐层核函数的中心μ,运用梯度下降法估计输出层权值,训练出可以分离非线性混合模型的RBF神经网络。将两种网络结构下的发动机振动信号盲分离算法应用到某航空发动机机匣振动的多源激振响应试验。并通过MATLAB仿真出结果证明了两种算法的可行性,操作性和准确性,本课题对于今后盲分离在发动机振动应用领域的研究方向上指出了新的模式和角度。
【学位授予单位】：中国地质大学(北京)
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TK401;TP183

【参考文献】

中国期刊全文数据库 前6条

1 刘琚,聂开宝,何振亚;非线性混叠信号的可分离性及分离方法研究[J];电子与信息学报;2003年01期

2 高鹰,谢胜利;基于信号稀疏特性和核函数的非线性盲信号分离算法[J];计算机工程与应用;2005年01期

3 刘宝生;闫莉萍;周东华;;几种经典相似性度量的比较研究[J];计算机应用研究;2006年11期

4 虞晓,胡光锐;基于FIR神经网络的非线性盲信号分离[J];上海交通大学学报;1999年09期

5 李木森,毛剑琴;盲信号分离的现状和展望[J];信息与电子工程;2003年01期

6 焦卫东,杨世锡,吴昭同;机械声源信号的带通滤波盲分离[J];振动工程学报;2003年03期

中国硕士学位论文全文数据库 前2条

1 宋蕾;基于神经网络盲源分离算法的研究[D];太原理工大学;2007年

2 阳平;航空发动机混叠振动信号的盲源分离研究[D];南京航空航天大学;2008年

，

本文编号：1189498