基于独立分量分析的机械故障特征提取及分类方法研究

发布时间：2020-10-11 06:33

　　 随着机械制造业的发展,机械设备的状态检测和故障诊断问题越来越受到重视。但是由于现代设备的结构复杂性和工作集成性,传统信号处理方法很难精确的从混合信号中提取出故障特征,而盲源分离方法能够仅利用观测信号的统计特性恢复出各个信号源,进而选择某个或某几个振源信号进行进一步分析,因此逐渐成为多个领域的研究热点之一。本文对于盲源分离方法及其在机械设备故障诊断领域中的应用展开了深入的研究,主要工作如下： 1.在详细分析了EMD方法中分解能力不足及模态混叠现象的基础上,针对机械故障诊断领域中的单通道信号难以应用盲源分离方法的难点,提出了一种EMD-ICA方法用以单通道故障信号的特征提取及种类识别,并给出了EMD-ICA过程特征信息和EMD-ICA估计子带特征信息定义,选取表征故障成分明显的特征信息作为概率神经网络的输入,实现了对不同故障的识别与分类。此方法解决了机械故障信号中经常遇到的ICA欠定性问题,减小了由于特征信息的弱区分度和冗余造成的分析误差,减少了神经网络的计算量,提高了特征提取及故障分类精度。 2.在深入研究了相空间理论及时间结构ICA的基础上,针对常规信号处理方法无法识别和提取机械早期微弱故障的难题,提出了相空间重构ICA和峭度贡献系数方法用于提取单通道微弱故障信号的特征信息。在该方法中重构了一个包含早期故障信息的相空间,选取相空间向量作为ICA算法的输入,按照峭度阈值重构ICA估计相空间向量,定义了峭度贡献系数,并用其判定重构信号中早期冲击成分的位置及周期。实例分析表明,在故障信息微弱或信噪比较低的情况下,相空间重构ICA和峭度贡献系数相结合的方法可以准确地提取微弱故障引起的冲击特征。 3.在广泛了解时频ICA方法应用于机械故障诊断的基础上,提出了两种改进的时频SDICA方法。其一为基于小波包分解的HHT时频SDICA方法,此方法可以减少故障信号中大部分的冗余时频信息,获取故障时频投影系数并把它作为神经网络输入,从而可以实现不同故障的高精度障分类；其二为基于IIR滤波器的SPWV时频SDICA方法,此方法解决了SPWV时频ICA盲源分离中出现的交叉项问题,完善了基于SPWV分布的ICA盲源方法的不足。在信号时频ICA的基础上,对SDICA进行了扩展性研究,提出了带有选择标准的SDICA方法解决源相关图像的盲源分离问题。
【学位单位】：大连理工大学
【学位级别】：博士
【学位年份】：2011
【中图分类】：TH165.3
【部分图文】：

机械设备故障诊断技术属于信息技术范畴，它是利用被监测的对象所提供的一切有用信息，经过分析处理获得最能识别设备状态的特征参数，最后做出正确的诊断结论。机械设备故障检测与诊断的一般步骤如图1.1所示，它主要包括:①信号采集;②信号滤波降噪预处理;③根据信号特点选择信号分析方法;④利用分析方法获取信号中的特征信息;⑤根据先验知识查看特征信息的异常;⑥判断机械设备产生故障的部件;⑦判断故障严重程度;⑧提供故障解决策略。扩了，

混合系统A”tg少工几气〕①分离系统W量观测向量估计源图1.3言源分离原理框图F19.1.3TheoryblockdiagramofBSS理及相关理论工CA与BSS关系的基础上，下面对ICA的数学模型、约束、不简要的阐述。据数学模型不同大体可以分为线性瞬时工CA、噪声工CA、卷积体的定义如下。以混合工CA的基本模型可以用图1.纽来表示。5l:t〕xl:t)y(t)

使其从已知的观测信号x(t)中分离出未知源信号s(t)，具体分离1.3)所示:y(l)=Wx(t)=WAs(t)式中y(t)为s(t)的近似估计，夕，(z)，夕2(l)，…，少。(l)间相互独立[’”l。声ICA在工程实际信号中，传感器采集的观测信号中往往包含有噪声信号，因此，在分离问题的时候应该考虑噪声因素，使得盲源分离的结果更加精确。噪声工以下式所示:x(t)=A成t)+n(t)(式中n(t)一In，(l)，.nZ(t)，二，nM(l)]了是由M个白色、高斯和统计独立的噪声信的列向量，它与源信号s(t)间呈加性关系;并且它统计一独立于源信号s(t)[20]。积工CA积ICA的基本模型可以用图1.5来表示。
【相似文献】

相关期刊论文 前10条

1 游磊;方方;李平勇;胡俊;何攀;;轴流泵振动加速度状态监测诊断系统的研究与设计[J];四川大学学报(工程科学版);2011年S1期

2 Kristin Majcher;孙立;;机械故障延误[J];航空维修与工程;2011年03期

3 费燕;;数控机床的常见机械故障与维护[J];企业技术开发;2011年16期

4 胡进;胡桂明;毛世榕;;BP神经网络在说话者识别中的应用[J];装备制造技术;2011年09期

5 王瑞瑞;马建文;陈雪;;多源遥感影像自动配准技术的研究进展[J];遥感信息;2011年03期

6 蒋强荣;高远;张鸿宾;;基于直方图交核的人脸识别[J];北京工业大学学报;2011年08期

7 杨颖娴;;改进ICA的人脸特征提取方法[J];长江大学学报(自然科学版);2011年05期

8 张慧茹;;基于特征融合技术的发动机故障诊断分析[J];硅谷;2011年15期

9 姜兰;;机械故障的形成及其特性分析[J];青海科技;2011年03期

10 刘健;刘忠;;基于小波变换和支持向量机的水下目标分类方法[J];火力与指挥控制;2011年09期

相关博士学位论文 前10条

1 赵志宏;基于振动信号的机械故障特征提取与诊断研究[D];北京交通大学;2012年

2 陈建国;基于独立分量分析的机械故障特征提取及分类方法研究[D];大连理工大学;2011年

3 冯坤;基于内积变换的机械故障特征提取原理与早期识别方法研究[D];北京化工大学;2012年

4 张旗;基于属性的图像分类研究[D];大连海事大学;2005年

5 张立福;通用光谱模式分解算法及植被指数的建立[D];武汉大学;2005年

6 苏彩红;墙地砖质量自动检测技术的研究[D];华南理工大学;2004年

7 宋余庆;医学图像数据挖掘若干技术研究[D];东南大学;2005年

8 宋晴;基于液滴分析技术和液滴指纹图的液体识别方法的研究[D];天津大学;2005年

9 吴婷;自发脑电脑机接口模式识别关键技术与实验研究[D];上海交通大学;2008年

10 孙真真;基于光学区雷达目标二维像的目标散射特征提取的理论及方法研究[D];中国人民解放军国防科学技术大学;2001年

相关硕士学位论文 前10条

1 胡小林;Hilbert-Huang变换的改进及其在机械故障特征提取中的应用[D];重庆大学;2010年

2 曾红梅;情绪图片视觉诱发EEG特征提取与分析[D];天津大学;2012年

3 雷自力;基于Pro/E的三维零件参数化建模和特征提取研究[D];华中科技大学;2011年

4 林少波;中文文本分类特征提取方法的研究与实现[D];重庆大学;2011年

5 黄健;履带式车辆微多普勒效应与特征提取[D];国防科学技术大学;2009年

6 赵蕾蕾;基于词和基本短语模式的特征提取方法[D];河北大学;2009年

7 栾岚;基于机理模型判据的图像中微弱特征提取方法研究及应用[D];东北大学;2009年

8 王菲;面向肺部CAD的特征提取、选择及分类方法研究[D];东北大学;2009年

9 郑睿;藻类细胞图像的特征提取与分类方法研究[D];杭州电子科技大学;2009年

10 李仁杰;高分辨率SAR图像目标三维特征提取与建模[D];国防科学技术大学;2010年

本文编号：2836217