ICA盲分离算法研究及在机械设备故障诊断中的应用

发布时间：2017-04-15 15:09

  本文关键词：ICA盲分离算法研究及在机械设备故障诊断中的应用，由笔耕文化传播整理发布。

【摘要】：盲源分离(BSS， Blind Source Separation)发展至今，在算法上得到了深入研究，，并已在许多领域进行了应用。本文以线性混合模型为基础，研究基于独立分量分析的盲源分离算法，并将其应用于机械故障诊断中，所做的的工作如下： 1.首先介绍了盲源分离的基本理论知识，给出了盲源分离的基本模型，然后结合基本理论知识重点分析了盲源分离的常用优化判据和优化算法，最后给出了评价盲源分离效果的性能指标。 2.以齿轮箱及其振动信号为研究模型，讨论了机械振动信号特征及故障诊断的基本原理和基本方法。首先对齿轮和轴承的振动信号进行了分析，接着介绍了齿轮箱振动信号的传播与测量，最后对传统的故障诊断方法进行阐述，详细分析了传统诊断方法的不足，由此引出现代信号处理方法中的独立分量分析(Independent Component Analysis,ICA)技术用于机械故障诊断。 3.研究了等变自适应盲分离算法并将其应用于齿轮箱振动信号的分离。等变自适应盲分离(EquivariantAdaptive Separation via Independence，EASI)算法是一种基于神经网络的ICA方法。针对该算法在实际应用中只能分离同系信号(全为超高斯或全为亚高斯信号)的缺点，引入一种改进的EASI算法，通过概率密度函数非参数估计的核函数法直接对评价函数进行估计，使改进后的算法既可以分离同系信号又能分离杂系信号(超亚高斯混合信号)。最后用常规信号的仿真分析以及齿轮箱振动信号的分离实验对改进算法的有效性进行了验证。 4.在深入研究EASI算法的基础上，针对EASI算法抗干扰能力差，分离效果不好的问题，讨论了盲信号抽取定点算法应用于齿轮箱故障诊断。盲信号抽取(Blind SignalExtraction, BSE)定点算法,通过多层神经网络顺序从混合信号中抽取源信号，并对混合信号进行紧缩处理。针对紧缩过程引起的累积误差导致提取信号质量逐渐下降这一问题，引进了一种简单且稳健的级联抽取紧缩方法，可以避免紧缩过程中的误差累积。计算机仿真以及齿轮箱故障诊断实验验证了该算法可以提高故障诊断的可靠性和准确性，突出对故障诊断有用的特征信号，降低干扰信号的影响。
【关键词】：独立分量分析 等变自适应 概率密度函数 盲信号抽取 机械故障诊断
【学位授予单位】：哈尔滨工程大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH165.3
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 第1章 绪论11-17
• 1.1 课题研究的背景及意义11-12
• 1.2 盲源分离概述12
• 1.3 盲源分离的发展及研究现状12-14
• 1.4 盲源分离方法及分类14-15
• 1.5 盲源分离在机械故障诊断中的应用15-16
• 1.6 论文的工作安排16-17
• 第2章 独立分量分析基本理论及研究方法17-29
• 2.1 盲源分离的基本问题17-18
• 2.1.1 盲分离的前提条件17-18
• 2.1.2 盲分离的不确定性18
• 2.2 盲分离相关学科理论知识18-22
• 2.2.1 概率与统计18-19
• 2.2.2 信息论的相关知识19-22
• 2.3 独立分量分析研究方法22-27
• 2.3.1 盲分离的数学模型22
• 2.3.2 盲分离的混合模型22-23
• 2.3.3 独立性判据23-24
• 2.3.4 优化算法24-27
• 2.4 算法分离性能的检验27-28
• 2.5 本章小结28-29
• 第3章 机械设备振动信号特征分析及故障诊断29-39
• 3.1 齿轮振动信号特征分析29-32
• 3.1.1 正常齿轮振动信号特征29-30
• 3.1.2 故障齿轮振动信号特征30-31
• 3.1.3 齿轮典型故障信号特征31-32
• 3.2 轴承振动信号特征分析32-33
• 3.2.1 正常轴承振动信号特征32
• 3.2.2 故障轴承振动信号特征32-33
• 3.2.3 轴承典型故障信号特征33
• 3.3 振动信号的传播与测量33-34
• 3.3.1 振动信号的传播33-34
• 3.3.2 振动信号的测量34
• 3.4 传统的故障诊断方法及不足34-38
• 3.4.1 时域分析法35-36
• 3.4.2 频域分析法36-37
• 3.4.3 传统诊断方法的局限性37-38
• 3.5 基于 ICA 的齿轮箱振动信号分离模型38
• 3.6 本章小结38-39
• 第4章 基于 EASI 的齿轮箱振动信号分离方法研究39-55
• 4.1 EASI 算法模型及等变化性39-40
• 4.1.1 EASI 模型39
• 4.1.2 EASI 的等变特性39-40
• 4.2 等变自适应白化40-41
• 4.2.1 矩阵函数的导数40
• 4.2.2 随机变量的等变自适应白化算法40-41
• 4.3 EASI 信号源盲分离算法41-43
• 4.3.1 算法的目标函数41-42
• 4.3.2 算法推导42-43
• 4.4 改进的 EASI 算法43-45
• 4.4.1 概率密度函数的非参数估计43-44
• 4.4.2 评价函数的估计44
• 4.4.3 基于 pdf 估计的盲源分离算法44-45
• 4.5 算法性能仿真与实验分析45-54
• 4.5.1 常规信号下算法的性能仿真45-49
• 4.5.2 齿轮箱振动信号盲分离实验分析49-54
• 4.6 本章小结54-55
• 第5章 基于 ICA 的机械振动信号盲抽取定点方法研究55-70
• 5.1 盲信号抽取原理及其特点55-57
• 5.1.1 盲信号抽取原理55-56
• 5.1.2 盲信号抽取特点56-57
• 5.2 盲信号抽取定点算法57-59
• 5.2.1 定点盲信号抽取的基本算法57-58
• 5.2.2 一般形式的定点算法58-59
• 5.3 盲信号抽取定点算法的改进59-60
• 5.4 算法性能的仿真分析60-69
• 5.4.1 常规信号下算法性能的验证60-62
• 5.4.2 齿轮箱振动信号特征提取与诊断实验分析62-69
• 5.5 本章小结69-70
• 结论70-71
• 参考文献71-75
• 攻读硕士学位期间发表的论文和取得的科研成果75-76
• 致谢76

【参考文献】

中国期刊全文数据库 前10条

1 陈斌;阎兆立;程晓斌;;旋转设备声学故障特征提取与优化方法[J];北京邮电大学学报;2011年04期

2 王娇 ,王绪本 ,简兴祥;地震灾害救助系统中声波/振动信号的分离[J];电子技术应用;2004年02期

3 石庆斌;马建仓;;盲源分离在机械振动信号分析中的应用[J];测控技术;2008年05期

4 张林华,汪学兵;独立成分分析法及其在股票分析中的应用[J];计算机工程与应用;2005年28期

5 周治宇;陈豪;;盲信号分离技术研究与算法综述[J];计算机科学;2009年10期

6 郭武;朱长仁;王润生;;一种改进的FastICA算法及其应用[J];计算机应用;2008年04期

7 陈仲生,杨拥民,沈国际;独立分量分析在直升机齿轮箱故障早期诊断中的应用[J];机械科学与技术;2004年04期

8 徐跃进;;齿轮箱中齿轮故障的振动分析与诊断[J];机械设计;2009年12期

9 钟群鹏;张峥;有移亮;;我国安全生产(含安全制造)的科学发展若干问题[J];机械工程学报;2007年01期

10 薛小兰;;人工神经网络在机械故障诊断中的应用[J];机械研究与应用;2011年03期

  本文关键词：ICA盲分离算法研究及在机械设备故障诊断中的应用，由笔耕文化传播整理发布。

本文编号：308654