基于参数化模型的非平稳特征提取及其智能诊断研究
发布时间：2021-05-19 03:14
随着机械设备向复杂化、自动化方向发展,智能诊断在现代生产中起着越来越大的作用。为了获得更高的识别率,基于信号处理与神经网络相结合实现故障智能诊断成为了当今主要的发展方向。在复杂工况条件下,机械设备的振动信号显示出非平稳性,因此对非平稳信号的特征提取并对其故障进行智能识别是非常必要的。本文深入研究了时变自回归（TVAR）和条件异方差（Garch）对非平稳信号的建模分析,并基于参数化模型特征,采用支持向量机（SVM）、隐马尔科夫（HMM）等方法对滚动轴承的不同故障进行了智能诊断。具体内容如下:针对非平稳信号的参数化建模,本文研究了TVAR方法。分别基于自适应算法和基函数算法求解模型的时变参数与谱估计,提出采用AIC准则确定模型阶数。通过仿真分析,证明了TVAR模型时频谱分辨率高、没有交叉项;而基函数算法的TVAR时频谱受噪声影响小,能跟踪快速变化的频谱,弥补了自适应算法对噪声敏感的缺点。同时,针对TVAR模型难以跟踪突变信号的问题,本文研究了Garch的建模与分析步骤。通过仿真信号分析表明Garch的条件方差准确反映了信号频率的突变性或冲击性。本文深入研究了SVM和HMM模型及其诊断原理与...
【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校
【文章页数】：65 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 引言
1.2 非平稳信号特征提取方法概述
1.2.1 非平稳信号的参数化特征提取的研究概述
1.2.2 时变自回归理论与发展现状
1.2.3 Garch 模型理论及发展现状
1.3 智能诊断技术发展概况
1.3.1 智能诊断技术研究现状
1.3.2 智能诊断技术存在的问题
1.3.3 支持向量机概述
1.3.4 隐马尔科夫模型概述
1.4 论文研究内容
第二章 时变自回归与异方差特征提取
2.1 TVAR 模型
2.1.1 TVAR 时变参数辨识及谱估计
2.1.2 模型定阶
2.1.3 仿真信号分析与研究
2.2 Garch 模型
2.2.1 信号异方差特性分析
2.2.2 非平稳信号异方差建模
2.2.3 仿真信号分析与研究
2.3 本章小结
第三章 基于支持向量机与隐马尔科夫模型的智能诊断
3.1 基于SVM 的故障识别
3.1.1 SVM 的分类训练算法
3.1.2 SVM 模型结构与识别步骤
3.2 基于HMM 的故障识别
3.2.1 HMM 诊断原理
3.2.2 HMM 训练与故障识别
3.2.3 矢量量化
3.3 本章小结
第四章 轴承故障参数化特征提取及其智能诊断
4.1 滚动轴承故障实验与数据采集
4.2 基于参数化模型的轴承振动信号分析
4.2.1 基于基函数模型的滚动轴承TVAR 建模分析
4.2.2 基于自适应算法的滚动轴承TVAR 建模分析
4.2.3 基于AR-Garch 模型的轴承故障分析
4.3 滚动轴承信号的参数化非平稳特征提取
4.3.1 基于TVAR 时频谱特征提取方式
4.3.2 基于Garch 分析与建模的特征提取
4.4 基于SVM 的轴承故障智能诊断研究
4.4.1 基于TVAR 时频谱与SVM 的轴承故障诊断
4.4.2 基于Garch 系数与SVM 的轴承故障诊断
4.5 基于HMM 的轴承故障诊断研究
4.5.1 基于TVAR 时频谱与HMM 的轴承故障诊断
4.5.2 基于Garch 与HMM 的轴承故障诊断
4.6 基于Labview 的非平稳故障智能诊断系统
4.7 本章小结
第五章 结论与展望
5.1 工作总结
5.2 后续展望
参考文献
发表论文和参加科研情况说明
致谢
【参考文献】：
期刊论文
[1]支持向量机及其在机械故障诊断中的应用[J]. 袁胜发,褚福磊. 振动与冲击. 2007(11)
[2]基于最小二乘支持向量机的故障诊断方法[J]. 杨奎河,单甘霖,赵玲玲. 计算机应用研究. 2007(07)
[3]基于TVAR的非平稳工况转子故障诊断技术研究[J]. 陈慧,张龙,熊国良,李嶷. 华东交通大学学报. 2006(05)
[4]基于粗糙集和支持向量机的水电机组振动故障诊断[J]. 彭文季,罗兴锜. 电工技术学报. 2006(10)
[5]基于HMM与神经网络的声学模型研究[J]. 林坤辉,息晓静,周昌乐. 厦门大学学报(自然科学版). 2006(01)
[6]回归与时变自回归模型[J]. 王治华,傅惠民. 机械强度. 2005(05)
[7]基于连续高斯密度混合HMM的滚动轴承故障诊断研究[J]. 柳新民,邱静,刘冠军. 机械传动. 2005(01)
[8]基于小波包—连续HMM的故障诊断模型及应用[J]. 柳新民,邱静,刘冠军. 中国机械工程. 2004(21)
[9]基于能量的时频特征提取研究[J]. 刘伟,刘光斌,毛端海. 红外与激光工程. 2004(03)
[10]基于TVAR模型的语音增强技术[J]. 石鸿凌,姜琳峰,孙洪. 武汉大学学报(工学版). 2004(02)
博士论文
[1]非平稳信号故障特征提取与智能诊断方法的研究及应用[D]. 王奉涛.大连理工大学 2003
[2]自适应与分数阶非平稳信号处理的研究[D]. 陈喆.大连理工大学 2003
本文编号：3195003
【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校
【文章页数】：65 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 引言
1.2 非平稳信号特征提取方法概述
1.2.1 非平稳信号的参数化特征提取的研究概述
1.2.2 时变自回归理论与发展现状
1.2.3 Garch 模型理论及发展现状
1.3 智能诊断技术发展概况
1.3.1 智能诊断技术研究现状
1.3.2 智能诊断技术存在的问题
1.3.3 支持向量机概述
1.3.4 隐马尔科夫模型概述
1.4 论文研究内容
第二章 时变自回归与异方差特征提取
2.1 TVAR 模型
2.1.1 TVAR 时变参数辨识及谱估计
2.1.2 模型定阶
2.1.3 仿真信号分析与研究
2.2 Garch 模型
2.2.1 信号异方差特性分析
2.2.2 非平稳信号异方差建模
2.2.3 仿真信号分析与研究
2.3 本章小结
第三章 基于支持向量机与隐马尔科夫模型的智能诊断
3.1 基于SVM 的故障识别
3.1.1 SVM 的分类训练算法
3.1.2 SVM 模型结构与识别步骤
3.2 基于HMM 的故障识别
3.2.1 HMM 诊断原理
3.2.2 HMM 训练与故障识别
3.2.3 矢量量化
3.3 本章小结
第四章 轴承故障参数化特征提取及其智能诊断
4.1 滚动轴承故障实验与数据采集
4.2 基于参数化模型的轴承振动信号分析
4.2.1 基于基函数模型的滚动轴承TVAR 建模分析
4.2.2 基于自适应算法的滚动轴承TVAR 建模分析
4.2.3 基于AR-Garch 模型的轴承故障分析
4.3 滚动轴承信号的参数化非平稳特征提取
4.3.1 基于TVAR 时频谱特征提取方式
4.3.2 基于Garch 分析与建模的特征提取
4.4 基于SVM 的轴承故障智能诊断研究
4.4.1 基于TVAR 时频谱与SVM 的轴承故障诊断
4.4.2 基于Garch 系数与SVM 的轴承故障诊断
4.5 基于HMM 的轴承故障诊断研究
4.5.1 基于TVAR 时频谱与HMM 的轴承故障诊断
4.5.2 基于Garch 与HMM 的轴承故障诊断
4.6 基于Labview 的非平稳故障智能诊断系统
4.7 本章小结
第五章 结论与展望
5.1 工作总结
5.2 后续展望
参考文献
发表论文和参加科研情况说明
致谢
【参考文献】：
期刊论文
[1]支持向量机及其在机械故障诊断中的应用[J]. 袁胜发,褚福磊. 振动与冲击. 2007(11)
[2]基于最小二乘支持向量机的故障诊断方法[J]. 杨奎河,单甘霖,赵玲玲. 计算机应用研究. 2007(07)
[3]基于TVAR的非平稳工况转子故障诊断技术研究[J]. 陈慧,张龙,熊国良,李嶷. 华东交通大学学报. 2006(05)
[4]基于粗糙集和支持向量机的水电机组振动故障诊断[J]. 彭文季,罗兴锜. 电工技术学报. 2006(10)
[5]基于HMM与神经网络的声学模型研究[J]. 林坤辉,息晓静,周昌乐. 厦门大学学报(自然科学版). 2006(01)
[6]回归与时变自回归模型[J]. 王治华,傅惠民. 机械强度. 2005(05)
[7]基于连续高斯密度混合HMM的滚动轴承故障诊断研究[J]. 柳新民,邱静,刘冠军. 机械传动. 2005(01)
[8]基于小波包—连续HMM的故障诊断模型及应用[J]. 柳新民,邱静,刘冠军. 中国机械工程. 2004(21)
[9]基于能量的时频特征提取研究[J]. 刘伟,刘光斌,毛端海. 红外与激光工程. 2004(03)
[10]基于TVAR模型的语音增强技术[J]. 石鸿凌,姜琳峰,孙洪. 武汉大学学报(工学版). 2004(02)
博士论文
[1]非平稳信号故障特征提取与智能诊断方法的研究及应用[D]. 王奉涛.大连理工大学 2003
[2]自适应与分数阶非平稳信号处理的研究[D]. 陈喆.大连理工大学 2003
本文编号：3195003
本文链接：https://www.wllwen.com/kejilunwen/jixiegongcheng/3195003.html
