基于小波包—变分贝叶斯独立分量分析的机械故障诊断方法研究

发布时间：2017-05-30 08:02

  本文关键词：基于小波包—变分贝叶斯独立分量分析的机械故障诊断方法研究，由笔耕文化传播整理发布。

【摘要】：本论文在国家自然科学基金(51075372，50775208)，江西省教育厅科技计划项目(No. GJJ12405)和湖南省机械设备健康维护重点实验室开放基金(201204)资助下，，针对变分贝叶斯独立分量分析理论(Variational Bayesian IndependentComponentAnalysis，简称VBICA)所存在的不足，即VBICA的随机初始化算法的分离结果不能保持一致性；机械故障源高度相关时分离效果很差以及传统的VBICA方法不能有效地处理机械故障源的欠定盲分离，将小波包变换与变分贝叶斯独立分量分析有效结合起来，提出了基于小波包变换-VBICA机械故障源的盲分离方法，并对提出的方法展开了深入研究，仿真和实验结果验证了提出的方法的有效性。本文的主要内容包括以下几个方面： 第一章，综述了变分贝叶斯独立分量分析算法以及独立分量分析算法(Independent Component Analysis，简称ICA)研究与应用现状。介绍了VBICA算法优势与不足。针对VBICA算法存在的不足之处，论述了本课题提出的的研究意义，给出了本文的主要内容及创新点。 第二章，论述了独立分量分析、贝叶斯建模、变分近似算法和变分贝叶斯独立分量分析理论，指出了传统ICA方法存在的不足和VBICA方法的优势，并通过仿真研究，对比分析了传统ICA算法和VBICA方法在噪声混合下的盲分离能力，仿真结果验证了VBICA算法在噪声混合下的分离效果明显优于ICA方法。本章的内容是整篇论文的理论基础。 第三章，在VBICA方法中，模型参数的初始化选择非常重要，直接决定了模型的最终学习结果。VBICA初始化方法主要采用随机初始化算法。该算法由于初始化是随机的，这样，经过不同的学习可能得到的结果有差异，不能保证结果的一致性。针对此不足，本论文提出了一种基于用主分量分析(Principal ComponentAnalysis，简称PCA)的随机初始化方法，将提出的方法和传统VBICA算法进行对比分析，仿真研究表明，提出的方法优于传统的VBICA方法，并且通过分离性能指标得到了反映，而且提出的方法克服了基于随机初始化的VBICA方法的分离结果不稳定的问题。最后，将提出的方法成功应用到直升机传动系统中的中减速器故障诊断中，取得了令人满意的效果。 第四章，实验证明VBICA处理相关信号源盲分离的效果非常不理想。针对此不足，本论文引入小波包理论，并将小波包与变分贝叶斯独立分量分析理论相结合，提出了基于小波包-VBICA的相关信号源盲分离方法。给出了该方法的详细实现步骤，并进行了仿真与实验研究。仿真结果表明，提出的方法是有效的，取得了非常好的分离性能。最后，将提出的方法应用到转子系统的不对中碰摩故障的盲分离中，实验结果进一步证实了提出的方法的有效性。 第五章，针对现有的基于VBICA的机械故障诊断盲分离方法中只能处理观测信号数大于故障源数，而不能处理欠定盲分离的情况，本论文结合小波包分析和VBICA的各自优点，提出了基于小波包-VBICA的机械故障源数估计和盲分离方法。与传统的盲分离方法相比较，提出的方法具有以下特色：(1)提出的方法既然处理超定盲分离问题，也能处理欠定盲分离的问题；(2)能有效地估计故障源数，在提出的方法中，利用贝叶斯推论特有的模型比较功能，并结合自相关测定(ARD)估计出源信号的个数；(3)提出的方法充分利用了小波包分析方法能有效地处理非平稳信号能力，可实现非平稳信号的盲分离。仿真研究表明，提出的方法取得了满意的分离效果。最后，将提出的方法应用到轴承内外圈故障盲分离中，并成功地分离出轴承内圈故障和外圈故障特征。 第六章，概括了本论文的主要研究内容和创新之处，并对值得进一步研究的问题进行了展望。
【关键词】：变分贝叶斯独立分量分析 小波包分析 盲源分离 故障诊断 独立分量分析
【学位授予单位】：南昌航空大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH165.3
【目录】：

• 摘要4-6
• Abstract6-9
• 目录9-11
• 第1章 绪论11-18
• 1.1 课题提出的意义11-12
• 1.2 基于独立分量分析理论的机械故障诊断研究及应用现状12-14
• 1.3 变分贝叶斯独立分量分析的国内外研究及应用现状14-15
• 1.4 论文的主要内容与创新之处15-17
• 1.4.1 论文主要内容15-17
• 1.4.2 关键问题以及创新点17
• 1.5 本章小结17-18
• 第二章 变分贝叶斯独立分量分析理论与算法18-31
• 2.1 概述18-19
• 2.2 独立分量分析理论19-20
• 2.3 贝叶斯建模20-22
• 2.3.1 贝叶斯网络20-22
• 2.3.2 贝叶斯推论22
• 2.4 变分近似算法22-24
• 2.5 变分贝叶斯独立分量分析算法24-27
• 2.6 仿真研究27-30
• 2.7 本章小结30-31
• 第三章 变分贝叶斯独立分量分析初始化算法改进31-41
• 3.1 概述31
• 3.2 基于主分量分析初始化的变分贝叶斯独立分量分析算法31-35
• 3.3 仿真研究35-38
• 3.4 实验研究38-40
• 3.5 本章小结40-41
• 第四章 基于小波包—VBICA 的相关源分离算法41-50
• 4.1 概述41
• 4.2 小波包理论41-43
• 4.3 小波包—变分贝叶斯独立分量分析相关源估计方法43-44
• 4.4 仿真研究44-48
• 4.5 实验研究48-49
• 4.6 本章小结49-50
• 第五章 机械源欠定盲分离研究50-60
• 5.1 概述50
• 5.2 欠定盲分离算法50-54
• 5.3 仿真实验54-57
• 5.4 实验研究57-59
• 5.5 本章小结59-60
• 第六章 总结与展望60-62
• 6.1 全文总结60-61
• 6.2 需要进一步研究的问题61-62
• 参考文献62-66
• 攻读硕士学位期间发表的论文和参加科研情况66-67
• 致谢67-68

【参考文献】

中国期刊全文数据库 前10条

1 谢胜利;孙功宪;肖明;傅予力;吕俊;;欠定和非完全稀疏性的盲信号提取[J];电子学报;2010年05期

2 杨英华;李召;陈永禄;陈晓波;;基于CVA-ICA与CSM的故障诊断方法[J];东北大学学报(自然科学版);2012年12期

3 李志农;范涛;岳秀廷;;传统独立分量分析和变分贝叶斯独立分量分析的比较[J];江苏大学学报(自然科学版);2010年01期

4 范涛;李志农;肖尧先;;基于源数估计的机械源信号盲分离方法研究[J];机械强度;2011年01期

5 李志农;刘卫兵;易小兵;;基于局域均值分解的机械故障欠定盲源分离方法研究[J];机械工程学报;2011年07期

6 马建仓;曾媛;张国强;;特征基函数ICA在航空发动机故障诊断中的应用[J];计算机测量与控制;2009年09期

7 董天宝;杨景曙;;一种欠定盲源分离新算法[J];计算机工程与应用;2012年12期

8 张苏弦;刘海林;;基于稀疏特性的欠定盲信号分离算法[J];南京大学学报(自然科学版);2011年05期

9 张延良;楼顺天;张伟涛;;用于统计相关源信号的盲分离方法[J];西安电子科技大学学报;2009年03期

10 李志农;范涛;刘立州;卢纪富;;基于变分贝叶斯理论的机械故障源盲分离方法研究[J];振动与冲击;2009年06期

  本文关键词：基于小波包—变分贝叶斯独立分量分析的机械故障诊断方法研究，由笔耕文化传播整理发布。

本文编号：406678