基于变分贝叶斯隐Markov模型的机械故障诊断方法研究

发布时间：2017-06-08 01:11

  本文关键词：基于变分贝叶斯隐Markov模型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，针对传统静态独立分量分析在机械源信号盲源分离中存在的不足，即在观测数据获取过程中，要求混合系统保持不变，并且独立源的数量和统计特征必须保持稳定，因而无法对非平稳时变信号进行有效盲分离。结合变分贝叶斯独立分量分析理论(VbICA)在噪声环境下的对平稳信号的优秀盲分离性能，将隐Markov模型(HMM)引入到VbICA源模型中，提出了基于变分贝叶斯隐Markov模型的机械故障源分离新方法，并取得了很好的创新性成果。本文主要包括以下几个方面的内容： 第一章，论述了本课题的提出及其意义；讨论了静态ICA在故障诊断领域的研究现状及其不足之处，以及动态ICA的研究现状及其在各领域中的应用状况，特别是在故障诊断领域的应用发展；在此基础上，，提出了本论文的主要内容及主要创新点。 第二章，论述了适于动态过程时间序列建模并具有强大的时序模式分类能力的隐Markov模型理论和基本算法。论述了变分贝叶斯理论体系，主要包括贝叶斯推论和变分近似逼近算法。本章内容是整篇论文的理论基础。 第三章，针对传统静态ICA方法存在的不足，提出了一种基于变分贝叶斯隐Markov模型的机械故障源分离新方法，该方法是基于VbICA方法发展起来的，它继承了VbICA方法优秀盲分离性能的优点，同时通过隐Markov模型的引入，弥补了VbICA对动态时序信号盲分离的不足。该方法的特点是利用隐Markov模型善于采集潜在数据生成过程状态动态变化，在信号存在动态和非线性的特性的情况下，能够捕捉信号中一系列与时间有关的时序信息，提高盲分离的准确性。仿真研究表明，对非平稳时变信号，本文提出的方法的盲分离效果明显优于传统的静态ICA方法，分离误差大幅度降低。最后通过轴承故障盲分离实验进一步验证了该方法的有效性。 第四章，提出了一种结合变分贝叶斯隐Markov模型和自相关测定的信号源数估计方法，该方法的基本思路是将隐Markov模型与贝叶斯推论结合起来，在贝叶斯推论的模型比较下，通过自相关测定推断出最佳的隐藏信源数目。仿真和实验研究结果表明，该方法能够有效的估计出信源个数，并在噪声环境下具有很好的鲁棒性。 第五章，结合局域均值分解(LMD)方法和VbHMM理论各自的性能特点，提出一种基于LMD-VbHMM的机械故障盲源分离方法。在该方法中，首先对动态混合得到的观测信号进行LMD分解，剔除接近零向量的残量，得到一系列的PF分量，然后将PF分量和原观测信号组成新的观测信号，并考虑噪声因素，最后用VbHMM方法对其进行盲分离，得到估计的信号源。该方法的特点是将源信号进行动态随机混合，既能对非平稳时变信号进行有效盲分离，又能解决欠定条件下的盲分离问题。该方法克服了传统LMD-BSS方法在噪声环境下对时变混合信号盲分离的不足。对于噪声环境下非平稳性强，动态时变混合的观测信号的盲分离，通过仿真和实验研究结果都验证了该方法的有效性。 第六章，全面总结了本文的研究工作内容，并对有必要进一步开展研究的工作进行了展望。
【关键词】：盲源分离 变分贝叶斯隐Markov模型 故障诊断 源数估计 局域均值分解
【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
• Abstract6-10
• 第1章 绪论10-18
• 1.1 课题的提出及其意义10-12
• 1.2 静态 ICA 在故障诊断中的研究现状及不足12
• 1.3 动态 ICA 理论研究及应用现状12-15
• 1.3.1 动态 ICA 理论研究12-13
• 1.3.2 动态 ICA 的应用现状13-15
• 1.4 论文的主要内容与创新之处15-17
• 1.4.1 主要内容15-16
• 1.4.2 关键问题及创新点16-17
• 1.5 本章小结17-18
• 第2章 VbHMM 的理论基础18-28
• 2.1 概述18-19
• 2.2 隐 Markov 模型19-25
• 2.2.1 隐 Markov 模型的建立19-20
• 2.2.2 HMM 参数学习20-23
• 2.2.3 寻找最佳状态序列23-25
• 2.3 贝叶斯推论与变分近似算法25-27
• 2.3.1 贝叶斯推论25-26
• 2.3.2 变分近似算法26-27
• 2.4 本章小结27-28
• 第3章 基于 VbHMM 的机械故障源分离方法研究28-41
• 3.1 概述28-29
• 3.2 VbHMM 理论和算法29-33
• 3.2.1 VbHMM 混合模型的建立29-30
• 3.2.2 VbHMM 信源模型的建立30-31
• 3.2.3 VbHMM 算法31-33
• 3.3 仿真实验33-37
• 3.4 实验研究37-39
• 3.5 本章小结39-41
• 第4章 基于 VbHMM 的机械故障源数估计方法研究41-50
• 4.1 概述41-42
• 4.2 源数估计模型的建立42-43
• 4.2.1 贝叶斯推论与 VbHMM 模型比较42-43
• 4.2.2 自相关测定43
• 4.3 源数估计比较算法43-45
• 4.4 仿真研究45-47
• 4.5 实验研究47-49
• 4.6 本章小结49-50
• 第5章 基于 LMD-VbHMM 的机械故障盲源分离方法50-62
• 5.1 概述50-51
• 5.2 LMD 基本理论和算法51-54
• 5.3 LMD-VbHMM 故障源分离方法54-55
• 5.4 仿真研究55-59
• 1. 仿真实验 155-58
• 2. 仿真实验 258-59
• 5.5 实验研究59-61
• 5.6 本章小结61-62
• 第6章 总结与展望62-65
• 6.1 总结62-63
• 6.2 展望63-65
• 参考文献65-69
• 攻读硕士学位期间发表的论文和参加科研情况69-70
• 致谢70-71

【参考文献】

中国期刊全文数据库 前10条

1 李豫川;伍星;柳小勤;贺玮;;基于形态滤波和独立分量分析的轴承故障盲分离[J];电子测量技术;2010年09期

2 钟伯成;;基于信息极大的动态独立分量分析[J];合肥工业大学学报(自然科学版);2009年08期

3 林春方;郭立;;动态独立分量分析算法及其应用研究[J];核电子学与探测技术;2006年06期

4 汪斌;王年;蒋云志;程志友;鲍文霞;;基于动态独立分量分析算法的谐波检测[J];电力系统保护与控制;2011年02期

5 石长华;谢世坤;臧观建;李强征;应建中;;独立分量分析在机械振动信号上的应用研究[J];机械设计与制造;2012年01期

6 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

7 唐先广;郭瑜;丁彦春;郑华文;;独立分量分析在滚动轴承包络分析中的应用[J];机械与电子;2010年12期

8 李宁;史铁林;;基于功率谱密度的盲信号源数估计[J];数据采集与处理;2008年01期

9 陈在平;谷秀平;张惊雷;;基于独立分量分析(ICA)的图像去噪方法[J];天津理工大学学报;2009年06期

10 张海军,温广瑞,屈梁生;一种提高诊断信息质量的方法[J];西安交通大学学报;2002年03期

  本文关键词：基于变分贝叶斯隐Markov模型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：430890