基于盲源分离的旋转机械故障特征提取方法研究

发布时间：2017-08-24 12:04

  本文关键词：基于盲源分离的旋转机械故障特征提取方法研究

  更多相关文章： 故障特征提取 盲源分离 旋转机械 AR模型 EMD分解 EMMD分解 单通道

【摘要】：随着现代化工业生产的不断发展，，机械故障诊断正在迅速的发展成为一门新兴的学科。机械故障诊断的关键在于如何从机械振动信号中提取故障特征，信号的处理和分析是特征提取最常用的方法。近年来，信号处理的时频分析方法在机械故障诊断领域受到了广泛的关注。本文重点研究盲源分离(BSS)方法及其在机械故障特征提取方面的应用。 本文对盲源分离原理及其算法进行了系统的分析，根据机械振动信号常见的多声源混合，源信号之间相互干扰的特点，提出将盲源分离运用到机械故障诊断中的思想。 首先，分析旋转机械故障信号，根据旋转机械设备工作环境背景噪声强，其振动信号特征信息被噪声湮没的情况，结合盲源分离与AR功率谱的优点，并通过EMD方法来实现将非平稳信号的平稳化分解。在仿真实验中，虽然混合信号中含有强烈的干扰，该方法仍然成功地分离了未知噪声源，并提取到了故障信号的特征。验证了该方法在机械故障特征提取方面的有效性。 然后，研究了观测信号数量少于源信号数时的欠定条件下的盲源分离问题，提出运用极值域均值分解(EMMD)进行观测信号升维的方法。另外，针对盲源分离问题中源数未知的情况，研究了基于EMMD和贝叶斯准则的源数估计方法。最后通过对源信号数未知的单通道的旋转机械故障信号的盲分离，实现了故障特征的提取。验证了方法的有效性。
【关键词】：故障特征提取 盲源分离 旋转机械 AR模型 EMD分解 EMMD分解 单通道
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH165.3
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-18
• 1.1 课题背景及研究意义10
• 1.2 机械故障诊断技术的发展及研究10-13
• 1.2.1 机械故障诊断方法11
• 1.2.2 机械故障诊断的时频分析方法11-13
• 1.3 盲源分离技术13-16
• 1.3.1 盲源分离的发展及其研究14-15
• 1.3.2 盲源分离的应用15-16
• 1.4 课题来源与研究内容16-18
• 第2章 盲源分离基础理论与算法18-36
• 2.1 盲源分离的数学模型18-20
• 2.1.1 线性瞬时混叠模型18-19
• 2.1.2 卷积混叠模型19-20
• 2.1.3 非线性混叠模型20
• 2.2 盲源分离的两个不确定性20-21
• 2.2.1 分离信号的顺序不确定性问题20-21
• 2.2.2 分离信号的幅值不确定性问题21
• 2.3 盲源分离的预处理方法21-22
• 2.3.1 去均值21
• 2.3.2 白化21-22
• 2.3.3 源数估计22
• 2.4 盲源分离算法的分类22-23
• 2.4.1 基于信息论准则独立分量分析方法22
• 2.4.2 基于阵列流型的盲波束形成方法22-23
• 2.4.3 基于统计量的解相关方法23
• 2.4.4 多通道ARMA方法23
• 2.5 典型的盲源分离算法23-25
• 2.5.1 最大熵算法23-24
• 2.5.2 基于固定点迭代的快速神经算法24-25
• 2.5.3 基于四阶累积量的特征矩阵联合对角化算法25
• 2.6 盲源分离算法性能指标25-27
• 2.6.1 PI指标25-26
• 2.6.2 矩阵行元素优势指标26
• 2.6.3 信号干扰比指标26-27
• 2.7 基于统计量的盲源分离算法27-34
• 2.7.1 基于二阶统计量的盲源分离28
• 2.7.2 基于二阶统计量算法的步骤28-29
• 2.7.3 二阶累积量的联合对角化29-30
• 2.7.4 四阶累积量30-31
• 2.7.5 基于四阶累积量的联合近似对角化31-32
• 2.7.6 两种盲源分离算法的仿真研究32-34
• 2.8 本章小结34-36
• 第3章 基于盲源分离和AR谱分析的机械故障特征提取36-48
• 3.1 前言36
• 3.2 ARMA现代谱分析方法36-38
• 3.2.1 ARMA模型原理36-37
• 3.2.2 AR模型谱估计37-38
• 3.3 基于盲源分离和AR谱估计的故障特征提取38-39
• 3.4 仿真研究39-43
• 3.5 机械故障信号分析实例43-47
• 3.6 本章小结47-48
• 第4章 基于EMMD和欠定BSS的旋转机械故障诊断48-62
• 4.1 EMMD原理48-50
• 4.2 基于EMMD特征值分解和BIC准则的源数估计50-52
• 4.3 基于EMMD的欠定盲源分离方法52-55
• 4.3.1 方法实现52
• 4.3.2 仿真分析52-55
• 4.4 单通道旋转机械故障信号的盲源分离55-60
• 4.4.1 旋转机械故障信号特征分析56
• 4.4.2 基于EMMD的单通道信号盲源分离56-57
• 4.4.3 仿真研究57-60
• 4.5 旋转机械故障诊断分析实例60-61
• 4.6 本章小结61-62
• 结论62-64
• 参考文献64-68
• 攻读硕士学位期间承担的科研任务与主要成果68-69
• 致谢69-70
• 作者简介70

【参考文献】

中国期刊全文数据库 前10条

1 焦卫东,杨世锡,吴昭同;调制故障源信号盲分离技术[J];轴承;2003年10期

2 袁幸;段志善;孙颖宏;;基于EMD-AR模型和灰色关联度的滚动轴承故障诊断[J];轴承;2008年01期

3 罗志增;曹铭;;基于最大信噪比盲源分离的脑电信号伪迹滤波算法[J];电子学报;2011年12期

4 崔新春;贺洁;秦小麟;;基于盲源分离的多重音频数据库水印算法[J];电子学报;2012年01期

5 余先川;徐金东;;一种抗加性高斯白噪声的盲图像源分离方法[J];北京邮电大学学报;2012年04期

6 杨宇;杨丽湘;程军圣;;基于LMD和AR模型的转子系统故障诊断方法[J];湖南大学学报(自然科学版);2010年09期

7 宋晓萍;廖明夫;;双转子航空发动机振动信号的分离测试技术[J];机械科学与技术;2006年04期

8 叶红仙;杨世锡;杨将新;;多振源卷积混合的时域盲源分离算法[J];机械工程学报;2009年01期

9 李鹏;周明全;黎南杉;王学松;;基于频域卷积信号盲源分离的乐曲数据库构建[J];计算机应用研究;2010年04期

10 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

中国博士学位论文全文数据库 前1条

1 盖强;局域波时频分析方法的理论研究与应用[D];大连理工大学;2001年

中国硕士学位论文全文数据库 前3条

1 李辉;滚动轴承和齿轮振动信号分析与故障诊断方法[D];西北工业大学;2001年

2 张宁;自适应时频分析及其时频属性提取方法研究[D];中国海洋大学;2008年

3 阳平;航空发动机混叠振动信号的盲源分离研究[D];南京航空航天大学;2008年

本文编号：731178