小波去噪和概率神经网络在发动机声信号识别中的应用

发布时间：2017-09-06 18:41

  本文关键词：小波去噪和概率神经网络在发动机声信号识别中的应用

  更多相关文章： 发动机 声信号识别 小波去噪 概率神经网络 1/3倍频程

【摘要】：对发动机运行时产生的声音进行采集和分析是了解发动机状态的一条有效途径,因此发动机声信号的识别是发动机状态检测与故障分类的重要组成部分。针对目前我国对发动机运行时声音是否正常还采用人工听诊的状况,本文提出了一种用小波去噪及概率神经网络为主要信号处理和模式识别的发动机声信号识别方法。论文首先剖析了小波变换中连续小波变换和离散小波变换各自的概念和性质,为小波去噪的引入打下了基础。通过详细对比分析模极大值去噪、小波阈值去噪和小波空域去噪3种方法的优缺点,指出了小波阈值去噪是一种较优的选择。又针对发动机声信号具有突变、不连续点的特征,小波阈值去噪会产生伪Gibbs现象,论文提出了运用基于平移不变小波的阈值去噪法,并确定了该方法中平移量的大小和解决了阈值函数的选取问题。通过对加噪后的blocks信号进行仿真分析,确认了平移不变小波去噪具有很好的去噪效果。论文对概率神经网络在发动机声信号识别中的共性理论进行了分析,详细描述了人工神经元的概念、神经网络的分类及学习方式。在深入剖析Bayes理论和Parzen窗理论的基础上,对概论神经网络的特点进行了总结,并对其学习算法进行了系统的描述。论文选取某单缸四冲程发动机的声信号为研究对象,描述了该款发动机的基本技术参数、声信号的类型(以异响类型为主),确定了发动机声信号的采集工况、测点位置和测试环境,分析了测取声信号的硬件和软件,为能够正确采集发动机声信号做出了规范。基于以上结论,本文对正常、箱体异响、右盖异响、左盖异响四种状态的发动机声信号做出了滤波前、后的时频对比分析,确认了小波去噪的必要性和可以用1/3倍频程值作为发动机声信号的特征向量。通过将特征向量代入概率神经网络中训练和预测,结果表明,小波去噪及概率神经网络在发动机声信号识别中取得了很好的效果。
【关键词】：发动机 声信号识别 小波去噪 概率神经网络 1/3倍频程
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U472
【目录】：

• 中文摘要3-4
• 英文摘要4-8
• 1 绪论8-14
• 1.1 课题研究的目的与意义8
• 1.2 声信号在发动机识别中的研究背景及优越性8-9
• 1.3 小波分析的发展及应用9-11
• 1.4 概率神经网络的发展及应用11-12
• 1.5 论文主要内容12-14
• 2 发动机声信号去噪方法研究14-27
• 2.1 发动机声信号的分析方法——小波变换14-17
• 2.1.1 连续小波变换14-15
• 2.1.2 离散小波变换15-17
• 2.2 发动机声信号的去噪17-21
• 2.2.1 小波去噪概述17-18
• 2.2.2 小波去噪方法18-21
• 2.3 发动机声信号的平移不变小波去噪21-24
• 2.3.1 平移不变的小波去噪21-22
• 2.3.2 平移量的选取22-23
• 2.3.3 阈值函数的选取23-24
• 2.4 仿真分析24-26
• 2.5 本章小结26-27
• 3 发动机声信号识别方法研究27-38
• 3.1 发动机声信号识别方法——神经网络27-31
• 3.1.1 人工神经元27-30
• 3.1.2 神经网络的分类及运行方式30
• 3.1.3 神经网络的学习方式及算法30-31
• 3.2 发动机声信号识别的概率神经网络31-37
• 3.2.1 Bayes理论31-32
• 3.2.2 Parzen窗理论32-33
• 3.2.3 概率神经网络的结构33-34
• 3.2.4 概率神经网络的学习算法34-37
• 3.3 本章小结37-38
• 4 发动机声信号的采集38-48
• 4.1 发动机38-39
• 4.2 发动机声音39-41
• 4.2.1 发动机声音的分类39-40
• 4.2.2 发动机异响40-41
• 4.3 发动机声音的采集条件41-42
• 4.3.1 测试工况41
• 4.3.2 测点选择41-42
• 4.3.3 测试环境42
• 4.4 发动机声音的采集42-47
• 4.4.1 传声器42-43
• 4.4.2 数据采集前端43-44
• 4.4.3 采集软件44-46
• 4.4.4 信号测取过程46-47
• 4.5 本章小结47-48
• 5 小波去噪后的发动机声信号在概率神经网络中的识别48-61
• 5.1 发动机声信号的小波去噪48-53
• 5.1.1 正常发动机48-49
• 5.1.2 箱体异响发动机49-51
• 5.1.3 右盖异响发动机51-52
• 5.1.4 左盖异响发动机52-53
• 5.2 发动机声信号特征提取53-57
• 5.2.1 1/3 倍频程的实现53-55
• 5.2.2 4 种发动机声信号的特征值提取55-57
• 5.3 基于概率神经网络的发动机声信号识别57-60
• 5.4 本章小结60-61
• 6 全文总结与不足61-62
• 6.1 全文总结61
• 6.2 不足61-62
• 致谢62-63
• 参考文献63-65

【相似文献】

中国期刊全文数据库 前10条

1 张吉刚;梁娜;;基于概率神经网络的高校毕业生学位评审预测[J];佳木斯大学学报(自然科学版);2011年05期

2 徐光华,屈梁生;基于概率神经网络的机组状态多步预报方法[J];西安交通大学学报;1999年07期

3 高宏岩;;概率神经网络在旋转机械故障诊断中的应用[J];煤矿机械;2006年05期

4 姬东朝;宋笔锋;易华辉;;基于概率神经网络的设备故障诊断及仿真分析[J];火力与指挥控制;2009年01期

5 朱明悦;李小申;;基于概率神经网络的发动机故障诊断方法研究[J];制造业自动化;2012年09期

6 刘宇;卢宇;张玉欣;;概率神经网络在隧道变形位移预测中的应用[J];冶金自动化;2012年04期

7 肖玉玲;孙丽娜;;基于概率神经网络的发动机故障诊断方法研究[J];河南教育学院学报(自然科学版);2012年03期

8 汤俊;莫依雯;邓勇;;概率神经网络在可疑交易监测中的应用及效率比较[J];武汉大学学报(工学版);2013年02期

9 成奇明;张树京;;概率神经网络回归、判别与聚类[J];北方交通大学学报;1993年04期

10 段传学,徐光华,孟光;概率神经网络的边界预报[J];上海交通大学学报;2005年02期

中国重要会议论文全文数据库 前7条

1 刘建华;张伟江;张仲俊;;概率神经网络的实时训练[A];1995中国控制与决策学术年会论文集[C];1995年

2 徐欣;冯道旺;周一宇;卢启中;;核函数概率神经网络脉冲去交错器研究与设计[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

3 贾勇;何正友;赵静;;基于小波熵和概率神经网络的配电网暂降源识别方法[A];中国高等学校电力系统及其自动化专业第二十四届学术年会论文集（下册）[C];2008年

4 王成儒;王金甲;李静;;一种用于说话人辨认的概率神经网络的MCE训练算法[A];第三次全国会员代表大会暨学术会议论文集[C];2002年

5 朱志强;樊大帅;张军;王亮;;基于组合PNN概率神经网络的车标识别方法[A];全国先进制造技术高层论坛暨第十届制造业自动化与信息化技术研讨会论文集[C];2011年

6 薄翠梅;李俊;陆爱晶;张广明;;基于核函数和概率神经网络的TE过程监控研究[A];第二十六届中国控制会议论文集[C];2007年

7 芮瑞;鲍长春;;基于概率神经网络的语音与音乐分类[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

中国硕士学位论文全文数据库 前10条

1 张鲁丹;智能图像识别技术研究[D];渤海大学;2016年

2 周沙;基于概率神经网络的变压器局部放电模式识别研究[D];江苏大学;2016年

3 王子健;基于概率神经网络的发动机失火故障诊断[D];吉林大学;2016年

4 俞文燕;基于概率神经网络的电机故障诊断研究[D];扬州大学;2016年

5 王博;泵站系统水下异物入侵监测研究与实现[D];北京工业大学;2016年

6 阚磊;小波去噪和概率神经网络在发动机声信号识别中的应用[D];重庆大学;2016年

7 张洪波;基于主成分的概率神经网络模拟电路故障诊断的研究[D];湖南大学;2008年

8 张海艳;基于自适应概率神经网络的农作物虫情预测研究[D];兰州交通大学;2011年

9 荣薇;基于概率神经网络的汉语耳语音识别的研究[D];苏州大学;2008年

10 苏亮;基于概率神经网络的焊接结构疲劳寿命分类与预测[D];长安大学;2012年

，

本文编号：804799