隨著機械制造業(yè)的發(fā)展,機械設備的狀態(tài)檢測和故障診斷問題越來越受到重視。但是由于現(xiàn)代設備的結構復雜性和工作集成性,傳統(tǒng)信號處理方法很難精確的從混合信號中提取出故障特征,而盲源分離方法能夠僅利用觀測信號的統(tǒng)計特性恢復出各個信號源,進而選擇某個或某幾個振源信號進行進一步分析,因此逐漸成為多個領域的研究熱點之一。本文對于盲源分離方法及其在機械設備故障診斷領域中的應用展開了深入的研究,主要工作如下： 1.在詳細分析了EMD方法中分解能力不足及模態(tài)混疊現(xiàn)象的基礎上,針對機械故障診斷領域中的單通道信號難以應用盲源分離方法的難點,提出了一種EMD-ICA方法用以單通道故障信號的特征提取及種類識別,并給出了EMD-ICA過程特征信息和EMD-ICA估計子帶特征信息定義,選取表征故障成分明顯的特征信息作為概率神經(jīng)網(wǎng)絡的輸入,實現(xiàn)了對不同故障的識別與分類。此方法解決了機械故障信號中經(jīng)常遇到的ICA欠定性問題,減小了由于特征信息的弱區(qū)分度和冗余造成的分析誤差,減少了神經(jīng)網(wǎng)絡的計算量,提高了特征提取及故障分類精度。 2.在深入研究了相空間理論及時間結構ICA的基礎上,針對常規(guī)信號處理方法無法識別和提取機械早期微弱故障的難題,提出了相空間重構ICA和峭度貢獻系數(shù)方法用于提取單通道微弱故障信號的特征信息。在該方法中重構了一個包含早期故障信息的相空間,選取相空間向量作為ICA算法的輸入,按照峭度閾值重構ICA估計相空間向量,定義了峭度貢獻系數(shù),并用其判定重構信號中早期沖擊成分的位置及周期。實例分析表明,在故障信息微弱或信噪比較低的情況下,相空間重構ICA和峭度貢獻系數(shù)相結合的方法可以準確地提取微弱故障引起的沖擊特征。 3.在廣泛了解時頻ICA方法應用于機械故障診斷的基礎上,提出了兩種改進的時頻SDICA方法。其一為基于小波包分解的HHT時頻SDICA方法,此方法可以減少故障信號中大部分的冗余時頻信息,獲取故障時頻投影系數(shù)并把它作為神經(jīng)網(wǎng)絡輸入,從而可以實現(xiàn)不同故障的高精度障分類；其二為基于IIR濾波器的SPWV時頻SDICA方法,此方法解決了SPWV時頻ICA盲源分離中出現(xiàn)的交叉項問題,完善了基于SPWV分布的ICA盲源方法的不足。在信號時頻ICA的基礎上,對SDICA進行了擴展性研究,提出了帶有選擇標準的SDICA方法解決源相關圖像的盲源分離問題。
【學位單位】：大連理工大學
【學位級別】：博士
【學位年份】：2011
【中圖分類】：TH165.3
【部分圖文】：

機械設備故障診斷技術屬于信息技術范疇，它是利用被監(jiān)測的對象所提供的一切有用信息，經(jīng)過分析處理獲得最能識別設備狀態(tài)的特征參數(shù)，最后做出正確的診斷結論。機械設備故障檢測與診斷的一般步驟如圖1.1所示，它主要包括:①信號采集;②信號濾波降噪預處理;③根據(jù)信號特點選擇信號分析方法;④利用分析方法獲取信號中的特征信息;⑤根據(jù)先驗知識查看特征信息的異常;⑥判斷機械設備產(chǎn)生故障的部件;⑦判斷故障嚴重程度;⑧提供故障解決策略。擴了，

混合系統(tǒng)A”tg少工幾氣〕①分離系統(tǒng)W量觀測向量估計源圖1.3言源分離原理框圖F19.1.3TheoryblockdiagramofBSS理及相關理論工CA與BSS關系的基礎上，下面對ICA的數(shù)學模型、約束、不簡要的闡述。據(jù)數(shù)學模型不同大體可以分為線性瞬時工CA、噪聲工CA、卷積體的定義如下。以混合工CA的基本模型可以用圖1.紐來表示。5l:t〕xl:t)y(t)

使其從已知的觀測信號x(t)中分離出未知源信號s(t)，具體分離1.3)所示:y(l)=Wx(t)=WAs(t)式中y(t)為s(t)的近似估計，夕，(z)，夕2(l)，…，少。(l)間相互獨立[’”l。聲ICA在工程實際信號中，傳感器采集的觀測信號中往往包含有噪聲信號，因此，在分離問題的時候應該考慮噪聲因素，使得盲源分離的結果更加精確。噪聲工以下式所示:x(t)=A成t)+n(t)(式中n(t)一In，(l)，.nZ(t)，二，nM(l)]了是由M個白色、高斯和統(tǒng)計獨立的噪聲信的列向量，它與源信號s(t)間呈加性關系;并且它統(tǒng)計一獨立于源信號s(t)[20]。積工CA積ICA的基本模型可以用圖1.5來表示。
【相似文獻】

相關期刊論文 前10條

1 游磊;方方;李平勇;胡俊;何攀;;軸流泵振動加速度狀態(tài)監(jiān)測診斷系統(tǒng)的研究與設計[J];四川大學學報(工程科學版);2011年S1期

2 Kristin Majcher;孫立;;機械故障延誤[J];航空維修與工程;2011年03期

3 費燕;;數(shù)控機床的常見機械故障與維護[J];企業(yè)技術開發(fā);2011年16期

4 胡進;胡桂明;毛世榕;;BP神經(jīng)網(wǎng)絡在說話者識別中的應用[J];裝備制造技術;2011年09期

5 王瑞瑞;馬建文;陳雪;;多源遙感影像自動配準技術的研究進展[J];遙感信息;2011年03期

6 蔣強榮;高遠;張鴻賓;;基于直方圖交核的人臉識別[J];北京工業(yè)大學學報;2011年08期

7 楊穎嫻;;改進ICA的人臉特征提取方法[J];長江大學學報(自然科學版);2011年05期

8 張慧茹;;基于特征融合技術的發(fā)動機故障診斷分析[J];硅谷;2011年15期

9 姜蘭;;機械故障的形成及其特性分析[J];青海科技;2011年03期

10 劉健;劉忠;;基于小波變換和支持向量機的水下目標分類方法[J];火力與指揮控制;2011年09期

相關博士學位論文 前10條

1 趙志宏;基于振動信號的機械故障特征提取與診斷研究[D];北京交通大學;2012年

2 陳建國;基于獨立分量分析的機械故障特征提取及分類方法研究[D];大連理工大學;2011年

3 馮坤;基于內(nèi)積變換的機械故障特征提取原理與早期識別方法研究[D];北京化工大學;2012年

4 張旗;基于屬性的圖像分類研究[D];大連海事大學;2005年

5 張立福;通用光譜模式分解算法及植被指數(shù)的建立[D];武漢大學;2005年

6 蘇彩紅;墻地磚質量自動檢測技術的研究[D];華南理工大學;2004年

7 宋余慶;醫(yī)學圖像數(shù)據(jù)挖掘若干技術研究[D];東南大學;2005年

8 宋晴;基于液滴分析技術和液滴指紋圖的液體識別方法的研究[D];天津大學;2005年

9 吳婷;自發(fā)腦電腦機接口模式識別關鍵技術與實驗研究[D];上海交通大學;2008年

10 孫真真;基于光學區(qū)雷達目標二維像的目標散射特征提取的理論及方法研究[D];中國人民解放軍國防科學技術大學;2001年

相關碩士學位論文 前10條

1 胡小林;Hilbert-Huang變換的改進及其在機械故障特征提取中的應用[D];重慶大學;2010年

2 曾紅梅;情緒圖片視覺誘發(fā)EEG特征提取與分析[D];天津大學;2012年

3 雷自力;基于Pro/E的三維零件參數(shù)化建模和特征提取研究[D];華中科技大學;2011年

4 林少波;中文文本分類特征提取方法的研究與實現(xiàn)[D];重慶大學;2011年

5 黃健;履帶式車輛微多普勒效應與特征提取[D];國防科學技術大學;2009年

6 趙蕾蕾;基于詞和基本短語模式的特征提取方法[D];河北大學;2009年

7 欒嵐;基于機理模型判據(jù)的圖像中微弱特征提取方法研究及應用[D];東北大學;2009年

8 王菲;面向肺部CAD的特征提取、選擇及分類方法研究[D];東北大學;2009年

9 鄭睿;藻類細胞圖像的特征提取與分類方法研究[D];杭州電子科技大學;2009年

10 李仁杰;高分辨率SAR圖像目標三維特征提取與建模[D];國防科學技術大學;2010年

本文編號：2836217