郭松涛[1]2015年在《基于约束独立分量分析的齿轮箱故障诊断研究》文中进行了进一步梳理随着现代工业科技的快速发展和自动化程度的提高,机械设备不仅具有大型、集成、高速及重载的特点,而且其工作环境十分复杂。机械设备的某一关键部件一旦发生故障,往往会影响整台设备甚至整个生产系统的运行,不仅会造成巨大的经济损失,而且可能会导致严重的人员伤亡后果。开展机械故障诊断技术是保障设备安全可靠运行的主要措施之一,它不仅能对机械设备故障的发生以及进一步的发展做出预测,而且对故障产生的原因作出判断,提出对策以减少事故的发生。因此,对机械设备开展故障诊断技术的研究具有重要的理论意义和现实的工程价值。故障信息特征的提取是设备故障诊断技术的核心内容之一,如何从较强的背景噪声下提取出隐含故障信息的信号特征并将其应用于工程实际是故障诊断领域研究的热点。新理论、新技术和新方法方面的研究层出不穷,丰富和完善了机械故障诊断技术。本论文以齿轮箱为研究对象,以约束独立分量分析(Constrained Independent Component Analysis,cICA)为信号分析工具,深入研究了基于约束独立分量分析的齿轮箱故障诊断技术方法,通过实验验证了该方法的有效性,并应用相应的工程案例予以说明,取得了一定的效果。论文主要包括以下内容:(1)介绍独立分量分析(Independent Component Analysis,ICA)的数学基础、基本原理和算法。首先介绍ICA的数学基础,然后叙述了ICA的数学模型、模型的不确定性和可辨识性及ICA算法相关原理。最后研究了约束独立分量分析(cICA)的优点、算法介绍以及参考信号的建立。(2)从齿轮箱的结构分别阐述了各振动源的特征,并对其振动机理进行分析。介绍了齿轮箱主要零、部件(齿轮、轴和轴承)的故障类型以及相应的故障信号特征。分析了齿轮箱振动源信号的混合机理并建立了齿轮箱振动信号的模型。(3)实验验证和分析。利用实验研究论证了约束独立分量分析方法在齿轮箱故障诊断中的有效性和优势。通过动力传动故障综合试验台模拟齿轮箱常见的齿轮局部故障,应用数据采集仪和相应软件拾取了断齿和局部断齿情况下齿轮箱振动信号。然后利用cICA方法对齿轮断齿和局部断齿故障进行了特征提取和分析,得出了相应的结论,进而验证了该算法的有效性及其特点。(4)工程案例分析。针对矿用提升机传动齿轮箱故障信号的微弱性,并结合其故障信息的先验知识,将cICA方法应用于矿用提升机齿轮箱故障信号特征提取中,消除了提升机齿轮箱故障特征中的冗余信息,提取出了其故障特征,实现了提升机齿轮箱的精密故障诊断。工程应用进一步验证了cICA方法应用于齿轮箱故障诊断中的有效性和实用性,并对保障煤矿提升机安全生产具有重要的现实意义。
高巧玲[2]2011年在《改进的快速独立分量分析及其在语音盲分离的应用研究》文中研究表明盲信号分离是指仅由已知的传感器采集信号估计出未知源信号的过程,独立分量分析(ICA)是近二十年来发展起来的一种高效盲信号分离方法,它是指在源信号和混合矩阵均未知的情况下,仅利用源信号统计独立等容易满足的先验条件,从观测信号中估计出各个源信号分量。由于ICA对应用环境无需太多的假设条件,它被广泛地应用于语音信号处理、医学信号处理、图像处理、阵列信号处理等领域。本文着重研究快速独立分量分析方法及其它的改进算法,并将改进的方法用于实际的语音盲分离中。本文介绍了独立分量分析的研究现状和语音盲分离的研究背景和意义,阐述了盲信号分离的基础理论,总结了现有的几种盲源分离的数学模型及特点,基于盲分离和独立分量分析间的关系,指出独立分量分析是解决盲分离的主要方法,接着详细论述了ICA的原理及实现过程,并重点介绍了独立分量分析中的一种快速算法—FastICA,根据FastICA目标函数的类型可分成两类：基于负熵的FastICA算法和基于峭度的FastICA算法,指出基于负熵的FastICA算法存在初始值敏感和局部极大值问题,针对此问题提出了将M-FastICA和F-FastICA相结合的算法,针对峭度算法存在步长值敏感问题,提出了改进的基于峭度的FastICA算法,在牛顿迭代的基础上引入精确线性搜索技术,通过求低阶多项式的根得到优化步长,使得算法有更快的收敛速度和更好的鲁棒性。最后,针对语音信号的特性,将独立分量分析模型引入到混合语音盲分离中,给出了语音盲分离的性能评价指标,将基于峭度的改进算法分别用于人工混合的语音和实际观测的混合语音分离实验,并与FastICA算法仿真结果进行了对比分析,结果表明改进的算法分离速度更快。
曾生根[3]2004年在《快速独立分量分析方法及其在图像分析中的若干应用研究》文中研究说明独立分量分析是信号处理技术的新发展，它作为盲信号分离的一种有效方法而受到广泛的关注。独立分量分析算法通过计算数据的高阶统计信息，可以从观测信号中估计出相互统计独立的、原始的、被未知因素混合的信号的估计信号。由于算法能够反映图像数据的高阶统计特征，在图像处理中得到成功的应用。本文对独立分量分析快速算法及其在图像处理方面的应用进行了深入研究，主要有以下几方面的工作： 研究了独立分量分析算法，特别是独立分量分析算法中的快速算法FastICA。在分析FastICA算法的核心迭代过程的基础上，提出了改进算法M-FastICA，改善了算法的收敛性能，减少算法的迭代次数。针对M-FastICA算法的收敛依赖于初始权值的问题，在算法过程中加入松弛因子，提出LM-FastICA算法，改善了算法对初始权值的依赖性。 对卫星多光谱遥感图像的成像机理进行分析，认为多波段遥感图像是独立地物的谱段信息的随机混合结果。应用独立分量分析算法对其进行分离，使每个独立分量尽量集中某些地物的信息，比主成分分析算法具有更好的可分离性，并得到了更好的分类结果。 应用M-FastICA算法提取Yale人脸库图像和CENPARMI手写体阿拉伯数字库的四个常用特征的独立分量特征用于识别，获得较主成分分析方法更好的效果，并且在保持与FastICA相同的识别率的前提下，具有更快的计算速度。 认为图像中的噪音和图像数据的信息是相互统计独立的，应用独立分量分析算法从无噪音的图像上获得统计信息，并将统计信息应用到包含噪音的图像上，将独立的噪声数据去除。相对于常规的噪音处理方法，独立分量分析算法对保留原图像的信息是较佳的。
曹伟青[4]2015年在《机械早期故障弱信号提取及智能诊断研究》文中研究指明在机械设备早期故障诊断中,最重要也是最困难的就是故障信号的特征提取。受到现场环境的影响,所测得的信号包含大量的噪声干扰,信号的特征很微弱,往往被噪声淹没,很难获得准确的设备状态信息。如何从含噪的混合信号中检测出微弱故障特征信号是当前研究的一个热点问题。对于单一的旋转机械,论文在研究形态滤波、奇异值分解(SVD)降噪的基础上提出了经验模态分解(EMD)微弱信号检测方法和随机共振微弱信号检测方法,并通过轴承故障得以验证所提方法的有效性；对于复杂的旋转机械,由传感器采集的信号源比较复杂,所以论文研究了基于独立分量分析(ICA)的微弱信号检测方法,并成功应用于齿轮箱的故障诊断中；对于有些机械设备出现故障时,由于其工作过程不具有周期性,所以无法直接从故障频率来判断故障模式,如刀具的磨损监测。鉴于此,论文提出了微弱特征提取与遗传算法优化的B样条模糊神经网络相结合的智能诊断方法,最后准确实现了刀具磨损的故障诊断。具体的研究内容如下：利用联合降噪结合经验模式分解的方法实现了轴承的故障诊断。经验模式分解是一种自适应的时频分析方法。在强噪声背景下利用经验模式分解提取故障特征时,噪声的存在会加重分解的边界效应,影响分解的质量和效果。因此,论文提出一种将形态滤波和奇异值分解消噪及EMD结合起来的新的弱故障特征提取方法。首先对原始振动信号进行形态滤波,然后进行SVD降噪,最后把消噪的信号进行EMD分解,获得本征模态分量提取故障特征信息。仿真信号和轴承故障分析结果均表明,该方法可以提高EMD分解的质量,能提取到有效的微弱故障特征。由于随机共振能够利用噪声来增强信号,所以它在强噪声背景下检测微弱故障特征有着独特的优势。将该方法应用于轴承故障诊中,可以看出,当故障频率与噪声频带比较接近时,经该方法处理后的信号,信噪比更高,故障识别更明显。针对实际工程上采集的信号难以满足小参数随机共振的条件,论文研究移频-变尺度随机共振方法实现了大参数信号的微弱故障检测。同时,为了实现与输入信号最佳匹配的随机共振参数,提出基于遗传算法的多参数同步优化的自适应随机共振算法,以双稳系统输出的信噪比为适应度函数,对随机共振系统中的多个参数进行同步优化,克服了传统随机共振系统只实现单参数优化的缺点。对于复杂的旋转机械,独立分量分析可以从源信号中分离出各个独立分量,是一种很有效的微弱信号检测方法。对于含噪的单通道ICA分离方法,提出将噪声作为虚拟观测信号引入,与传感器采集的信号一起构成二维观测向量,通过Fast ICA分离,即可以解决盲分离中的欠定问题,又可以将信号中的噪声去除,从而增强信号的有效特征；另一方面,对于多通道盲分离,研究了基于频域的盲解卷算法,并将这种方法应用于齿轮箱的故障监测中,实验结果表明了该方法能成功应用于机械故障诊断中。刀具的磨损监测过程不具有周期性,所以无法直接从故障频率来判断故障模式,采用B样条模糊神经网络则可以实现刀具磨损的故障诊断。以B样条为基函数的模糊神经网络,传统的学习算法是采用自适应学习算法,网络参数需要根据经验标定,容易陷入局部最小,论文采用遗传算法优化网络参数进行全局寻优,得到了比较好的诊断效果。同时通过对比发现,利用经验模式分解,随机共振以及Fast ICA实现多参数故障特征提取,可以提高设备的故障诊断率。实验表明了所提方法的有效性。论文最后对本文工作进行了总结,并对故障特征提取技术的研究进行了展望。
冷军发[5]2016年在《基于盲源分离的齿轮箱低频故障特征提取方法研究》文中研究表明齿轮箱作为机械设备中必不可少的传递运动与动力的关键部件,广泛应用于现代工业各种大型、重型机械设备中,其工作和运行环境一般比较差。一旦出现故障可能导致整个机器不能正常工作,不仅增加了设备维护费用,还可能造成巨大的经济损失,甚至是人员伤亡。因此,研究齿轮箱故障诊断技术和方法具有重要的学术意义和应用价值。故障特征提取是齿轮箱状态监测与故障诊断的关键问题,特别在低速区时,因高频啮合振动、传递通道及强噪声等多方面因素影响,造成有效故障特征信息非常微弱,给齿轮箱的低频故障特征提取带来诸多难题。因此,有必要寻找合适的振动信号处理技术与方法,有效地从复杂振动信号中分离故障信号及提取微弱故障特征。基于盲源分离技术对齿轮箱振动信号的普适性,本文就齿轮箱恒转速工况条件下,深入地研究和丰富了基于盲源分离的低频故障特征提取新方法,并将其成功应用于试验齿轮箱和矿用齿轮箱的故障特征提取与故障诊断。主要研究内容有:(1)阐述了论文的选题背景和研究意义,分析了齿轮箱的时频分析方法、盲源分离等方面的国内外研究现状,针对盲源分离技术在齿轮箱低频故障特征提取存在的问题,确立了本文的研究路线和主要研究内容。(2)考虑到振动源信号可能直接混有源噪声,信号之间的统计独立性与非高斯性相对更弱,增加了齿轮箱微弱故障信号盲提取的难度。将源噪声引入盲源分离的线性瞬时混合和卷积混合模型中,使其更符合齿轮箱振动系统的实际情况,为含源噪声条件下的齿轮箱低频故障特征盲提取方法的提出奠定了基础。(3)约束独立分量分析(Constrained independent component analysis,cICA)算法对于多通道传感器测量噪声具有很强的免疫能力,但对源信号含源噪声的分析效果却很差。针对这个问题,提出了小波变换(Wavelet transform,WT)特征增强的cICA的齿轮箱故障特征提取方法,该方法可以减少其他振源及强噪声的干扰,提高信噪比,增强cICA的故障特征提取效果。将其应用于试验齿轮箱和矿用皮带输送机齿轮箱的故障诊断,分别提取出了表征各自故障的低频振动特征。(4)cICA算法要求观测信号数目不少于源信号数目,不能直接提取单通道测量信号的故障信息。集成经验模态分解(Ensemble empirical mode decomposition,EEMD)能够有效减少模态混迭和除噪,然而该算法会产生虚假分量。通过计算互相关系数与峭度来选择合适的本征模态函数(Intrinsic mode function,IMF)分量,并与原测量信号组成虚拟观测向量,以减少虚假成分。结合两者的优点,提出了基于EEMD特征增强的cICA的齿轮箱故障特征提取方法。通过仿真、试验与工程应用结果表明,该方法对齿轮箱单通道测量信号的低频故障特征提取具有很好的效果。(5)针对最小解熵解卷积(Minimum entropy deconvolution,MED)算法易受强噪声和野值的影响,引出了最大相关峭度解卷积(Maximum correlated kurtosis deconvolution,MCKD)的齿轮箱故障特征提取方法,克服了MED算法的不足。然而凭先验信息选取的故障周期,可能导致MCKD解卷积效果很差。因此提出了MCKD算法的最佳故障周期搜索思路,即在合适的滤波器阶数L下,故障周期的搜索可以在步距M取较大值时,限定于理论计算周期左右的某一范围内,使不同步距M关于最佳周期的最大相关峭度达到全局最优,以确保了MCKD算法具有良好的解卷积效果。通过试验齿轮箱和矿用齿轮箱的微弱低频故障特征提取佐证了最佳故障周期搜索思路的可行性和MCKD方法的有效性及优势。
向世明[6]2004年在《纹理图像统计及其应用研究》文中研究说明纹理是计算机视觉的一个重要研究方向。与纹理相关的诸多问题一直没有得到有效的解决。纹理感知就是其中的一个基本问题之一。纹理感知研究可以帮助人类洞察基本视觉机理,也是理解、分析和应用纹理的基础。基于对纹理图像及其纹理特征的统计分析,本文从理论和实际应用的角度,对纹理感知以及与纹理感知相关的纹理分类与分割、纹理生成、基于纹理的运动分割等问题做一些新的探索。本文的主要贡献如下:(1) 将纹理视为基本视觉元素的线性组合,并通过拓扑图格独立分量分析(TICA)来学习这些基本元素。由于采用矩阵表示,基本元素可用于表达所有纹理图像。在此基础上,提出了一种提取视觉元的方法。视觉元是TICA学习得到的基本元素的代表,为研究纹理所包含的知觉元素提供了一种视觉线索。不同视觉元的个数被称为纹理图像的内在视觉维数。内在视觉维数越大,纹理图像呈现出更多的视觉模式。 (2) 通过TICA从观测纹理图像学习图像分离基,并将其转化为一组滤波器,实现了一种无监督纹理分割算法。对比实验分析表明,该方法可取得满意的分割结果。 (3) 开展了对纹理图像集合整体性质的研究工作。通过TICA对图像进行了整体分析,发现纹理图像与自然图像在整体属性上存在较大的差别。为“人类对于纹理识别中最重要的叁个测度为周期性,方向性和随机性”这一结论给出了一个统计学习的证据。基于对纹理图像与自然图像之间既相区别又相联系的研究,提出了研究纹理图像知识的新方法,即纹理图像本体理论。分析了纹理本体的研究任务、技术路线以及与上层本体即图像本体之间的联系。(4)提出了一种新的标识纹理的方法。该方法充分利用“纹理是一种区域性特性”这一共识,使用探测点确定观测纹理所在的主导区域,采用谱聚类解决了其中的关键技术。 (5) 通过无监督纹理分割实验证明了ICA整合Gabor纹理特征的能力。整合后的特征具有更好的可分性。(6) 提出了采用控向金字塔作为桥梁传递统计信息算法,实现了有选择的统计信息传输,生成了新的纹理图像。实验结果验证了该方法的有效性。 (7) 提出了一种基于在线高斯混合模型和纹理支持的运动检测算法。由于采用纹理捕获序列图像结构特征,因而该算法对于亮度的局部变化具有较好的鲁棒性。
陈祥芹[7]2014年在《振动信号多元统计分析特征提取及传动系统关键部件故障诊断应用》文中提出振动信号是机械动力学的外在表现形式，当机械传动系统中轴承、齿轮等零部件出现局部故障时，振动信号中便会出现瞬态冲击响应成分，而且随着故障的发展演变，波形特征也会随之变化。提取振动信号中反映机械零部件局部故障的瞬态冲击响应成分，是机械故障诊断的关键问题。本文依托于“稀疏框架下信号瞬态成分提取及其机械故障预示研究”国家自然科学基金项目（编号：51375322），以机械故障诊断为目标，以传动系统中滚动轴承和齿轮两种关键部件为研究对象，针对信号瞬态特征提取，提出一种基于降维的独立分量分析的瞬态成分提取方法，并对相关问题进行了深入的理论研究和应用研究。首先，分析了机械传动系统中关键部件轴承和齿轮的故障机理及信号特征，为信号特征提取的合理性和必要性提供理论支持，并对轴承和齿轮在局部故障下进行振动试验和振动信号采集，保证理论研究建立在试验验证的基础上。其次，系统介绍了主成分分析的理论知识、定义、计算方法以及在信号特征检测中降维的应用，并通过仿真信号分析和试验获得的振动信号分析进一步说明主成分分析在信号特征检测中降维的有效性。继而，系统介绍独立分量分析的理论知识、目标函数、迭代算法等，并通过仿真分析说明独立分量分析的特点；根据独立分量分析算法的原理，结合瞬态特征提取的特点，研究基于独立分量分析的瞬态特征提取算法，并通过仿真分析说明其特点和不足。然后，针对独立分量分析的瞬态特征提取算法的不足，根据主成分分析算法的原理，结合瞬态特征提取的特点，提出了基于降维的独立分量分析的瞬态成分提取方法。该方法首先对观测信号进行PCA降维，提取出包含主要特征信息的信号，再对提取出的信号进行ICA瞬态检测。通过仿真分析比较不同降维数下瞬态特征提取的结果，验证了该方法的有效性，并通过与均值滤波方法和小波阈值方法的比较，验证了该方法在故障特征提取应用方面的优越性。最后，将该算法应用于机械传动系统中的故障诊断。通过对轴承故障试验、减速机齿轮故障试验以及汽车变速齿轮箱疲劳试验的分析，提取反映轴承外圈、内圈、滚动体局部故障、减速机齿轮以及汽车变速箱齿轮故障的瞬态冲击响应成分，进一步验证方法理论上的正确性及实际应用中的有效性和适用性。本文在独立分量分析的基础上，结合瞬态特征提取的特点，提出一种基于降维的独立分量分析的瞬态成分提取方法，有效提取信号瞬态特征，所确定的方法对机械传动系统故障诊断具有一定的理论意义和实践价值。
廖强[8]2016年在《约束独立分量和多小波分析在滚动轴承故障诊断中的应用》文中研究说明当今,科学技术的发展日新月异,各种先进的旋转机械设备不断朝着复杂、高速、重载和精密的方向发展。此类设备通常应用于电力、冶金、石化等国民经济重要的支柱性产业中,其在运营当中面临着严苛的工作环境。滚动轴承做为旋转机械的重要组成部分,具有极为广泛的应用,也是一种最容易失效的部件。旋转机械设备在运行过程当中,一旦滚动轴承发生故障,轻则可能破坏整台设备,影响正常生产经营,直接导致巨额经济损失;重则可能造成灾难性的后果,发生人员伤亡及设备损毁事件,对社会产生极为严重的负面影响。因此,如何在现有机械故障诊断方法的基础上加以创新和提高,不断地丰富和发展机械故障诊断技术,真正做到对事故的早期预警,具有极为重要的意义。对滚动轴承在运转过程中产生的振动信号进行分析是滚动轴承故障诊断的主要方法之一,其过程主要包括以下叁个步骤:1)采集故障振动信号;2)提取故障特征;3)故障类型识别。在此过程中,最为关键的一步就是如何从采集的观测信号中提取出滚动轴承的故障特征信息。本文以滚动轴承为研究对象,采用先进的信号处理工具:约束独立分量分析和多小波分析方法,对滚动轴承故障特征信号的提取进行了相关研究,其主要研究内容如下:(1)针对滚动轴承在运转期间故障信号往往具有周期性冲击的特点,根据源信号的统计独立性和期望信号的某些先验信息,选用基于方波参考信号的约束独立分量分析方法来提取滚动轴承的故障信号。给出了约束独立分量分析方法中选取参考信号应满足的必要条件。基于方波参考信号的约束独立分量分析算法以Fast ICA算法为基础,将与滚动轴承的故障特征频率相等的方波参考信号作为约束条件,使得算法朝着期望信号的方向收敛。鉴于经典Fast ICA算法只具备二阶收敛速度,为了提高算法运算效率,对经典Fast ICA算法的基础上,引入了一种五阶收敛速度的牛顿迭代格式,使得改进后的约束独立分量分析算法具有五阶收敛速度。仿真和试验结果表明,基于方波参考信号的约束独立分量分析方法能够很好地提取滚动轴承的故障特征信号,并且在算法收敛速度方面要快于传统的Fast ICA算法。(2)以Fast ICA算法为基础,提出了基于滚动轴承故障理论模型的约束独立分量分析算法。该算法是通过滚动轴承故障理论模型生成参考信号。尽管故障理论模型与实际故障并不完全一致,但模型误差却不影响算法朝着期望信号的方向收敛。与基于方波参考信号约束独立分量分析算法相比,缩短了算法运行时间,主要原因在于滚动轴承故障理论模型比方波信号更接近于故障信号。(3)以健壮独立分量分析算法为基础,结合故障信号的某些先验信息,提出了约束健壮独立分量分析方法。该算法通过引入期望信号与参考信号的接近性函数,提出了约束健壮独立分量分析对比函数。与传统的基于峭度的Fast ICA算法相比,该算法的优点是:1)通过引入参考信号,使得该算法能够直接朝着期望信号的方向收敛,提高了算法的运算效率;2)通过引入最优步长技术,使得每一次迭代运算都有全局最优解;3)由于该算法对于输入信号无需进行预白化处理,缩短了算法的运算时间。仿真和试验结果表明该算法不论是在运行速度方面还是在算法精度方面都要优于传统的基于峭度的Fast ICA算法。(4)提出了一种多小波预处理的约束独立分量分析算法。该算法对初始信号先期进行多小波降噪处理以提高信号的信噪比。之后应用约束独立分量分析方法提取故障特征信号。与小波独立分量分析(W-ICA)算法相比较,该算法优势如下:1)采用多小波降噪技术,比传统的单小波降噪效果更加明显,原因在于多小波具有单小波不能同时具有的对称性、紧支性、正交性和高阶消失矩等特点;2)引入方波参考信号,使得算法直接收敛于期望信号。仿真和试验结果表明多小波降噪效果要优于单小波降噪,多小波预处理的约束独立分量分析比小波独立分量分析(W-ICA)算法运算效率更高。(5)针对多小波所具有多个小波函数的特性,在机械设备复合故障诊断过程中多小波可同时匹配多个故障特征信号,因此具备了一次性提取出多个故障特征信息的能力。在多小波理论基础上,提出了提升多小波包算法。以最小化信号残差为目标函数,对提升框架的预测算子和更新算子进行优化,实现了提升小波基自适应地匹配输入信号。并且对输出信号进行Hilbert变换处理,能够同时输出多个故障信号,一次性提取复合故障。应用该方法提取滚动轴承内圈-滚动体和外圈-滚动体两种复合故障信号,试验结果表明该方法是可行的、有效的。
范程龙, 孙燚[9]2018年在《独立分量分析及其在信号处理中的作用研究》文中研究说明独立分量分析是一种全新技术,其主要作用为对多维信号的统计与处理,信号处理统计十分便捷且准确。文章研究了独立分量分析及其在信号处理中的作用,独立分量分析具有一定先进性,在发展过程中不断完善,传统信号处理并不具备优势性,独立分量分析的运用,能够在最大程度上改善信号处理方式与信号统计,从而推动其发展。
李强[10]2008年在《机械设备早期故障预示中的微弱信号检测技术研究》文中研究说明早期故障具有两方面含义,一是指处于早期阶段的故障、微弱故障或潜在故障;二是从物理意义上讲,某一故障是另一故障的早期阶段。故障发现得越早,越有助于设备的安全可靠运行。但是,设备早期故障的特征信号很微弱,往往被强噪声所淹没,信噪比很低,极大地影响了设备运行状态信息的准确获取。论文以机械设备为对象,研究了早期故障预示中的微弱信号检测与实用诊断技术。针对传统的绝热近似小参数随机共振难以满足工程实际大参数条件下的微弱信号检测问题,本文提出了变步长随机共振数值算法。在深入分析近似熵用于度量信号复杂性性质的基础上,本文提出了基于近似熵测度的自适应随机共振方法,解决了限制随机共振在工程实际中推广使用的参数调节问题。金属车削过程的振动信号分析和滚动轴承故障诊断的成功应用表明上述方法的有效性。基于混沌振子的微弱信号检测是通过“观察”待测信号加入后振子是否发生相变来实现的,但是这种“观察”缺少一个衡量标准,具有一定的主观性。尤其当噪声很强时,这种“目测”振子状态的办法就会失效。本文突破近似熵仅用于描述一维信号复杂度的局限性,提出了适合度量混沌振子二维相图的二维近似熵概念。在此基础上,本文提出了基于混沌振子和二维近似熵的微弱信号检测方法,并将其应用于旋转机械的状态监测和滚动轴承的故障诊断,取得了很好的效果。工程信号中无效分量的干扰会使得微弱信号检测显得异常困难。独立分量分析可以从实测信号中分离出各个独立的源信号,是一种有效的微弱信号检测方法。针对混合信号时间延迟(或相位差)和噪声干扰对独立分量分析结果的影响问题,本文提出一种故障源信号的频域盲分离方法。涡流传感器失效检测和转子早期碰磨故障的成功诊断表明该方法广阔的应用前景。支持向量数据描述是一种新的单值分类方法,能够只利用一类学习样本(或正常状态样本)建立分类器,其应用有望解决制约设备早期故障预示向智能化方向发展的故障数据缺乏问题。本文提出一种基于经验模式分解和支持向量数据描述的设备早期故障混合智能预示方法,并将其应用于滚动轴承和齿轮箱故障的智能诊断,取得了很好的效果。作为本课题关键技术的载体,本文总结了作者在开发基于LabVIEW的远程监测诊断系统过程中运用的一些实用技术,提出了基于频域积分的振动参量转换修正算法,为设备动态信息的完整性和准确性提供了技术上的支持和保障。
参考文献：
[1]. 基于约束独立分量分析的齿轮箱故障诊断研究[D]. 郭松涛. 河南理工大学. 2015
[2]. 改进的快速独立分量分析及其在语音盲分离的应用研究[D]. 高巧玲. 湖南师范大学. 2011
[3]. 快速独立分量分析方法及其在图像分析中的若干应用研究[D]. 曾生根. 南京理工大学. 2004
[4]. 机械早期故障弱信号提取及智能诊断研究[D]. 曹伟青. 西南交通大学. 2015
[5]. 基于盲源分离的齿轮箱低频故障特征提取方法研究[D]. 冷军发. 河南理工大学. 2016
[6]. 纹理图像统计及其应用研究[D]. 向世明. 中国科学院研究生院（计算技术研究所）. 2004
[7]. 振动信号多元统计分析特征提取及传动系统关键部件故障诊断应用[D]. 陈祥芹. 苏州大学. 2014
[8]. 约束独立分量和多小波分析在滚动轴承故障诊断中的应用[D]. 廖强. 电子科技大学. 2016
[9]. 独立分量分析及其在信号处理中的作用研究[J]. 范程龙, 孙燚. 无线互联科技. 2018
[10]. 机械设备早期故障预示中的微弱信号检测技术研究[D]. 李强. 天津大学. 2008
标签：电信技术论文; 故障诊断论文; 特征提取论文; 振动频率论文; 汽车故障论文; 图像噪声论文; 白噪音论文; 齿轮箱论文; ica论文;