一、一种改进的第2代小波变换算法及应用(论文文献综述)
张雄[1](2019)在《基于谱峭度类算法的滚动轴承故障特征提取及诊断研究》文中进行了进一步梳理滚动轴承作为旋转机械的“关节”,是旋转机械中应用最广泛的零部件之一,故障率高且寿命离散性大。开展滚动轴承状态监测和故障诊断研究,对于评估旋转机械运行状态,保障设备安全稳定运行具有重要的意义,同时也为设备视情维护提供了可靠依据。本文以滚动轴承为研究对象,以振动信号为分析媒介,针对目前应用最广泛的Kurtogram类共振解调预处理算法展开研究,总结了该类算法在处理滚动轴承振动信号时,面对多种常见干扰所表现出的局限性,提出了相应的解决方案。论文主要内容及创新点如下:(1)归纳了 Kurtogram 类衍生算法(Kurtogram、SE Infogram/SES Infogram)的基本构造原理,分析了时域统计特征指标(峭度、平方包络负熵)和频域统计特征指标(包络谱峭度、平方包络谱负熵)对非周期性瞬变特征、周期性循环冲击特征及噪声的敏感性,总结了 Kurtogram类算法处理三种常见问题(谐波干扰、复合故障问题及非周期瞬态成分干扰)时所表现出的局限性。(2)针对主轴转频和齿轮啮合频率引入的特定谐波成分对频域统计特征指标定义的Kurtogram类衍生算法(Protrugram、SES Infogram)产生干扰的问题,提出一种自适应窄带陷波预处理方法。以粒子群陷波参数寻优算法对窄带陷波参数进行最优化选择,降低人为因素影响,最大限度去除谐波成分,并尽可能保留周期性冲击特征,采用波形匹配方差对陷波结果进行验证,所提方法提高了陷波效率及准确性,为后续的共振解调分析提供便利。(3)针对复合故障情况下,Kurtogram类算法在时域/频域统计特征趋于最大化的过程中,次频带易被主频带掩盖导致次频带内故障成分丢失而造成的漏诊和误诊问题,提出基于周期性故障冲击特征匹配的最大相关峭度解卷积滤波器组预处理方法和基于频带划分的变分模态分解预处理方法,对解卷积逆滤波后的滤波分量或变分模态分解后的各阶模态分量分别进行Kurtogram类算法分析,有效避免了因共振频带淹没造成的误诊和漏诊。(4)受运行环境及传递路径影响,滚动轴承振动信号中引入了强背景噪声和较大的非周期性瞬态冲击成分,而峭度/平方包络负熵等时域统计指标对非周期瞬态成分敏感,在低信噪比时鲁棒性较差,无法准确定位故障引起的周期性循环冲击特征所在频带,针对这一问题,提出了以时域teager能量负熵和频域teager能量谱负熵为统计特征指标的频带检测方法,提升对周期性循环冲击特征的检测能力,并通过计算故障状态下与正常基准状态下的TEE(Teager Energy neg-Entropy)比值构建TEERgram,进一步抑制相对稳定的强噪源干扰。(5)针对小样本且无法预知聚类种数的轴承故障类型和故障程度识别问题,提出了一种以小波包子带归一化时频TEE构建特征向量,以MS-FCM为聚类算法的故障识别方法。通过对振动信号进行小波包分解,计算各子带小波包系数的时频TEE并进行归一化离散数据处理,构建了能够反应振动信号时域、频域特征的特征向量。该特征向量能够有效表征故障特征,对类间成分具有明显的区分性。模糊C均值聚类中需要预先设定聚类数目,对于小样本且无法预知聚类数目的情况下难以准确分类,针对这一问题提出了 Meanshift辅助预处理方法,能够自适应地搜索数据概率密度分布较大区域作为初始位置,初始位置个数作为初始聚类数目,进而进行模糊C均值聚类更新隶属度和聚类中心,判定聚类类别。
黄文艺[2](2019)在《基于特征优化与自主学习的滚动轴承故障诊断与性能退化评估》文中进行了进一步梳理旋转机械故障诊断技术对于实际工程安全保障有重要意义,其关键在于故障特征的有效性。传统特征提取方法主要依赖于专家知识和信号处理技术。然而,在处理复杂工况下的机械振动信号时,基于传统方法的特征对故障的敏感度不稳定,缺乏对特征的自适应优化。自主特征提取方法是一种新型的特征提取方法,与传统特征提取方法不同的是该方法将原始信号进行多次转换且转换后的数据能够最优地逼近原始数据,从转换后的数据中提取典型特征作为信号自适应特征。但对于不同诊断目标的自主特征提取方法在模型的选取和物理意义等方面的研究仍然存在不足,其理论需进一步完善。此外,在旋转机械实际服役过程中工况往往是变转速变载荷的,由运行工况对特征层面的影响很容易淹没由故障引起的特征变化,因此提取故障特征存在困难。综上,对于不同工况下不同特征提取方法的理论研究和实际应用仍需要进一步探索。论文在国家自然科学基金项目(编号:51575168、51875183)的资助下,分别对特征优化和特征自主学习方法在恒定工况与变工况下的旋转机械故障诊断与性能退化评估中的应用进行了研究和改进,并将其应用于滚动轴承故障诊断与性能退化评估中。论文主要研究工作和创新性成果有:(1)针对轴承全寿命数据中处于健康状态的样本过于冗长,影响对特征有效性分析的问题,提出有限特征样本判定(Limited Feature Sample Selection,LFSS)方法用于早期故障敏感样本的提取。此外,针对基于蝙蝠二进制(Binary Bat Algorithm,BBA)算法的特征选择方法存在易陷入局部最优的缺陷,提出了反馈搜索二进制蝙蝠算法(Feedback Seeking Binary Bat Algorithm,FSBBA)。该算法通过增加猎物品质对蝙蝠速度影响有效提高了算法的全局搜索能力。基于LFSS与FSBBA算法,构建了滚动轴承在线状态评估模型,并将其运用于两例滚动轴承全寿命数据特征选择,性能退化评估指标分析结果表明了所提出方法的有效性。(2)针对变工况下传统特征无法准确表征故障,提出了基于冗余属性投影(Nuisance Attribute Projection,NAP)的祛工况投影方法。首先,通过分析不同转速下的轴承仿真信号验证了NAP能有效祛除特征域中的工况信息;其次,通过分析不同转速下轴承的不同故障模式实测信号和不同故障程度仿真信号验证了NAP投影后的特征仍保留故障模式信息与故障程度信息;最后,变工况下的滚动轴承全寿命实验再次验证了NAP的祛工况能力。同时,通过对比分析基于排列互信息(Ranking Mutual Information,RMI)的特征选择方法与NAP方法的应用顺序对滚动轴承性能退化评估结果的影响可以推测在故障诊断中NAP方法应在特征选择方法前使用。(3)引入深度学习模型应用于恒定工况下旋转机械性能退化评估,提出了基于卷积稀疏组合学习(Convolutional SparseCombination Learning,CSCL)的滚动轴承性能退化评估方法。将深度学习中的卷积稀疏编码方法与组合学习方法结合用于恒定工况下滚动轴承的特征提取。通过分析CSCL在不同故障程度的轴承仿真信号中稀疏解和重构信号的变化,揭示了子字典中故障相关原子的激活能量会随着故障程度的加深而增加,而基于稀疏解的重构误差则会减少。结合以上两者的变化,提出了基于原子激活能量和重构误差的性能退化指标。将CSCL算法运用至滚动轴承全寿命数据中,评估结果验证了该方法比传统方法更具优势。同时,对比实验证明了组合学习能够达到提高了模型计算的实时性与对性能退化评估结果进行优化的目的。(4)引入深度学习模型应用于恒定工况下旋转机械故障诊断,提出了基于多尺度级联卷积神经网络(Multiscale CascadeConvolutional Neural Network,MC-CNN)的滚动轴承故障智能识别方法。MC-CNN方法是一种对输入进行信息增强的改进卷积神经网络算法,其模型结构是在原始卷积神经网络(Convolutional Neural Network,CNN)的首层增加一层多尺度级联层,通过将原始信号与不同长度的卷积核进行卷积运算并将输出结果串接以构造一个具有更多可分辨信息的级联信号。通过对正常和噪声环境下的四类轴承故障信号进行分类,验证MC-CNN的有效性且识别效果优于原始CNN。深度分析多尺度级联层中的卷积核可以发现不同尺度卷积核的作用是挖掘不同频率分辨率下不同故障模式在频率中的差异。最后,通过对比原始CNN与MC-CNN的T-分布随机邻域嵌入(T-distributed Stochastic Neighbor Embedding,T-SNE)聚类效果进一步验证了所提方法的有效性。(5)引入深度学习模型应用于变工况下旋转机械故障诊断,提出了基于小波时频图和二维MC-CNN的变工况下滚动轴承故障诊断方法。由于变工况下相同故障模式造成时频域的敏感频带虽然会随转速变化发生偏移、随载荷变化引起能量变化,但其形状基本不变。因此,基于时频图与具有平移不变性的二维卷积神经网络的变工况下滚动轴承故障诊断方法是合理的。与一维MC-CNN的思路一致,为了对时频图进行信息增强,将不同尺度的卷积核与时频图进行卷积后进行拼接得到多尺度级联图作为卷积层的输入。实验证明基于小波时频图与二维MC-CNN的故障诊断方法不仅能提取故障相关特征,且相比其他方法对工况具有更高的泛化能力和鲁棒性。
何友福[3](2019)在《基于小波去噪优化的变形监测数据处理及预测研究》文中进行了进一步梳理随着科学技术的快速发展和进步,变形监测技术也在不断的丰富和提升。但是,目前绝大多数的作业单位仍在采用传统的变形监测方法和变形监测数据处理技术。即使改进了变形监测的方法,也主要体现在监测设备的改进上,在变形监测数据处理技术方面仍然存在许多不足之处。如果变形监测方法的快速发展没有强有效的数据处理技术作为支撑,那么变形监测及预测的效果将会存在很大的局限性,很难准确地反映出变形体的实际变化情况。因此,在丰富和提升变形监测方法的同时,必须对变形监测数据处理技术进行更加深入、全面且有效的研究。目前,变形监测数据处理技术的主要研究方向是利用先进、完备的数学理论及信号处理方法对变形体非线性且复杂的变形信号进行深入的分析,提取出变形体的变形趋势、规律及幅度,以此对变形体的变形情况进行稳定性分析,从而实现变形体的变形预报和有效防治。对于变形体变形信号的分析,国内外学者们从理论及实践两个方面提出了不同的方法。其中,结合具体的监测数据进行变形分析及预测预报在我国的重大工程中取得了广泛的应用,每一种进行变形预测的数学模型都拥有各自的特点及优势,同时也都具有不可避免的缺陷。研究表明,在变形分析中,先对原始观测数据采取一定的预处理方法进行去噪,再利用去噪后的数据建立相应的组合预测模型,其预测精度往往优于单一的非线性预测方法。本文立足于此,首先对非线性小波变换阈值去噪算法进行了优化研究,然后利用非线性小波变换阈值去噪优化算法对原始观测数据进行去噪处理,最后采用小波去噪优化后的数据对变形体进行变形分析并建立小波优化-GM(1,1)组合模型对变形体的变形趋势进行预测。本文通过理论分析、实验设计以及工程应用验证了非线性小波变换阈值去噪优化算法在建筑物变形监测数据处理及预测中的理论有效性以及工程实用性。具体的研究内容及主要成果包括:(1)系统地介绍了小波分析方法,重点说明非线性小波变换阈值去噪算法并对其进行了大量的优化研究,得到了能够有效适用于变形监测数据去噪处理的Sym7小波基函数、阈值函数与阈值估计最佳改进方法以及一种新的小波去噪质量复合评价指标M;(2)针对建筑物的变形分析,利用非线性小波变换阈值去噪优化算法对原始数据进行去噪处理,得到去噪后的变形曲线更加光滑,有效降低了原始数据突变对变形分析产生的不良影响,更好地反映了变形体的变形趋势、规律及幅度;(3)采用一种新的小波去噪质量复合评价指标M对建筑物变形监测数据经小波去噪优化处理后的效果进行去噪质量评价,得到了最佳分解与重构尺度,最大限度地保留了原始有用信号,剔除绝大部分噪声,这对建筑物变形监测数据处理具有一定的指导意义;(4)利用GM(1,1)模型和小波优化-GM(1,1)组合模型分别对建筑物的变形趋势进行预测,结果表明:小波优化-GM(1,1)组合模型的预测精度更高,预测结果更加稳定、可靠,进一步验证了本文的非线性小波变换阈值去噪优化算法的理论有效性以及工程实用性。
王振亚[4](2019)在《基于Isomap的滚动轴承故障诊断方法》文中研究指明滚动轴承作为旋转机械中运用极其广泛的零部件之一,其健康状态直接影响整台机械设备的正常运行,故对该部件进行故障诊断与状态检测,对于机械设备的健康运行和避免生产过程中重大事故的发生,都有着重要的理论和现实意义。滚动轴承振动信号往往呈现出非平稳、非线性等特性,通常需要从多个方面提取出能表征其运行状态的故障特征,这使得该故障特征集具有高维、非线性、冗余等特性,甚至导致“维数灾难”情况的发生。流形学习这类非线性降维方法能有效发现嵌入在高维空间中的低维流形成分,完成维数约简或数据可视化,因此,适用于滚动轴承高维故障特征的降维过程。本文在详细论述机械设备故障诊断过程中的信号降噪、特征提取、维数约简和模式识别研究现状的基础上,以研究Isomap及其改进算法进行故障特征降维处理为主,深入探讨滚动轴承故障特征提取、模式识别过程中所涉及的一些关键性技术问题,取得一定研究成果。论文主要工作和创新性成果如下:(1)针对L-Isomap算法存在邻域构造和界标点选取的问题,研发一种基于自适应SOINN L-Isomap(ASL-Isomap)流形学习新算法,该方法综合了全局流形几何结构信息、自适应邻域图构造以及SOINN界标点选取的优势,使低维数据更能反映高维数据的本质流形,验证实验结果表明,该方法在降维效果方面优于现有降维方法。针对滚动轴承故障样本标签信息未知时,提出一种基于“混合域特征集+ASL-Isomap+KELM”的滚动轴承故障诊断方法,该方法集成混合域故障特征集用于故障信息全面挖掘、ASL-Isomap方法用于自动降维以及核极限学习机(KELM)用于模式识别的优越性,能够有效、精准地诊断出滚动轴承各故障类型,4210型圆柱滚子轴承故障诊断实验验证所提方法的优越性。(2)在SOINN L-Isomap(SL-Isomap)算法的基础上,结合监督学习思想,提出一种新型流形学习方法—监督型SOINN L-Isomap(SSL-Isomap)方法,一方面采用SOINN方法自动生成一系列能够代表原数据拓扑结构的界标点,解决L-Isomap界标点选取难题;另一方面利用样本标签构造监督型邻域图,因此,拥有较好的二次特征提取效果与故障分类精准度。此外,针对滚动轴承故障样本标签信息已知时,建立一种基于“MPE+SSL-Isomap+GWO-SVM”的滚动轴承故障诊断模型,4210型圆柱滚子轴承故障诊断实验分析表明,所提方法集成多尺度排列熵(MPE)在特征提取、SSL-Isomap在维数约简以及灰狼群优化支持向量机(GWO-SVM)在模式识别方面的优势,能精准判别出滚动轴承各故障类型。(3)将半监督学习思想与SL-Isomap方法相结合,提出一种半监督判别SOINNL-Isomap(SSDSL-Isomap)流形学习方法。一方面采用有标签信息样本与无标签信息样本构造半监督型双约束邻域图,增强数据分类能力;另一方面采用SOINN方法进行界标点选取,克服传统随机界标点选取法导致降维效果不稳定的缺陷,并将该降维方法应用于高维故障特征集的降维过程。在此基础上,针对滚动轴承故障样本标签信息部分已知时,研发一种基于“VMD-ICMSE+SSDSL-Isomap+PSO-ELM”的滚动轴承故障诊断新技术,1210型调心球轴承故障诊断实验分析结果表明,所提方法集成了基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)在特征提取、SSDSL-Isomap方法在维数约简与粒子群优化极限学习机(PSO-ELM)在模式识别上的优势,能有效、精准地诊断出滚动轴承各故障类型。
房国志[5](2013)在《暂态电能质量检测方法的研究与实现》文中指出本文针对电力系统中存在的暂态扰动、暂态谐波与间谐波等电能质量问题如何准确定位和快速检出,进行了系统的分析与相关检测算法的研究,以及这些算法以硬逻辑方式在FPGA中实现。为了有效地检出在电网中存在的暂态扰动信号,去除噪声,本文提出了一种改进的小波阈值去噪方法,该方法在阈值点具有连续性,克服原系数与小波系数之间恒定偏差造成的重构精度的不足,但是运算量大。针对这一问题,提出了一种混合广义形态滤波器去噪法。该方法运算量小,去噪的同时能更好的保留波形的特征量,且结构简单。为了择优选取小波函数和增强检测算法的抗噪性,本文对比8种常用小波函数的特性。仿真分析表明,Meyer小波函数的定位精度比采用其他小波函数好,但是运算量大。本文提出一种改进的形态小波算法,该算法可对暂态扰动有效检出,同时具有去噪功能,该方法结构简单、运算量小等特点。为了快速检出电网中存在的且有是我们关注暂态谐波信号,本文提出了FFT和小波包的方法检测暂态谐波。该方法对谐波信号进行FFT运算,确定频率成分,根据相应频谱,确定分解频段,然后得到无频谱泄漏的各次谐波分量,实现暂态谐波的检测,解决了小波包运算量大的问题。针对暂态谐波检测问题,本文提出了FFT变换和Meyer小波的法检测暂态间谐波。通过FFT运算得到相应的频谱,确定信号的中心频率,得到无频谱泄漏的各次间谐波分量,实现暂态暂态间谐波的检测。鉴于FPGA具有并行处理、灵活性强、实时性好等特点,本文提出了采用DSP Builder实现对暂态信号检测,并以高通和低通分解滤波器的形式实现小波变换算法及扰动信号的快速分析。并对小波算法进行了实时性优化。
袁炜[6](2012)在《改进二代小波在风机振动信号消噪中的应用》文中认为介绍了基于提升法的第2代小波原理和自适应冗余第2代小波的构造方法。比较了将自适应冗余第2代小波和冗余第2代小波变换应用于通风机振动信号的消噪分析时的异同。实验得出,相对于冗余第2代小波,自适应冗余第2代小波在信号消噪方面特性更好。
章毓晋[7](2010)在《中国图像工程:2009》文中认为该文是关于中国图像工程的年度文献综述系列之十五。为了使国内广大从事图像工程研究和图像技术应用的科技人员能够较全面地了解国内图像工程研究和发展的现状,并能够方便地查询有关文献,现从2009年在国内15种有关图像工程重要中文期刊的共134期上发表的3604篇学术研究和技术应用文献中,选取出1008篇属于图像工程领域的文献,并根据各文献的主要内容将其分别归入图像处理,图像分析,图像理解,技术应用和综述五个大类,然后进一步分入23个专业小类(与去年相同)。在此基础上还进行了各期刊各类文献的统计和分析。根据统计分析结果可看到我国图像工程在2009年许多新进展的情况。特别值得指出,在上述15种期刊上所发表的图像工程文献数量在2009年继续增加并达到历史最高,显示了图像工程在中国继续蓬勃发展的趋势。另外,借此综述系列15年之际,还将这15年分成3个5年的阶段,分别对3个阶段的图像工程文献选取情况和各类图像工程文献数量进行了统计和对比分析,以为读者提供更全面和可信的发展动态信息。
姜洪开,王仲生,何正嘉[8](2008)在《基于改进第2代小波算法的发电机组碰摩故障特征提取》文中进行了进一步梳理针对发电机组碰摩故障特征的提取问题,构造了一种提取该类信号时域特征的改进第2代小波算法。该算法以第2代小波为基础,构造第2代小波等效滤波器,分析其存在的频带交叠问题;采用基于数据的优化方法,设计能够自适应匹配每层分解信号特征的预测器和更新器;对分解得到的每层逼近信号和细节信号采用傅里叶变换方法,消除每个分解频带中其它频带的无关频率成分,以突出相应频带信号的时域特征。仿真信号和工程振动信号分析表明,改进第2代小波算法的信号特征提取效果优于第2代小波方法,较理想地提取出了汽轮发电机组发生径向碰摩故障时的时域故障特征。
周瑞,鲍文,左国华,于达仁,杨建国[9](2008)在《基于改进冗余提升方案的汽轮机组振动故障特征提取》文中研究表明故障特征提取是大型机械设备状态监测和故障诊断领域的核心问题。传统的振动故障特征提取方法主要是基于频谱分析的方法,小波变换的出现则为该领域提供了新的工具。文中提出并构造了一种改进的冗余提升小波变换算法来提取振动信号的时域特征。算法以第2代小波为基础,设计了冗余提升小波变换的算法,不进行分裂,直接利用构造的算子进行预测和更新,各层分量和原始信号的数据长度相同,从而保留了更多的时域信息。研究了提升小波和冗余提升小波算法中存在的频率混叠问题,阐述了产生频率混叠的原因。通过对冗余提升小波分解得到的近似信号和细节信号采用傅里叶变换的方法消除了与其对应频带无关的频率成分,以突出相应频带信号的时域特征。对仿真信号和实际汽轮发电机组振动故障信号进行了分析,结果表明,改进的冗余提升小波变换算法能够较理想地提取出故障特征,有效地解决了提升小波算法中存在的频率混叠问题。
于明月[10](2008)在《第二代小波变换在旋转机械故障诊断中的应用研究》文中研究表明小波分析在时域和频域同时具有良好的局部化特性,因此较Fourier分析具有更大的优越性。目前在旋转机械故障诊断中得到了广泛应用。第2代小波变换继承了传统小波变换的时频局部化特性,所有的运算在时域上进行,小波基函数不再是由某一个函数的平移和伸缩而产生,具有算法结构简单、速度高、占用内存少等优点。本文利用第2代小波变换,针对旋转机械转子和轴承故障诊断问题,进行了如下研究工作:(1)基于第2代小波变换的转子故障信号降噪处理。传统的小波降噪方法对转子信号进行去噪处理时,转子转速和信号采样频率对小波分解层数的选择具有很大的影响,因此,去噪过程难于自动完成。本文针对该问题,利用第2代小波变换,提出了基于尺度变换的小波自动去噪方法,通过对原始信号按一定方法进行重采样,并与小波软阈值去噪方法相结合,从而实现去噪处理,该方法可以消除转速和采样频率的影响,毋须人为选取小波分解层数,整个去噪过程自动完成。最后,利用转子故障模拟实验台和航空发动机转子实验器采集不平衡、不对中、油膜涡动及碰摩故障数据进行了降噪分析,取得了满意的效果。(2)基于第2代小波变换的转子故障信号特征提取。针对小波频段能量特征提取受旋转速度和采样频率的变化影响,本文运用尺度变换原理,通过对原始时间信号进行重采样,对重采样后的信号进行第2代小波变换,并统一分解到给定层上,从而获取信号的频带特征。该方法能够消除转子转速和信号采样频率对小波分解频带分布的影响,所提取出的频带能量特征具有统一的物理意义。最后,利用转子故障模拟实验台和航空发动机转子实验器,获取了转子不平衡、不对中、油膜涡动及碰摩4类故障数据,并进行了特征提取,并构造了结构自适应神经网络进行了诊断分析。获得了很高的识别率。(3)基于第2代小波变换的滚动轴承故障信号分析。分析了滚动轴承故障特征,利用第2代小波变换将滚动轴承故障振动加速度信号分解到不同尺度,提取出共振频带,然后利用Hirbert变换进行解调,再对解调后的信号进行频谱分析得到小波包络谱,从包络谱上获取轴承故障特征信息。本文利用美国Case Western Reserve University电气工程实验室的滚动轴承故障模拟实验台获取的滚动轴承故障数据进行了分析验证,结果表明了方法的有效性。
二、一种改进的第2代小波变换算法及应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种改进的第2代小波变换算法及应用(论文提纲范文)
(1)基于谱峭度类算法的滚动轴承故障特征提取及诊断研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 滚动轴承的失效形式、故障机理及振动信号特征 |
1.2.1 轴承的失效形式 |
1.2.2 滚动轴承故障机理与振动信号特征 |
1.3 滚动轴承故障诊断中的关键问题研究 |
1.3.1 滚动轴承故障诊断的发展 |
1.3.2 滚动轴承故障诊断的流程 |
1.4 论文的主要研究内容 |
第2章 Kurtogram类共振解调预处理算法及其局限性分析 |
2.1 引言 |
2.2 Kurtogram |
2.2.1 基于短时傅里叶变换的谱峭度算法 |
2.2.2 基于树状滤波器组的谱峭度算法 |
2.3 Infogram |
2.3.1 平方包络(SE)与平方包络谱(SES) |
2.3.2 Shannon熵 |
2.3.3 SE Infogram和SES Infogram |
2.4 问题1: 谐波干扰的影响 |
2.5 问题2: 复合故障问题 |
2.6 问题3: 非周期性瞬态冲击及强噪源干扰 |
2.7 本章小结 |
第3章 自适应陷波理论及其在谐波信号中的应用 |
3.1 引言 |
3.2 窄带陷波原理 |
3.3 粒子群参数寻优 |
3.4 仿真分析 |
3.5 实验验证 |
3.6 本章小结 |
第4章 解卷积滤波器组和变分模态分解在复合故障频带划分中的应用 |
4.1 引言 |
4.2 解卷积滤波器组冲击特征匹配预处理方法 |
4.2.1 MCKD方法及参数选择问题 |
4.2.2 解卷积滤波器组预处理 |
4.2.3 仿真分析 |
4.2.4 实验验证 |
4.3 变分模态分解频带分割预处理方法 |
4.3.1 VMD方法及参数选择问题 |
4.3.2 变分模态分解预处理 |
4.3.3 仿真分析 |
4.3.4 实验验证 |
4.4 本章小结 |
第5章 TEERgram方法及其在强噪源干扰下轴承故障诊断中的应用 |
5.1 引言 |
5.2 Teager能量负熵指标 |
5.2.1 Teager能量算子 |
5.2.2 Teager能量谱 |
5.2.3 Teager能量负熵 |
5.2.4 TEERgram |
5.3 仿真分析 |
5.3.1 强噪源干扰仿真分析 |
5.3.2 偶然冲击干扰仿真分析 |
5.4 实验验证 |
5.5 本章小结 |
第6章 基于TEE-MS-FCM的轴承故障识别方法 |
6.1 引言 |
6.2 聚类方法 |
6.2.1 模糊C均值聚类(FCM) |
6.2.2 FCM的局限性分析 |
6.3 Meanshift无参密度估计 |
6.4 构建特征向量 |
6.4.1 振动信号的统计特征指标 |
6.4.2 特征向量的主成分降维处理 |
6.5 MS-FCM |
6.6 故障类型聚类分析 |
6.6.1 CWRU实验数据分析 |
6.6.2 QPZZ-Ⅱ轴承实验台实测数据分析 |
6.7 故障程度聚类分析 |
6.8 本章小结 |
第7章 结论与展望 |
7.1 研究结论 |
7.2 研究展望 |
参考文献 |
攻读博士学位期间发表的论文及其它成果 |
攻读博士学位期间参加的科研工作 |
致谢 |
作者简介 |
(2)基于特征优化与自主学习的滚动轴承故障诊断与性能退化评估(论文提纲范文)
摘要 |
Abstract |
缩略语一览表 |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 基于振动信号的旋转故障诊断研究现状 |
1.2.1 传统信号特征提取方法 |
1.2.2 基于特征优化方法的旋转机械故障诊断与性能退化评估 |
1.2.3 基于特征自主学习的旋转机械故障诊断与性能退化评估 |
1.3 课题来源及主要研究内容 |
1.3.1 课题来源与问题提出 |
1.3.2 研究内容和技术路线 |
1.3.3 论文的章节安排 |
第2章 基于LFSS与 FSBBA特征优化的恒定工况滚动轴承性能退化评估 |
2.1 引言 |
2.2 基于LFSS与 FSBBA的特征选择方法 |
2.2.1 基于LFSS的早期样本选择 |
2.2.2 基于FSBBA的特征选择 |
2.2.3 BBA与 FSBBA的性能比较 |
2.3 基于LFSS与 FSBBA的滚动轴承性能退化评估模型 |
2.4 LFSS与 FSBBA在滚动轴承性能退化评估中的应用 |
2.5 本章小结 |
第3章 基于NAP特征优化的变工况滚动轴承故障诊断与性能退化评估 |
3.1 引言 |
3.2 NAP方法 |
3.3 仿真信号分析 |
3.4 实测信号分析 |
3.5 基于NAP特征的滚动轴承故障诊断 |
3.6 基于NAP特征的滚动轴承故障定量诊断与性能退化评估 |
3.6.1 不同故障程度的轴承信号分析 |
3.6.2 轴承全寿命信号分析 |
3.7 NAP与 RMI的应用顺序分析 |
3.8 本章小结 |
第4章 基于CSCL特征自主学习的恒定工况滚动轴承性能退化评估 |
4.1 引言 |
4.2 CSCL方法 |
4.2.1 CSC方法 |
4.2.2 ADMM方法 |
4.2.3 CL方法 |
4.2.4 自适应阈值 |
4.3 基于CSCL的滚动轴承性能退化评估方法 |
4.3.1 训练阶段 |
4.3.2 测试阶段 |
4.4 CSCL在滚动轴承性能退化评估中的应用 |
4.4.1 训练模型的建立与验证 |
4.4.2 滚动轴承性能退化评估 |
4.4.3 性能退化评估方法比较 |
4.4.4 组合学习与单字典学习的耗时比较 |
4.5 本章小结 |
第5章 基于一维MC-CNN特征自主学习的恒定工况滚动轴承故障诊断 |
5.1 引言 |
5.2 卷积神经网络 |
5.2.1 CNN的结构 |
5.2.2 CNN的训练技巧 |
5.3 MC-CNN方法 |
5.3.1 MC-CNN模型 |
5.3.2 MC-CNN的训练 |
5.4 基于MC-CNN的滚动轴承故障诊断 |
5.4.1 不同训练样本集的故障诊断结果与比较 |
5.4.2 基于MC-CNN的滚动轴承故障诊断结果分析 |
5.4.3 不同噪声信号的故障诊断结果与比较 |
5.5 本章小结 |
第6章 基于二维MC-CNN特征自主学习的变工况滚动轴承故障诊断 |
6.1 引言 |
6.2 小波时频分析理论 |
6.3 二维MC-CNN |
6.4 基于小波时频图和二维MC-CNN的变工况滚动轴承故障诊断 |
6.5 实验信号分析 |
6.5.1 实验介绍 |
6.5.2 网络超参数设置 |
6.5.3 诊断结果分析 |
6.5.4 诊断结果对比 |
6.6 本章小结 |
结论与展望 |
参考文献 |
致谢 |
附录 A 攻读学位期间发表和录用的论文目录 |
附录 B 攻读学位期间参与的科研项目 |
(3)基于小波去噪优化的变形监测数据处理及预测研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状与存在的主要问题 |
1.2.1 非线性小波变换阈值去噪算法的研究动态 |
1.2.2 小波去噪质量评价的研究动态 |
1.2.3 小波分析在测绘领域中的研究动态 |
1.2.4 目前存在的主要问题 |
1.3 主要研究内容 |
1.4 技术路线 |
1.5 论文框架 |
第2章 小波分析的理论基础 |
2.1 从傅里叶变换到小波分析 |
2.1.1 傅里叶变换 |
2.1.2 短时傅里叶变换 |
2.1.3 小波分析 |
2.1.4 几种常用小波及其数学特性 |
2.2 多分辨率分析与分解、重构算法 |
2.2.1 多分辨率分析 |
2.2.2 分解与重构算法 |
2.3 几种常用的小波去噪方法 |
2.3.1 模极大值法 |
2.3.2 空域相关性去噪法 |
2.3.3 非线性小波变换阈值法 |
2.4 小波去噪质量评价指标 |
2.5 本章小结 |
第3章 非线性小波变换阈值去噪算法优化方案 |
3.1 小波基函数的选取 |
3.1.1 前言 |
3.1.2 不同小波基函数去噪性能测试 |
3.2 最佳分解与重构尺度的确定 |
3.2.1 前言 |
3.2.2 传统评价指标分析 |
3.2.3 复合评价指标分析 |
3.2.4 实验分析与比较 |
3.3 阈值函数的选取及改进方法 |
3.3.1 硬、软阈值函数 |
3.3.2 阈值函数的改进方法 |
3.3.3 实验分析与比较 |
3.4 阈值的估计及改进方法 |
3.4.1 传统的阈值估计方法 |
3.4.2 阈值估计的改进方法 |
3.4.3 实验分析与比较 |
3.5 本章小结 |
第4章 小波去噪优化在建筑物沉降数据处理中的应用 |
4.1 小波变换用于变形信号的信噪分离 |
4.1.1 基本原理 |
4.1.2 小波去噪优化的步骤 |
4.2 某基坑周围建筑物沉降数据小波去噪优化处理 |
4.2.1 A、B、C三栋建筑物沉降监测点沉降数据分析 |
4.2.2 A栋建筑物C2 监测点沉降数据小波去噪优化处理 |
4.3 C2 监测点沉降数据小波去噪优化质量评价 |
4.3.1 传统评价指标分析 |
4.3.2 复合评价指标分析 |
4.4 结果分析 |
4.5 本章小结 |
第5章 小波优化-GM(1,1)组合模型在变形预测中的研究 |
5.1 数列GM(1,1)模型分析 |
5.1.1 GM(1,1)模型建模机理 |
5.1.2 GM(1,1)模型精度检验 |
5.2 组合模型构建 |
5.2.1 组合模型可行性分析 |
5.2.2 组合模型的建模步骤 |
5.3 工程实例 |
5.3.1 数据预处理 |
5.3.2 GM(1,1)模型建模预测 |
5.3.3 小波优化-GM(1,1)组合模型建模预测 |
5.3.4 结果分析与比较 |
5.4 本章小结 |
结论与展望 |
致谢 |
参考文献 |
(4)基于Isomap的滚动轴承故障诊断方法(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景和意义 |
1.1.1 课题来源 |
1.1.2 课题研究背景及意义 |
1.2 故障诊断研究现状 |
1.2.1 故障振动信号降噪的研究现状 |
1.2.2 故障特征提取的研究现状 |
1.2.3 故障特征维数约简的研究现状 |
1.2.4 故障模式识别的研究现状 |
1.3 论文主要研究内容 |
第二章 等度规映射流形学习方法的产生及发展 |
2.1 等度规映射算法 |
2.1.1 多维尺度变换算法 |
2.1.2 等度规映射算法 |
2.2 界标点等度规映射算法 |
2.2.1 界标点多维尺度变换算法 |
2.2.2 界标点等度规映射算法 |
2.3 界标点等度规映射算法的缺陷 |
2.3.1 界标点选取问题 |
2.3.2 近邻参数估计问题 |
2.3.3 本征维数估计问题 |
2.3.4 噪声影响问题 |
2.3.5 无监督性问题 |
2.3.6 非增量式学习问题 |
2.4 本章小结 |
第三章 基于自适应SOINN L-Isomap的滚动轴承故障诊断 |
3.1 自适应SOINN L-Isomap算法 |
3.1.1 自适应邻域构造 |
3.1.2 SOINN界标点选取 |
3.1.3 ASL-Isomap算法流程 |
3.1.4 仿真实验 |
3.2 基于ASL-Isomap的滚动轴承故障诊断模型 |
3.2.1 基于混合域故障特征提取 |
3.2.2 核极限学习机分类器 |
3.2.3 故障诊断模型 |
3.3滚动轴承故障诊断实验 |
3.3.1 数据采集 |
3.3.2 特征提取 |
3.3.3 数据降维 |
3.3.4 故障识别 |
3.4 本章小结 |
第四章 基于监督型SOINN L-Isomap的滚动轴承故障诊断 |
4.1 监督型SOINN L-Isomap算法 |
4.1.1 监督型距离矩阵构建 |
4.1.2 SSL-Isomap算法流程 |
4.1.3 仿真实验 |
4.2 基于SSL-Isomap的滚动轴承故障诊断模型 |
4.2.1 基于多尺度排列熵的特征提取 |
4.2.2 灰狼群优化支持向量机分类器 |
4.2.3 故障诊断模型 |
4.3 滚动轴承故障诊断实验 |
4.3.1 数据采集 |
4.3.2 特征提取 |
4.3.3 数据降维 |
4.3.4 故障识别 |
4.4 本章小结 |
第五章 基于半监督判别SOINN L-Isomap的滚动轴承故障诊断 |
5.1 半监督SOINN L-Isomap算法 |
5.1.1 半监督距离矩阵的构建 |
5.1.2 SSDSL-Isomap算法流程 |
5.1.3 仿真实验 |
5.2 基于SSDSL-Isomap的滚动轴承故障诊断模型 |
5.2.1 基于VMD-ICMSE的特征提取 |
5.2.2 粒子群优化极限学习机分类器 |
5.2.3 故障诊断模型 |
5.3滚动轴承故障诊断实验 |
5.3.1 数据采集 |
5.3.2 特征提取 |
5.3.3 数据降维 |
5.3.4 故障识别 |
5.4 本章小结 |
第六章 结论与展望 |
6.1 论文总结 |
6.2 研究展望 |
参考文献 |
攻读硕士学位期间发表的论文及科研成果 |
致谢 |
(5)暂态电能质量检测方法的研究与实现(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究的背景及意义 |
1.2 国内外研究现状 |
1.3 论文的主要工作及章节安排 |
第2章 暂态电能质量信号去噪问题研究 |
2.1 暂态电能质量信号 |
2.1.1 暂态扰动信号 |
2.1.2 暂态谐波信号 |
2.2 电能质量暂态信号的小波阈值去噪 |
2.2.1 小波变换及多分辨率分析 |
2.2.2 小波阈值去噪 |
2.2.3 小波阈值去噪仿真 |
2.3 电能质量暂态信号的形态学滤波器去噪 |
2.3.1 形态学滤波器去噪 |
2.3.2 形态学滤波器去噪仿真 |
2.4 本章小结 |
第3章 基于小波的电能质量暂态扰动检测 |
3.1 Meyer 小波的暂态扰动检测 |
3.1.1 小波检测暂态扰动原理 |
3.1.2 小波基的选取及 Meyer 小波检测算法 |
3.1.3 暂态扰动检测仿真 |
3.2 基于改进形态小波的暂态扰动检测 |
3.2.1 形态小波原理 |
3.2.2 改进形态小波算法 |
3.2.3 暂态扰动检测仿真 |
3.3 本章小结 |
第4章 基于小波的电能质量暂态谐波检测 |
4.1 基于 FFT 和小波包的暂态谐波检测方法 |
4.1.1 暂态谐波检测方法 |
4.1.2 检测算法仿真与分析 |
4.2 基于 Meyer 小波和 FFT 的间谐波检测方法 |
4.2.1 暂态间谐波检测方法 |
4.2.2 检测算法的仿真分析 |
4.3 本章小结 |
第5章 电能质量检测小波算法的 FPGA 实现 |
5.1 小波算法 FPGA 设计思路 |
5.2 FPGA 下小波算法的模块设计 |
5.3 基于 DSP Builder 的 FPGA 滤波器设计 |
5.3.1 小波算法的设计流程 |
5.3.2 滤波器系数的量化 |
5.3.3 小波算法的实现 |
5.3.4 Simulink 中的图形仿真 |
5.3.5 滤波器模块转换 |
5.4 小波算法的实时性优化 |
5.5 小波算法的 IP 核设计 |
5.6 暂态扰动信号源的建立 |
5.6.1 暂态扰动信号源 |
5.6.2 FPGA 中动态扰动信号源的建立 |
5.7 暂态扰动的仿真试验 |
5.8 本章小结 |
结论 |
参考文献 |
攻读学位期间发表的学术论文 |
致谢 |
(6)改进二代小波在风机振动信号消噪中的应用(论文提纲范文)
0 前言 |
1 第2代小波变换原理 |
2 自适应冗余第2代小波的构造 |
3 仿真 |
4 2种小波用于通风机振动信号消噪实例 |
(7)中国图像工程:2009(论文提纲范文)
0 引 言 |
1 综述目的 |
1) 概括我国图像工程发展现状 |
2) 便利从事图像工程研究和图像技术应用的人员查阅有关文献 |
3) 提供期刊编者和文献作者有用的参考信息 |
2 刊物选取 |
3 文献选取和分类 |
4 文献分类统计结果和讨论 |
4.1 15年图像工程文献选取和分类概况比较 |
4.2 2009年各刊图像工程文献刊载情况 |
4.3 2009年各刊图像工程文献详细分类情况 |
5 前后3个5年的比较 |
6 结 论 |
(8)基于改进第2代小波算法的发电机组碰摩故障特征提取(论文提纲范文)
0 引言 |
1 第2代小波原理 |
2 第2代小波等效滤波器的构造 |
2.1 等效滤波器的计算 |
2.2 等效滤波器的频域特性 |
3 算法改进 |
3.1 预测器和更新器优化设计 |
3.2 分解信号的再处理 |
4 仿真信号分析 |
5 工程应用实例 |
6 结论 |
(9)基于改进冗余提升方案的汽轮机组振动故障特征提取(论文提纲范文)
0 引言 |
1 基于提升方案的小波变换 |
1.1 提升方案 |
1.2 冗余提升方案 |
2 改进冗余提升方案 |
2.1 滤波器的频域特性 |
2.2 改进算法 |
3 仿真信号分析 |
4 工程应用 |
(1)转子不对中。 |
(2)转子碰摩。 |
5 结论 |
(10)第二代小波变换在旋转机械故障诊断中的应用研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 旋转机械转子故障诊断的意义 |
1.2 转子和轴承常见故障 |
1.2.1 转子常见故障 |
1.2.2 滑动轴承故障 |
1.2.3 滚动轴承故障 |
1.3 旋转机械故障诊断研究现状 |
1.3.1 故障信号降噪处理技术 |
1.3.2 故障信号特征提取 |
1.3.3 故障状态识别 |
1.3.4 第二代小波分析方法及其在转子故障诊断中的应用现状 |
1.4 本文主要研究内容 |
第二章 第二代小波分析的基本理论 |
2.1 小波分析简介 |
2.1.1 小波变换 |
2.1.2 多分辨率分析 |
2.2 第二代小波的基本理论和方法 |
2.2.1 小波分解与重构的多相位表示 |
2.2.2 LAURENT 多项式的EUCLIDEAN 算法 |
2.2.3 多相位矩阵的因子分解 |
2.2.4 提升算法 |
2.3 小结 |
第三章 转子与滚动轴承故障模拟实验台 |
3.1 转子试验台简介 |
3.1.1 ZL-3 多功能转子故障模拟试验台 |
3.1.2 航空发动机转子实验器简介 |
3.2 滚动轴承试验台简介 |
3.2.1 实验台说明 |
3.2.2 信号采集 |
3.2.3 滚动轴承故障设置 |
3.3 小结 |
第四章 第二代小波变换在转子故障信号降噪中的应用研究 |
4.1 常见的小波降噪的方法与原理 |
4.1.1 去噪问题的描述 |
4.1.2 小波变换模极大去噪 |
4.1.3 基于小波变换尺度间相关性的去噪 |
4.1.4 小波阈值去噪法 |
4.2 几种小波去噪方法的比较 |
4.2.1 模极大值法去噪 |
4.2.2 相关性去噪 |
4.2.3 小波收缩阈值法去噪 |
4.2.4 平移不变量小波法去噪 |
4.3 第二代小波降噪原理与方法 |
4.4 基于尺度变换的第二代小波自适应降噪新方法 |
4.5 基于尺度变换的第二代小波自适应降噪新方法在转子故障信号降噪中的应用 |
4.5.1 不对中故障实验信号降噪 |
4.5.2 不平衡故障实验信号降噪 |
4.5.3 碰摩故障实验信号降噪 |
4.5.4 油膜涡动故障信号降噪 |
4.6 小结 |
第五章 基于第二代小波分析的旋转机械转子故障特征提取 |
5.1 常见的特征提取方法 |
5.1.1 时域分析方法 |
5.1.2 频域分析 |
5.1.3 时间序列分析 |
5.1.4 小波分析 |
5.2 基于能量分布的小波特征提取的原理 |
5.3 第二代小波变换在转子故障信号特征提取中的研究 |
5.4 基于尺度变换的第二代小波能量特征提取新方法 |
5.5 基于尺度变换的第二代小波能量特征提取新方法在转子故障诊断中的应用 |
5.6 转子多故障的集成神经网络诊断实验研究 |
5.6.1 样本产生 |
5.6.2 基于结构自适应神经网络的集成神经网络模型 |
5.6.3 转子故障识别结果 |
5.7 小结 |
第六章 基于第2 代小波变换的滚动轴承的故障诊断 |
6.1 概述 |
6.2 滚动轴承振动特征 |
6.3 故障轴承振动信号特点 |
6.3.1 轴承内滚道损伤 |
6.3.2 轴承外滚道损伤 |
6.3.3 滚动体损伤 |
6.4 第二代小波变换在滚动轴承故障诊断中的研究 |
6.4.1 正常轴承的频率特性 |
6.4.2 轴承内圈故障诊断 |
6.4.3 轴承外圈故障诊断 |
6.4.4 轴承滚动体故障诊断 |
6.5 小结 |
结论与展望 |
参考文献 |
致谢 |
攻读硕士期间所发表的论文 |
附录1 转子模拟故障实验样本集 |
四、一种改进的第2代小波变换算法及应用(论文参考文献)
- [1]基于谱峭度类算法的滚动轴承故障特征提取及诊断研究[D]. 张雄. 华北电力大学(北京), 2019
- [2]基于特征优化与自主学习的滚动轴承故障诊断与性能退化评估[D]. 黄文艺. 湖南大学, 2019
- [3]基于小波去噪优化的变形监测数据处理及预测研究[D]. 何友福. 成都理工大学, 2019(02)
- [4]基于Isomap的滚动轴承故障诊断方法[D]. 王振亚. 安徽工业大学, 2019(02)
- [5]暂态电能质量检测方法的研究与实现[D]. 房国志. 哈尔滨理工大学, 2013(05)
- [6]改进二代小波在风机振动信号消噪中的应用[J]. 袁炜. 煤矿机械, 2012(11)
- [7]中国图像工程:2009[J]. 章毓晋. 中国图象图形学报, 2010(05)
- [8]基于改进第2代小波算法的发电机组碰摩故障特征提取[J]. 姜洪开,王仲生,何正嘉. 中国电机工程学报, 2008(08)
- [9]基于改进冗余提升方案的汽轮机组振动故障特征提取[J]. 周瑞,鲍文,左国华,于达仁,杨建国. 中国电机工程学报, 2008(08)
- [10]第二代小波变换在旋转机械故障诊断中的应用研究[D]. 于明月. 南京航空航天大学, 2008(06)