导读:本文包含了微弱特征提取论文开题报告文献综述及选题提纲参考文献，主要关键词:稀疏表示,基追踪,衰减余弦字典,轴承早期故障
微弱特征提取论文文献综述
周浩轩,刘义民,刘韬[1]（2019）在《基于衰减余弦字典和稀疏特征符号搜索算法的轴承微弱故障特征提取》一文中研究指出通过分析轴承内外圈故障时域波形特征,结合其早期微弱故障特点,提出了一种与轴承故障波形高度匹配的衰减余弦过完备字典,同时与稀疏表示基追踪方法的特征符号搜索算法相结合的新型算法(ACFS),实现了强噪声干扰下轴承微弱故障特征的提取。通过分析原始信号频谱与理论故障特征,确定了张成原子库的参数,并结合特征符号搜索算法对不同信噪比轴承内圈仿真信号和轴承全寿命数据中的早期微弱故障信号进行了分析。对比普通包络解调方法与基于Symlet8小波包字典的普通BPDN结果表明,该方法可以在极早期实际轴承故障信号中高效、准确地提取出故障特征频率。对于噪声具有极好的冗余度与鲁棒性。(本文来源于《振动与冲击》期刊2019年21期）
章翔峰,姜宏,冉祥锋[2]（2019）在《全矢S变换在风力机齿轮箱微弱故障特征提取中的运用》一文中研究指出针对齿轮箱早期微弱故障特征受其他扰动信号干扰而难于提取的问题,提出一种全矢理论结合广义S变换的方法用于提高微弱故障特征的区分度。该方法是以全矢理论将相互垂直的双通道振动信号进行融合,保证信号源信息的完整,继而利用广义S变换具有根据时频聚集性度量准则自适应地获取信号最佳时频谱的优势,实现融合信号的二维时频表示,以时频序列的能量矩阵构建区分齿轮工作状态的故障特征。通过风电机组齿轮箱在点蚀、裂纹和均匀磨损3种微弱故障状态下的各20组实验,验证了全矢S变换在微弱故障特征提取中的优势。(本文来源于《机床与液压》期刊2019年13期）
段杰[3]（2019）在《滚动轴承微弱冲击信号的检测与特征提取方法研究》一文中研究指出滚动轴承发生故障时会产生规律性的冲击振动,通过检测信号中是否包含故障冲击可以实现轴承状态识别及故障诊断。然而在实际应用中,由于工作环境复杂,传感器拾取的信号中会混入较多干扰成分及背景噪声,导致轴承故障冲击信号比较微弱甚至完全被噪声淹没,极大地影响了轴承状态监测及故障诊断的效果。针对以上问题,本文对强噪声及大干扰下滚动轴承故障微弱冲击信号的检测及特征提取方法进行了系统研究,在故障冲击信号检测、故障冲击信号提取、冲击信号特征提取等方面提出了系列方法。论文的主要研究工作包括以下几个方面:针对滚动轴承故障微弱冲击信号的检测及真实特征频率确定问题,提出了一种基于改进奇异值比谱的轴承故障冲击信号检测方法。该方法先对奇异值比谱的计算过程做了改进,借助叁次样条插值方法对数据序列进行重采样,解决了传统方法在分解矩阵构造中存在规整误差累积的问题,得到改进奇异值比谱的计算方法,随后将改进奇异值比谱引入到轴承故障冲击信号检测中,在轴承理论特征频率附近搜索分析得到故障信号的改进奇异值比谱,通过检查奇异值比谱中是否出现大的突出分量来实现轴承故障冲击信号的检测,并确定故障冲击的真实特征频率。针对滚动轴承故障微弱冲击信号的提取问题,提出了一种基于局部搜索的时域平均故障冲击信号提取方法。该方法是对时域同步平均方法的改进,充分考虑了轴承故障冲击的时间波动及载荷不稳定的情况,通过在时域同步平均方法中引入搜索策略避免了冲击时间波动的影响,同时定义加权系数减小了载荷不一致的影响。作为一种时域滤波方法,该方法有很好的频率筛选及噪声消除特性,适用于各种工况,能有效去除振动信号中的噪声及其他周期干扰成分,提取出轴承故障引起的微弱冲击分量。针对带内噪声及独立频率分量干扰下的滚动轴承故障冲击信号特征提取问题,提出了一种基于窄带包络谱融合的轴承故障冲击信号特征提取方法。该方法根据滚动轴承故障冲击信号的特点,对窄带包络谱计算方法做了一些改进,并通过邻域窄带包络谱加权平均来消除信号带内噪声,增强特征频率分量,最后借助窄带包络谱的稀疏值来确定最优频带及最优包络谱,包络谱中的主要频率成分即为滚动轴承冲击信号特征分量。包络谱融合和稀疏值的引入降低了噪声及独立频率干扰成分的影响,使最优频带确定及轴承故障冲击信号特征提取变得更加准确和有效。针对多种成分干扰下的滚动轴承故障冲击信号特征提取问题,提出了一种基于窄带包络谱盲源分离的轴承故障冲击信号特征提取方法。该方法根据轴承故障冲击信号窄带包络谱的相关特性,将特征包络谱提取过程转化成盲源分离问题,并引入Jarque-Bera统计量定义阈值筛选出有效的窄带包络谱,再通过快速独立成分分析方法提取故障冲击及干扰冲击信号的特征包络谱,实现轴承故障诊断。窄带包络谱盲源分离方法不需要确定信号最优频带,能有效避免频带选择的不确定性甚至错误,提高了轴承故障冲击信号特征提取的有效性及稳定性。(本文来源于《华中科技大学》期刊2019-05-01）
张洪梅,邹金慧[4]（2019）在《自适应MCKD和CEEMDAN的滚动轴承微弱故障特征提取》一文中研究指出针对滚动轴承振动信号受强噪声干扰,难以提取其微弱故障特征的问题,提出了自适应最大相关峭度解卷积(MCKD)和自适应噪声完全集合经验模态分解(CEEMDAN)的故障特征提取方法。由于MCKD方法的滤波效果受滤波器长度参数的影响,故采用变步长网格搜索法对滤波器长度进行寻优,自适应地实现MCKD降噪。首先以特征能量比(FER)作为目标函数利用变步长网格搜索法寻找最优滤波器长度,通过自适应MCKD算法对振动信号进行降噪;然后采用CEEMDAN方法分解降噪信号,并根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF)进行信号重构;最后利用包络谱对重构信号进行分析,提取故障特征信息。经仿真与实验分析,该方法能够有效地提取出滚动轴承的微弱故障特征信息。(本文来源于《电子测量与仪器学报》期刊2019年04期）
徐俊祖,王晓东,吴建德,马军[5]（2019）在《基于ENEMD与Teager能量算子的轴承早期微弱故障特征提取研究》一文中研究指出针对经验模态分解(EMD)和集合经验模态分解(EEMD)方法存在模态混迭、噪声残留以及对滚动轴承早期微弱故障特征提取效果不理想的问题,提出一种基于集成噪声重构经验模态分解(ensemble noise-reconstructed empirical mode decomposition, ENEMD)与Teager能量算子的轴承早期微弱故障特征提取方法。首先,使用ENEMD对采集信号进行分解,基于固有噪声分量处理方法实现信号降噪;其次,基于峭度与相关系数的联合准则,提取ENEMD分解的峭度值及相关系数较大的imf分量进行重构;再次,利用Teager能量算子对重构信号进行分析,从而提取到滚动轴承的早期微弱故障特征;最后,基于滚动轴承内、外圈的故障振动信号,开展所提方法与基于EMD和Teager能量算子(EMD-Teager)及基于EEMD和Teager能量算子(EEMD-Teager)方法对比实验。实验结果表明,本方法能有效提取滚动轴承早期微弱故障特征,并取得略优于EMD-Teager和EEMD-Teager能量算子的效果。(本文来源于《电子测量与仪器学报》期刊2019年03期）
赵磊,张永祥,朱丹宸[6]（2019）在《基于MOMEDA和IITD的滚动轴承微弱故障特征提取》一文中研究指出为了清晰准确地提取出强背景噪声下滚动轴承微弱故障特征,对采集的外圈故障轴承的振动信号用MOMEDA进行信号增强;然后,利用IITD分解得到一系列模态,并对分解得到的模态进行包络解调提取故障特征;最后,进行了故障模拟实验,实验结果表明了该方法的有效性。(本文来源于《海军工程大学学报》期刊2019年01期）
周亦翀,方勇华,崔方晓[7]（2018）在《一种气体的微弱红外光谱特征提取方法》一文中研究指出被动傅里叶变换红外遥测技术可以测量大部分污染气体,亮温光谱法能够在无需背景信息的前提下实现目标特征提取与识别.在野外进行实测时,存在背景物体辐射、大气中成分辐射、仪器噪声等信号。当目标信号弱于这些信号时,亮温光谱法难以直接从实测光谱中提取目标特征.针对这一问题,提出了一种基于非负矩阵分解的光谱特征提取方法,在被动红外遥测模型基础上,通过对整个亮温光谱进行分析,得到目标光谱特征.实际测量以SO_2为目标气体进行野外实验,对该方法进行了验证,结果表明,在目标信号较弱的亮温光谱中仍然能够提取到SO_2的光谱特征,证明了方法的有效性。(本文来源于《大气与环境光学学报》期刊2018年06期）
时培明,苏晓,袁丹真,苏冠华,马晓杰[8]（2018）在《基于VMD和变尺度多稳随机共振的微弱故障信号特征提取方法》一文中研究指出针对强噪声背景下旋转机械早期故障诊断的难题,提出一种基于变分模态分解与变尺度多稳随机共振的微弱故障信号特征提取方法。首先应用参数优化的变分模态分解(variational mode decomposition,VMD)算法对微弱故障信号进行分解,得到若干本征模态分量(intrinsic mode function,IMF);然后通过峭度准则筛选出其中峭度最大的IMF分量;最后对该IMF分量进行变尺度多稳随机共振,实现微弱故障信号的增强。实例表明:在强噪声背景下,利用参数优化VMD分解与变尺度多稳随机共振相结合的方法,可以有效提取出微弱信号特征频率,实现旋转机械故障状态的准确判断。(本文来源于《计量学报》期刊2018年04期）
张菀[9]（2018）在《基于信号稀疏表示的滚动轴承微弱故障特征提取方法研究》一文中研究指出滚动轴承作为机械传动系统中的重要零部件之一,对于保障机械设备安全运行具有十分重要的意义。滚动轴承发生故障时其振动信号具有非平稳和非线性特点,同时,由于工作环境中的强背景噪声和传递路径长造成的信号衰减,导致滚动轴承的微弱故障特征提取困难。此外,滚动轴承在实际运行中,往往会出现多种故障并存的问题,多种故障之间的相互耦合,给滚动轴承故障的精确诊断带来了挑战。因此,研究滚动轴承微弱和复合故障的特征提取对采取主动维修策略、低成本维护和避免重大事故发生都具有重要的意义。应用振动信号处理技术实现机械设备及其关键部件的故障诊断是机械故障诊断领域的一个重要研究方向。在实际工程应用中滚动轴承的故障特征往往表现得很微弱,如以下叁种情况:早期故障阶段、采集路径较长造成的信号衰减和复合型故障。传统的信号处理方法在处理上述几种复杂状况的故障诊断问题通常难以奏效。稀疏表示是一种能有效匹配滚动轴承发生故障时冲击信号特征的处理方法,可以实现对信息本质的捕捉和最高效的表达。本文基于经典的稀疏表示理论基础上提出了改进,对滚动轴承微弱故障和复合型故障诊断展开深入研究,旨在对滚动轴承的微弱故障和复合型故障做出诊断,能最大程度避免故障发生。本文主要研究内容如下:1.针对已有稀疏表示的故障诊断方法大多基于故障信号在给定字典变换下系数是稀疏的先验条件,诊断结果准确性很大程度上依赖于字典选择是否合适,不合适的字典将直接导致诊断结果不准确。本文提出了一种基于加权稀疏分解的滚动轴承微弱故障特征提取方法,利用滚动轴承故障信号本身具有稀疏性的先验知识,构造了稀疏故障诊断模型,通过求解该模型获得分析信号中的周期冲击成分。优化目标函数中包含了恢复冲击特征的保真项,保真项中的高通滤波器H是一个零相位非因果二阶巴特沃兹滤波器,滤波器中A和B的带状矩阵形式可以有效地提高算法的计算效率。为了提高稀疏成分的提取能力,对模型中的l1范数项进行加权处理,使其更接近于l0范数项。通过仿真数据和滚动轴承全寿命早期故障阶段的实验数据对该方法进行验证,结果表明所提出的方法在提取微弱故障特征方面具有较好的效果。2.当滚动轴承发生局部故障时,故障表面与其他元件表面在接触过程中会发生周期性冲击,会激发整个系统的高频共振,在信号频谱中会出现高频共振带。本文提出了基追踪降噪和自适应Morlet小波滤波算法提取高频共振带,实现滚动轴承微弱故障特征的提取。首先,基追踪降噪去除频域中无效频率成分,能更加突出故障所在的共振频带;自适应Morlet小波滤波算法用于构造带通滤波器提取高频共振频带,将两者的优点结合用于提取滚动轴承的微弱故障特征。混洗蛙跳算法可以自适应地获取Morlet小波的带通滤波参数,包络熵作为算法的适应度函数,可以很好地表征混合信号中的周期冲击成分。通过对仿真和实验信号分析,结果表明所述方法可以有效地提取周期冲击特征,实现滚动轴承微弱故障特征提取。3.针对已有基于二进制小波变换的稀疏表示方法中字典时频分辨率不可调,且随着频率增加,频率分辨率会降低的问题,提出一种基于峭度-小波全变分的降噪算法,实现对滚动轴承微弱故障特征的提取。首先,在优化目标函数中加入修正变分项,有效地去除阈值降噪产生的尖峰噪声和伪吉布斯现象。此外,引入过完备有理膨胀小波变换字典,通过调节控制参数实现时频分辨率可调,从而可根据信号的特性选择合适的时频划分。再进一步通过峭度指标对小波字典中的控制参数和小波子带进行筛选,达到提取与故障特征相关频段的目的。对算法的时频分辨率、全变分项特性和算法复杂度叁个方面进行了分析,最后以强背景噪声下的滚动轴承内、外圈微弱故障为例,验证所述方法的有效性和优越性。4.针对滚动轴承在实际运行过程中往往出现多种故障并存,信号传递路径长造成信号衰减严重的问题,提出一种基于Morlet小波-重迭组稀疏的滚动轴承复合故障特征提取方法。由于复合故障中不同的故障特征在时域中会存在重迭现象,所以小波系数也一定会存在重迭。本文利用这种重迭特性构造了重迭组稀疏模型,采用受控极小化方法求解该稀疏模型。通过分析信号显着特征自适应构造模型中的权重系数,可以增强信号中能量较大的冲击特征。通过仿真模型和实验信号证明了该方法能有效地提取滚动轴承微弱复合故障。5.针对人为设置轴承损伤不能真实反映轴承自然衰退过程中的早期故障状态问题,搭建了滚动轴承全寿命实验台,即将正常轴承一直运行到其疲劳失效为止。在不改变滚动轴承接触疲劳失效机理的前提下,采用强化加速全寿命实验方式缩短实验时间。采用了滚动轴承全寿命周期中早期故障的实验数据验证了论文所研究方法的有效性,并从微弱故障特征提取能力和算法效率两个方面对所提出的算法进行比较和讨论。(本文来源于《东南大学》期刊2018-06-30）
周子贤[10]（2018）在《滚动轴承微弱故障信号特征提取与识别研究》一文中研究指出随着机械设备不断向集成化和复杂化发展,为了同时保证加工效率与产品质量,故障检测技术也需要与时俱进。滚动轴承在机械设备中应用广泛,任何微小的损伤都可能对整个设备造成影响,及早发现滚动轴承故障并修复,能够有效降低安全隐患与经济损失。因此,对滚动轴承早期故障诊断技术进行研究尤为重要。轴承微弱故障信号特征易受噪声和人为干扰等因素影响,无法直接进行轴承的状态识别。故本文为了准确掌握滚动轴承的工作状态,从特征提取与模式识别两个方面进行了研究。首先提出了自适应部分集成局部特征尺度分解(Adaptive Partly-ensemble Local Characteristic-scale Decomposition,APLCD)与小波包变换(Wavelet Package Transform,WPT)结合的APLCD-WPT方法,以及自适应遗传随机共振(Adaptive Genetic Stochastic Resonance,AGSR)方法用于提取滚动轴承早期微弱故障特征。APLCD-WPT算法利用APLCD将振动信号自适应的分解为多个内禀尺度分量(Intrinsic mode component,ISC),每个ISC分量分别代表原信号不同频段的特征,再利用WPT修正ISC分量模态混迭的问题;AGSR利用遗传算法并行优化随机共振系统的多个参数,能够自适应筛选出与输入信号最匹配的系统参数,从而能够精确提取故障特征。文章还引入深度学习方法,利用堆迭稀疏自编码(Stacked Sparse Autoencoder,SSAE)对提取的特征进行模式识别,实现滚动轴承早期故障的智能诊断。SSAE网络由自动编码器(Autoencoder,AE)堆迭而成,使用多个自动编码器逐层训练网络,能够从海量数据中自适应的学习各类故障的特征表达,再通过有监督的反向传播算法优化整个网络,最终将特征输入Softmax分类器判断滚动轴承健康状况。本文通过APLCD-WPT算法与LCD等特征提取方法比较,表明APLCD-WPT在抑制模态混迭、提高特征提取的精确性上具有一定优越性。而AGSR算法由于使用遗传算法进行参数调优,特征提取效果也优于传统的随机共振方法。此外,将APLCD-WPT与AGSR提取的特征制作样本用于SSAE网络训练,在实验中,通过调整AE层数、隐藏层节点数与学习率等参数,寻找最优的网络模型,最终实现高效智能的滚动轴承早期故障诊断。(本文来源于《南京信息工程大学》期刊2018-06-01）
微弱特征提取论文开题报告
（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：
针对齿轮箱早期微弱故障特征受其他扰动信号干扰而难于提取的问题,提出一种全矢理论结合广义S变换的方法用于提高微弱故障特征的区分度。该方法是以全矢理论将相互垂直的双通道振动信号进行融合,保证信号源信息的完整,继而利用广义S变换具有根据时频聚集性度量准则自适应地获取信号最佳时频谱的优势,实现融合信号的二维时频表示,以时频序列的能量矩阵构建区分齿轮工作状态的故障特征。通过风电机组齿轮箱在点蚀、裂纹和均匀磨损3种微弱故障状态下的各20组实验,验证了全矢S变换在微弱故障特征提取中的优势。
（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。
微弱特征提取论文参考文献
[1].周浩轩,刘义民,刘韬.基于衰减余弦字典和稀疏特征符号搜索算法的轴承微弱故障特征提取[J].振动与冲击.2019
[2].章翔峰,姜宏,冉祥锋.全矢S变换在风力机齿轮箱微弱故障特征提取中的运用[J].机床与液压.2019
[3].段杰.滚动轴承微弱冲击信号的检测与特征提取方法研究[D].华中科技大学.2019
[4].张洪梅,邹金慧.自适应MCKD和CEEMDAN的滚动轴承微弱故障特征提取[J].电子测量与仪器学报.2019
[5].徐俊祖,王晓东,吴建德,马军.基于ENEMD与Teager能量算子的轴承早期微弱故障特征提取研究[J].电子测量与仪器学报.2019
[6].赵磊,张永祥,朱丹宸.基于MOMEDA和IITD的滚动轴承微弱故障特征提取[J].海军工程大学学报.2019
[7].周亦翀,方勇华,崔方晓.一种气体的微弱红外光谱特征提取方法[J].大气与环境光学学报.2018
[8].时培明,苏晓,袁丹真,苏冠华,马晓杰.基于VMD和变尺度多稳随机共振的微弱故障信号特征提取方法[J].计量学报.2018
[9].张菀.基于信号稀疏表示的滚动轴承微弱故障特征提取方法研究[D].东南大学.2018
[10].周子贤.滚动轴承微弱故障信号特征提取与识别研究[D].南京信息工程大学.2018