基于独立分量分析的故障源识别技术

论文摘要

独立分量分析(Independent Component Analysis,简称ICA)能够有效降噪并把信号中的有用信息挖掘出来,从而提供更丰富的故障诊断信息。但是ICA本身也存在限制,要求输入信号个数大于或等于分离出独立分量的个数。本文首先研究了ICA的滤波特性,揭示了ICA消噪不受信噪比影响,对比了FastICA算法和Infomax算法,并指出ICA无法识别相位。然后将ICA应用于齿轮箱传动系统的早期故障诊断中,并与传统信号分析方法进行对比。最后针对ICA的限制,提出了广义噪声ICA定义和附加虚拟通道的ICA消噪方法。该方法在只有少数实测信号的前提下,用正常工况下已保存的参考信号代替传感器信号进行ICA分离。实验证明,在这种情况下ICA将分离出除去参考信号以外的新信号,这个新信号就反应了故障特征。将这种新方法应用于实测汽轮机轴振信号的分离中取得了满意的效果。

论文目录

• 中文摘要
• 英文摘要
• 第一章 引言
• 1.1 选题背景及其意义
• 1.1.1 故障诊断研究的多学科交叉发展
• 1.1.2 现有故障诊断理论方法的不足之处
• 1.1.3 基于独立分量分析的故障源识别技术概述
• 1.2 独立分量分析的国内外研究现状
• 1.3 独立分量分析在故障诊断领域中的应用
• 1.4 本文的主要工作及内容
• 1.4.1 本文的主要工作
• 1.4.2 本文的主要内容
• 第二章 独立分量分析基础理论
• 2.1 研究独立分量分析的预备知识
• 2.1.1 概率与统计特征
• 2.1.2 信息论的基础知识
• 2.2 独立分量分析模型
• 2.2.1 独立分量分析的线性模型
• 2.2.2 带噪声的ICA模型
• 2.2.3 非线性ICA模型
• 2.3 独立性优化判据
• 2.3.1 非高斯性极大化判据
• 2.3.2 互信息极小化判据和信息极大化判据
• 2.3.3 非线性不相关判据
• 2.4 独立分量分析算法
• 2.4.1 数据的白化预处理
• 2.4.2 FastICA算法
• 2.4.3 Infomax算法
• 2.5 本章小结
• 第三章 独立分量分析的数值仿真
• 3.1 不同类型仿真信号的独立分量分离
• 3.2 独立分量分析消噪特性研究
• 3.2.1 ICA消噪与信噪比的关系
• 3.2.2 ICA滤波
• 3.3 FastICA算法与Infomax算法分离性能比较研究
• 3.4 ICA相位特性研究
• 3.5 本章小结
• 第四章 独立分量分析在故障源识别中的应用
• 4.1 齿轮试验台实验描述
• 4.2 时域波形分析
• 4.3 频谱分析
• 4.4 时频联合分析
• 4.5 基于独立分量分析的故障源识别
• 4.6 本章小结
• 第五章 广义噪声ICA定义和附加虚拟通道的消噪方法
• 5.1 传统噪声ICA定义的局限性和广义噪声ICA定义的提出
• 5.1.1 传统噪声ICA定义的局限性
• 5.1.2 提出广义噪声ICA定义
• 5.2 独立分量分析附加虚拟通道的消噪方法
• 5.3 ICA附加虚拟通道消噪方法的实际应用
• 5.4 本章小结
• 第六章 工作总结和研究展望
• 6.1 本文的结论
• 6.2 研究展望
• 参考文献
• 致谢
• 在学期间发表的学术论文和参加科研情况