盲信号理论及在机械设备故障检测与分析中的应用研究

论文摘要

先进制造技术的发展要求现代制造系统必须安全可靠稳定运行,使得加工设备和加工过程的工况监控和故障诊断越来越重要,成为一门集传感器技术、图像处理、自动控制、人工智能、信号处理为一体的综合性技术。监控和诊断一般采用多个传感器获取信息,信息量很大,如何对采集的信息进行融合并从大量检测信号中滤掉无用的干扰和噪声、提取有用的信号特征一直是监控和诊断过程中的难题。信号处理领域新近发展的盲源分离技术因为能在未知信号详细特征的情况下仅根据信号的统计特征恢复信号源,可以用来消除测量信号临近机器和部件引起的干扰,将感兴趣信号和干扰信号分离开来,成为近年机械设备故障诊断领域的研究新热点。本文首先回顾了机械设备监控和故障诊断技术的理论和应用研究现状,并指出在测量信号中若包含干扰时过去往往需要关于被监控设备大量详细的先验知识,包括对具体结构的详细了解才能将干扰的影响消除。接着介绍了盲源分离应用于加工领域的意义和前景,提出了基于盲源分离的监控和故障检测的流程,就实际应用中遇到的源数估计等四个方面的问题展开了深入研究。利用m-p-p神经网络结构从网络最终输出成分的能量和信息化准则两方面推导了两种自适应主成分分析算法,解决了在未知信号源个数时如何从测量的混合信号中实时提取指定个数的主要成分的问题,并对基于信息化准则主成分分析自适应算法的稳定性、收敛性给出了完整的理论证明。证明了该算法收敛速度快、具有全局稳定性和全局唯一最优值,并通过仿真验证了算法的有效性。研究和总结了现有瞬时混合盲源分离算法,指出了盲源分离应用于机械噪声分析时必须解决被研究信号在正常和故障工况时信号呈现不同峰度特性的问题,并据此提出了一种两阶段自适应噪声盲分离算法,给出了非线性函数的选取准则,有效解决了峰度变化的难题,同时通过采用m-p-p神经网络结构的主成分分析算法作为预处理使算法具有较好的鲁棒性。机械噪声分析中环境恶劣,用小样本数据进行盲源分离能更好地保证待分离信号是平稳随机过程这一模型成立的前提条件。针对小样本情况指出了目前机械噪声盲分离中研究较多的FASTICA算法及其它高阶累积量算法存在的问题,研究了基于二阶相关的SOBI算法和基于非参数熵估计的批处理盲源分离算法。利用鲁棒预白化技术提高了SOBI算法在高斯噪声干扰下的信号分离性能。针对输入维数不高的盲源分离应用特别对二维盲分离,提出了对m-spacing熵进行平滑滤波的盲源分离新思想,通过实验证明了新算法比FASTIACA具有更优性能。针对卷积混合噪声模型介绍了传统的卷积混合盲分离算法,研究了两种新颖的傅立叶变换技术。基于滑动傅立叶变换提出了一种仅利用一个频率点信息实现卷积混合盲分离的的频率域算法,大大降低了传统频率域算法的计算复杂性。在此基础上又提出了两种利用少数几个频率点信息实现卷积混合盲源分离的频率域盲算法,提高了信号分离的鲁棒性。其中多频点算法（二）利用非参数熵评价单频点盲反卷积算法性能,通过合适选择参数使得只需执行少数几次单频点盲反卷积就能得出最优的反卷积结果,同时给出了算法参数选择准则。本文提出的卷积混合盲分离算法算法均克服了传统频域算法排列模糊和幅度模糊影响分离结果的缺点,降低了计算复杂性,提高了算法的实用性,为工程应用打下了基础。提出了基于ICA的故障监控与诊断通用框架,在此基础上通过结合机器学习领域最新的模式分类技术—支持向量机,提出了基于ICA和支持向量机的故障诊断方法。基于工控机研制了振动加速度信号的四通道同步测量装置,并编制了相应的测量程序。通过对电机的振动信号分离验证了本文方法的有效性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题背景与意义
• 1.1.1 课题背景
• 1.1.2 课题意义
• 1.2 机械设备故障诊断技术的应用现状
• 1.3 机械设备故障诊断理论研究现状
• 1.3.1 故障机理
• 1.3.2 故障推理
• 1.4 故障诊断技术发展趋势
• 1.5 故障特征信号检测
• 1.5.1 时域分析
• 1.5.2 功率谱分析
• 1.5.3 傅立叶变换（FT）谱分析
• 1.5.4 ARMA 等现代谱分析
• 1.5.5 高阶谱（HOS）分析
• 1.5.6 时频分析
• 1.5.7 小波分析
• 1.6 目前信号检测存在的问题
• 1.7 基于盲源分离的故障信号检测
• 1.7.1 盲源分离问题描述
• 1.7.2 盲源分离研究现状
• 1.7.3 盲分离的应用
• 1.7.4 盲源分离理论用于机械故障提取的现状
• 1.8 本论文研究的目标及内容
• 1.8.1 目标
• 1.8.2 研究内容和论文结构
• 参考文献
• 第二章 PCA 的自适应快速算法
• 2.1 前言
• 2.2 PCA 概述
• 2.2.1 PCA 在噪声信号分析中的应用
• 2.2.2 PCA 传统算法
• 2.3 NOja 算法
• 2.4 基于NIC 准则的并行PCA
• 2.4.1 算法比较
• 2.4.2 MNIC 稳定点特征
• 2.4.3 MNIC 全局稳定性证明
• 2.5 算法性能仿真
• 2.5.1 PCA 验证
• 2.5.2 参数变化对MNIC 性能影响
• 2.5.3 电机噪声信号的主成分分析
• 2.6 本章小结
• 参考文献
• 第三章：瞬时混合条件下噪声信号盲分离的自适应算法
• 3.1 前言
• 3.1.1 机械噪声信号多传感器检测的盲源分离模型
• 3.1.2 瞬时混合模型的盲源分离问题概述
• 3.2 信号独立性度量
• 3.2.1 信号高斯性测度-峰度
• 3.2.2 统计独立性原理
• 3.3 信号分离准则
• 3.3.1 信息论基础
• 3.3.2 对照函数
• 3.3.3 典型自适应算法
• 3.3.4 算法性能评价准则
• 3.4 瞬时混合机械噪声两步自适应盲分离
• 3.4.1 机械噪声分离的特殊性
• 3.4.2 两阶段噪声盲分离
• 3.5 噪声分离实验
• 3.6 本章小结
• 参考文献
• 第四章 基于块处理的噪声信号盲分离算法
• 4.1 基于高阶累积量的盲分离块处理算法
• 4.1.1 三阶累积量的局限
• 4.1.2 四阶累积量
• 4.2 基于二阶统计量的联合对角化盲分离（SOBI）
• 4.2.1 假设条件
• 4.2.2 模型
• 4.2.3 联合对角化
• 4.2.4 经典的SOBI- Givens 旋转法算法流程
• 4.2.5 鲁棒的二阶盲分离算法（RSOBI）
• 4.3 基于m-spacing 熵的盲分离—RADICAL 及其改进算法 MRADICAL （Modified RADICAL）
• 4.3.1 前言
• 4.3.2 非参数熵估计基本概念
• 4.3.3 改进的RADICAL 算法——MRADICAL
• 4.4 计算机仿真实验
• 4.4.1 RSOBI 算法性能仿真实验
• 4.4.2 RADICAL、MRADICAL 盲分离性能比较实验
• 4.4.3 MRADICAL 分离机械噪声仿真实验
• 4.5 本章小结
• 参考文献
• 第五章：卷积混合条件下噪声信号盲分离算法
• 5.1 前言
• 5.2 噪声信号卷积混合模型
• 5.2.1 假设条件
• 5.3 传统的盲反卷积算法
• 5.3.1 传统卷积混合盲源分离算法
• 5.3.2 频率域算法
• 5.4 新颖的傅立叶变换系数计算
• 5.4.1 采样积分傅立叶变换(SIFT：sample integrated Fourier
• 5.4.2 滑动离散傅立叶变换(SDFT—Sliding Discrete Fourier
• 5.5 基于滑动傅立叶变换的盲反卷积算法
• 5.5.1 单点频域盲反卷积
• 5.5.2 多频点盲反卷积算法（一）
• 5.5.3 多频点盲反卷积算法（二）
• 5.6 仿真实验
• 5.6.1 多频点盲反卷积算法（一）仿真实验及性能分析
• 5.6.2 多频点盲反卷积算法（二）仿真实验
• 5.7 本章小结
• 参考文献
• 第六章 基于ICA 的故障监控与诊断
• 6.1 基于ICA 的故障监控与诊断通用框架
• 6.2 基于ICA 的特征提取
• 6.2.1 时域特征
• 6.2.2 频域特征提取
• 6.2.3 基于互信息的特征提取
• 6.3 基于ICA 和支持向量机的故障诊断
• 6.3.1 支持向量机（SVM）
• 6.3.2 基于ICA 和支持向量机的故障诊断流程
• 6.4 本章小结
• 参考文献
• 第七章 振动信号检测与盲源分离实验
• 7.1 硬件系统
• 7.1.1 AD7864 模数（A/D）转换器
• 7.1.2 基于AD7864 的同步采集
• 7.1.3 振动加速度传感器
• 7.2 实验原理
• 7.2.1 实验一
• 7.2.2 实验二
• 7.2.3 结论
• 7.3 本章小结
• 第八章 结论及工作展望
• 8.1 主要成果和创新
• 8.2 工作展望
• 致谢
• 作者在攻读博士学位期间完成的论文
• 作者在攻读学位期间完成的项目
• 附录A 项目实验照片