基于小波分析的故障模式提取研究

论文摘要

先进的故障诊断技术是设备发展的前提,没有先进的故障诊断技术设备发展就无从谈起。故障诊断技术不仅为设备发展提供动力,也是设备平稳运行的保障,避免设备故障带来的损失。在故障诊断技术中,故障特征提取至关重要,小波分析是一种新型的故障提取技术。小波分析技术在高维数据特征模式提取中有着广泛的应用。它不仅能有效降低数据维度,还能在时域和频域对信号数据进行分解,提取出信号中的激励特征。但小波分析在故障模式提取应用中有四方面配置选择问题：小波基函数选择、小波分解层数、小波系数选取和特征向量生成算法选用。这四个方面问题影响着小波分析提取出的故障模式的优劣,并制约了电路板故障智能诊断的正确率。本文通过对小波的研究,提出了小波分析在故障模式提取中的评价标准,以便于小波分析史好发挥其特性。小波分析作为一种新型的信号分解工具,能根据时域和频域的需求,拉远或拉近“显微镜”镜头,达到提取信号故障特征的目的,因此小波分析更适合提取信号低频中的轮廓信息和高频中的奇异信号特征。论文介绍了能量、极大值、小波熵三种特征提取算法和BP神经网络、支持向量机两种模式识别算法,以及信息融合技术。并在此基础上提出了波动性函数、信噪比、时间复杂度、诊断正确率等基于小波分析的故障模式提取评价标准。最后选用与或逻辑输出控制电路作为测试电路,采集信号数据。测试中,根据电路的工作原理和常见故障类型,选取25个采样节点对38种电路状态分三次采集信号波形数据。然后,以小波分析作特征提取算法,以神经网络和和支持向量机作分类器,验证了提出的小波分析配置评价标准是有效的。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究背景
• 1.2 研究的主要内容
• 1.3 解决方案及关键技术
• 1.4 论文章节安排
• 1.5 小结
• 2 研究现状及相关技术
• 2.1 研究现状
• 2.2 信号处理技术
• 2.2.1 傅里叶变换的地位及不足
• 2.2.2 小波分析的由来与前景
• 2.3 小波分析理论及其特点与难点
• 2.3.1 小波分析理论
• 2.3.2 小波分析的特点
• 2.3.3 常用小波
• 2.3.4 小波分析应用中的难点
• 2.4 特征提取技术
• 2.5 模式识别技术
• 3 电路板故障智能诊断系统设计
• 3.1 系统总体设计
• 3.1.1 系统通用方案
• 3.1.2 改进后的方案
• 3.2 智能诊断模块
• 3.2.1 BP神经网络模块
• 3.2.2 支持向量机模块
• 3.2.3 信息融合模块
• 3.3 小波分析难点突破
• 3.3.1 小波基函数选取
• 3.3.2 小波分解层数和小波系数的选择
• 3.3.3 特征向量生成算法
• 3.4 小波分析评价标准设计
• 3.4.1 特征向量波动性判定
• 3.4.2 时间复杂度判定
• 4 电路板故障诊断系统的实现
• 4.1 系统平台的搭建
• 4.2 系统实现
• 4.2.1 小波分解及评价的实现
• 4.2.2 故障训练和诊断流程的实现
• 4.2.3 基于诊断结果的小波分解评价验证实现
• 4.3 试验验证
• 4.3.1 特征向量波动性验证
• 4.3.2 小波分析评价
• 4.4 小结
• 5 结论与展望
• 5.1 主要结论
• 5.2 后续工作的展望
• 参考文献
• 申请学位期间的研究成果及发表的学术论文
• 致谢