基于小波理论的非平稳信号特征提取与智能诊断方法研究

论文摘要

机械设备监测与诊断面临着大量的非平稳信号，研究开发处理非平稳信号的工程实用方法是促进机械设备故障诊断技术不断发展的需要。近年来迅速发展的非平稳信号处理方法和理论，特别是小波理论为机械设备状态监测与故障诊断提供了有力的工具。本文着重研究了小波理论在信号降噪、故障特征提取、模态参数识别和智能故障诊断中的应用问题，主要工作和研究成果归纳如下： （1） 介绍了小波变换的基本理论，讨论了小波变换的边界效应问题，并比较了目前已有的各种边界延拓方法的优缺点。采用了ARIMA预测模型对非平稳信号进行边界延拓，ARIMA模型同AR模型相比，增加了非平稳信号平稳化过程，从而对非平稳信号也有较好的边界延拓效果。 （2） 提出了一种基于卷积型小波包变换的多尺度降噪方法。该方法采用卷积型小波包变换，克服了传统小波包变换数据点数随分解尺度的增加而呈指数减小的问题；改进了噪声方差估计方法，从而较好地保留了信号的主要细节；采用了新的阈值函数，新阈值函数表达式简单易于计算，同Donoho软阈值函数具有一样的连续性，同时还克服了软阈值函数中估计小波系数与分解小波系数之间存在着恒定偏差的问题。仿真结果表明，新的降噪方法有效抑制了在信号奇异点附近产生的Pseudo-Gibbs现象，在信噪比增益和最小均方误差意义上均优于传统的小波包降噪方法。 （3） 针对奇异值分解降噪中矩阵有效秩的阶次难以确定的问题，提出了利用结构风险最小化原则来确定矩阵的有效秩阶次的新方法。该方法依据统计学习理论，把有效秩阶次的选择看作是一个学习过程，利用结构风险最小化原则来代替传统的经验风险最小化，从而自动得到奇异值分解降噪中矩阵的有效秩。仿真表明，该方法不但具有较好的降噪精度和算法稳定性，而且降低了消噪模型算法的复杂度。 （4） 考虑到小波包能量矩既可以反映信号能量在频域上的分布，也可以间接体现能量在时域上的分布，本文提出了一种基于小波包能量距的特征提取方法。相比于传统的基于小波包能量特征提取方法，基于小波包能量距的特征提取方法能更

论文目录

• 独创性声明
• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 故障诊断技术的研究内容
• 1.3 非平稳信号处理方法及其在故障诊断中的应用
• 1.3.1 短时傅立叶变换
• 1.3.2 二次型时频分布
• 1.3.3 Hilbert-Huang变换
• 1.3.4 小波分析
• 1.4 智能诊断技术的国内外研究现状与发展趋势
• 1.4.1 故障诊断技术
• 1.4.2 智能故障诊断技术的发展趋势
• 1.5 主要研究内容
• 第二章 小波分析理论及边界效应处理
• 2.1 小波分析理论
• 2.1.1 连续小波变换
• 2.1.2 小波时频定位
• 2.1.3 离散小波变换
• 2.1.4 多分辨率分析与正交小波变换
• 2.1.5 小波包分解
• 2.2 小波变换中的边界效应及处理
• 2.2.1 边界效应现象及原因
• 2.2.2 基于ARIMA的信号边界延拓
• 2.3 本章小结
• 第三章 非平稳信号降噪方法研究
• 3.1 基于卷积型小波包变换的信号降噪研究
• 3.1.1 卷积型小波包变换
• 3.1.2 噪声在卷积型小波包变换中的传播特性
• 3.1.3 基于卷积型小波包的信号降噪算法实现
• 3.1.4 仿真比较
• 3.1.5 小波包降噪在机械故障诊断中的应用
• 3.2 基于奇异值分解的信号降噪研究
• 3.2.1 矩阵的奇异值分解
• 3.2.2 基于奇异值分解的降噪方法
• 3.2.3 统计学习理论和结构风险最小化
• 3.2.4 基于结构风险最小化原则的奇异值分解降噪实现
• 3.2.5 仿真研究
• 3.3 本章小结
• 第四章 基于小波分析的故障特征提取
• 4.1 基于小波包能量距的特征提取
• 4.1.1 仿真信号分析
• 4.1.2 小波包能量距在转子系统故障诊断中的应用
• 4.2 基于卷积型小波包和奇异值分解的故障特征提取
• 4.2.1 基于卷积型小波包和奇异值分解的齿轮故障特征提取
• 4.3 本章小结
• 第五章 信号匹配追踪分析及在模态参数提取中的应用
• 5.1 信号的匹配追踪展开
• 5.2 粒子群算法
• 5.3 基于信号匹配追踪的模态参数提取
• 5.3.1 有阻尼振动系统的自由衰减响应函数
• 5.3.2 Laplace小波及其特性
• 5.3.3 基于信号匹配追踪的模态参数提取实现
• 5.3.4 仿真比较和应用
• 5.4 本章小结
• 第六章 基于小波神经网络的智能诊断方法研究
• 6.1 基于粗糙集理论的特征提取方法
• 6.1.1 机械故障诊断中的粗糙集理论
• 6.1.2 基于自组织特征映射网络的粗糙集离散化方法
• 6.1.3 属性约简
• 6.2 小波神经网络
• 6.2.1 多维小波分析
• 6.2.2 离散小波神经网络逼近结构
• 6.2.3 基于结构风险最小化原则的小波神经网络训练算法
• 6.2.4 基于小波神经网络的智能诊断方法
• 6.3 本章小结
• 第七章 结论与展望
• 7.1 结论
• 7.2 展望
• 参考文献
• 致谢
• 作者简介
• 作者在攻读博士学位期间发表的论文