基于参数化模型的非平稳特征提取及其智能诊断研究

论文摘要

随着机械设备向复杂化、自动化方向发展,智能诊断在现代生产中起着越来越大的作用。为了获得更高的识别率,基于信号处理与神经网络相结合实现故障智能诊断成为了当今主要的发展方向。在复杂工况条件下,机械设备的振动信号显示出非平稳性,因此对非平稳信号的特征提取并对其故障进行智能识别是非常必要的。本文深入研究了时变自回归(TVAR)和条件异方差(Garch)对非平稳信号的建模分析,并基于参数化模型特征,采用支持向量机(SVM)、隐马尔科夫(HMM)等方法对滚动轴承的不同故障进行了智能诊断。具体内容如下:针对非平稳信号的参数化建模,本文研究了TVAR方法。分别基于自适应算法和基函数算法求解模型的时变参数与谱估计,提出采用AIC准则确定模型阶数。通过仿真分析,证明了TVAR模型时频谱分辨率高、没有交叉项;而基函数算法的TVAR时频谱受噪声影响小,能跟踪快速变化的频谱,弥补了自适应算法对噪声敏感的缺点。同时,针对TVAR模型难以跟踪突变信号的问题,本文研究了Garch的建模与分析步骤。通过仿真信号分析表明Garch的条件方差准确反映了信号频率的突变性或冲击性。本文深入研究了SVM和HMM模型及其诊断原理与方法。首先采用一对多方法解决SVM的多类分类问题,探讨了其故障分类步骤;同时研究了HMM的训练算法和故障诊断流程,采用Lloyd算法对信号特征样本进行量化。然后,基于Matlab语言实现了SVM和HMM的故障诊断。通过滚动轴承故障的诊断实例,表明了SVM具有出色的学习性能,尤其在小样本的情况下分类能力强,很好地解决了神经网络所需学习样本多、陷入局部极值等问题;同时发现HMM具有在小样本情况下判断精度高、自学习能力强的优点;尤其针对机械振动信号的非平稳性强、特征重复再现性不佳的特性,该模型识别率很高。在上述研究基础上,基于Labview开发了滚动轴承信号的参数化模型分析与智能诊断软件。该系统基于Windows XP平台,实现了非平稳信号的TVAR时频分析以及基于SVM、HMM的智能诊断等功能。这些研究成果对促进非平稳信号的特征提取及智能诊断具有重要意义。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 非平稳信号特征提取方法概述
• 1.2.1 非平稳信号的参数化特征提取的研究概述
• 1.2.2 时变自回归理论与发展现状
• 1.2.3 Garch 模型理论及发展现状
• 1.3 智能诊断技术发展概况
• 1.3.1 智能诊断技术研究现状
• 1.3.2 智能诊断技术存在的问题
• 1.3.3 支持向量机概述
• 1.3.4 隐马尔科夫模型概述
• 1.4 论文研究内容
• 第二章 时变自回归与异方差特征提取
• 2.1 TVAR 模型
• 2.1.1 TVAR 时变参数辨识及谱估计
• 2.1.2 模型定阶
• 2.1.3 仿真信号分析与研究
• 2.2 Garch 模型
• 2.2.1 信号异方差特性分析
• 2.2.2 非平稳信号异方差建模
• 2.2.3 仿真信号分析与研究
• 2.3 本章小结
• 第三章 基于支持向量机与隐马尔科夫模型的智能诊断
• 3.1 基于SVM 的故障识别
• 3.1.1 SVM 的分类训练算法
• 3.1.2 SVM 模型结构与识别步骤
• 3.2 基于HMM 的故障识别
• 3.2.1 HMM 诊断原理
• 3.2.2 HMM 训练与故障识别
• 3.2.3 矢量量化
• 3.3 本章小结
• 第四章 轴承故障参数化特征提取及其智能诊断
• 4.1 滚动轴承故障实验与数据采集
• 4.2 基于参数化模型的轴承振动信号分析
• 4.2.1 基于基函数模型的滚动轴承TVAR 建模分析
• 4.2.2 基于自适应算法的滚动轴承TVAR 建模分析
• 4.2.3 基于AR-Garch 模型的轴承故障分析
• 4.3 滚动轴承信号的参数化非平稳特征提取
• 4.3.1 基于TVAR 时频谱特征提取方式
• 4.3.2 基于Garch 分析与建模的特征提取
• 4.4 基于SVM 的轴承故障智能诊断研究
• 4.4.1 基于TVAR 时频谱与SVM 的轴承故障诊断
• 4.4.2 基于Garch 系数与SVM 的轴承故障诊断
• 4.5 基于HMM 的轴承故障诊断研究
• 4.5.1 基于TVAR 时频谱与HMM 的轴承故障诊断
• 4.5.2 基于Garch 与HMM 的轴承故障诊断
• 4.6 基于Labview 的非平稳故障智能诊断系统
• 4.7 本章小结
• 第五章 结论与展望
• 5.1 工作总结
• 5.2 后续展望
• 参考文献
• 发表论文和参加科研情况说明
• 致谢