检索结果-南通市图书馆

检索条件"主题词=加权稀疏分类"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于改进分析字典的轴承故障特征增强与稀疏分类方法研究

基于改进分析字典的轴承故障特征增强与稀疏分类方法研究

引用

作者：张红杰北京化工大学

学位级别：硕士

高端装备是推动制造业高质量发展的利器,滚动轴承作为高端设备中必不可少的核心部件,经常在高速、重载等工况复杂条件下运行,当发生故障时,采集到的监测信号由于受冗余信息和多重干扰的影响,常呈现出故障特征微弱、故障状态识别难等问... 详细信息

高端装备是推动制造业高质量发展的利器,滚动轴承作为高端设备中必不可少的核心部件,经常在高速、重载等工况复杂条件下运行,当发生故障时,采集到的监测信号由于受冗余信息和多重干扰的影响,常呈现出故障特征微弱、故障状态识别难等问题。论文以滚动轴承为研究对象,以稀疏表示原理为理论基础,为实现轴承微弱故障特征增强和提取以及监测大数据背景下的故障识别,提出了基于降冗分量的组稀疏学习特征增强、基于特征字典的特征提取和基于先验特征分析字典的故障识别等方法。主要研究成果如下:(1)针对低信噪比信号受冗余分量的影响导致故障特征微弱、传统组稀疏方法依赖于参数调整,且易受近似正则化而引起的算法退化问题,提出了稀疏贝叶斯组稀疏学习框架,该框架无需调整超参数,利用变分贝叶斯推理技术获得模型最优解,提升了诊断精度。为进一步减少冗余分量的干扰,提出了基于降冗分量的组稀疏学习故障特征增强方法,该算法有效降低了噪声等冗余信息的干扰,增强了故障特征,实现了振动信号的微弱故障特征提取。(2)针对传统字典原子与故障脉冲匹配度差、故障信号受噪声和谐波分量干扰导致故障特征提取难的问题,提出了基于双阻尼小波原子的特征分析字典构造方法。通过频域分析和相关搜索法确定小波原子的最佳参数,以该小波作为特征字典基函数,通过托普利兹延拓为完备字典,实现了故障脉冲振动模型的灵活表征。提出了自适应稀疏度Lasso求解方法,利用自适应参数选择策略,避免了手动调整参数,提高了求解效率。基于离散余弦变换具有分离周期信号与谐波信号的特性,结合双阻尼小波特征字典,提出了基于双稀疏字典的故障诊断方法,可有效从含有谐波和随机脉冲的噪声干扰中提取故障瞬态冲击特征。(3)针对监测大数据背景下故障模式识别难的问题,构建了基于先验特征分析字典的加权稀疏分类模型,实现了轴承故障分类。用分析字典代替传统的学习字典,降低样本训练过程中噪声等冗余信息的干扰。在双阻尼小波原子的基础上引入脉冲周期先验知识,充分利用故障诱发的周期性瞬态冲击特征,提出了先验特征分析字典构造方法。以聚类效果为判别准则选取样本的时域参数作为加权系数,改进稀疏求解模型,获得更加关注样本局部特征的稀疏参量。通过基于稀疏近似的互相关分类准则对测试信号进行相关性分析,解决了计算冗余误差带来的时移问题,实现了滚动轴承的故障类型识别。综上,论文提出了基于降冗分量的组稀疏学习算法、构建了改进特征分析字典稀疏表示模型和先验特征分析字典故障分类模型。通过仿真模拟信号、本实验室试验台信号和工程设备信号分析,验证了所提方法的可行性和有效性。

关键词：轴承稀疏表示特征字典故障诊断加权稀疏分类

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于稀疏表示的机械故障特征提取与诊断方法研究

基于稀疏表示的机械故障特征提取与诊断方法研究

引用

作者：任帮月北京化工大学

学位级别：硕士

为解决复杂工况下机械微弱故障特征的提取问题,降低海量监测数据中冗余信息对特征提取结果的影响,同时在稀疏模型下实现机械故障状态的识别。本文基于稀疏表示理论,研究了基于受控极小化(MM)的稀疏表示故障特征增强方法、基于终止准则改... 详细信息

为解决复杂工况下机械微弱故障特征的提取问题,降低海量监测数据中冗余信息对特征提取结果的影响,同时在稀疏模型下实现机械故障状态的识别。本文基于稀疏表示理论,研究了基于受控极小化(MM)的稀疏表示故障特征增强方法、基于终止准则改进K-SVD字典学习的稀疏表示特征提取方法以及基于字典学习的加权稀疏表示故障分类方法。主要内容如下:(1)开展了基于受控极小化的稀疏表示故障特征增强方法研究。强背景噪声下或故障发生初期,故障特征表现微弱难以准确提取。为了有效增强故障特征,建立了基于小波基与受控极小化的稀疏表示特征增强模型。首先借助相关滤波选取最优小波基原子,原子张成构建稀疏字典;其次设计一种优化函数将基追踪l1范数问题转化为一系列凸优化迭代问题求解,最后不断优化迭代,实现故障信号的稀疏降噪与特征增强。此外,针对稀疏字典构建效率较低、优化迭代效果不理想的问题,还探究了一种改进的受控极小化算法,利用单位矩阵替换小波字典,简化迭代函数,在提升特征增强效果的同时降低了运算复杂度。(2)提出了终止准则改进K-SVD字典学习的稀疏特征提取方法。针对分析字典的稀疏表示方法自适应性较差的问题,开展了字典学习算法研究。传统K-SVD算法在字典学习过程中,由于目标信号的稀疏度未知导致字典学习收敛结果误差较大、稀疏表示效果较差,因此建立了基于终止准则改进的K-SVD字典学习稀疏特征提取模型。提出了一种改进的K-SVD字典学习算法,优化稀疏目标函数与约束条件,在无需设置稀疏度的前提下,构造出准确匹配故障冲击成分的字典,同时,构建了一种残差阈值改进的正交匹配追踪算法实现信号的稀疏编码。此外,针对字典原子受噪声影响较大的问题,提出了基于变分模态分解(VMD)与改进K-SVD字典学习稀疏特征提取方法,采用VMD算法对信号进行预处理,有效降低噪声对字典学习的干扰。通过仿真及实测信号,对比分析了传统K-SVD算法、终止准则改进的K-SVD算法以及结合VMD与改进K-SVD算法对故障信号的稀疏表示与微弱故障特征提取效果。(3)建立了基于字典学习的加权稀疏表示故障分类方法模型,以不同类别信号在稀疏字典下的线性组合结果的差异性实现故障的分类。为解决传统稀疏分类方法忽略样本局部特征信息导致故障分类准确率降低,以及样本包含大量冗余信息导致分类效率降低的问题,构建了一种字典学习的加权稀疏表示故障分类模型。基于上述终止准则改进的字典学习算法构建训练样本,利用字典原子代替原始信号,有效降低了样本冗余成分,提高分类效率;借助K-means聚类算法选择最优时域特征参数作为加权系数,通过求解加权l0范数问题实现测试样本的稀疏编码,有效增强了样本局部特征。此外,为了克服振动信号时移偏差对分类结果的影响,借助相关函数分析,取相关性最大作为故障分类的判别条件,以相关性代替冗余误差,有效解决时移问题。

关键词：稀疏表示字典学习特征增强加权稀疏分类受控极小化

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：