检索结果-南通市图书馆

基于VMD-MDE的柱塞泵磨损故障诊断研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

机电工程 2021年第9期38卷 1202-1206页

作者：曲全鹏曲海军张强河南工程学院工程训练中心河南郑州451191 河南理工大学机械与动力工程学院河南焦作454003 河南睿智液压设备有限公司河南郑州451191

通过变分模态分解特征能量重构法(VMD)来实现对故障进行分析时,存在准确性不高的问题,针对这一问题,提出了一种通过变分模态分解特征能量重构法(VMD)和多尺度散布熵实现的柱塞泵滑靴磨损故障诊断方法。首先,对原始信号先进行了VMD分解,... 详细信息

通过变分模态分解特征能量重构法(VMD)来实现对故障进行分析时,存在准确性不高的问题,针对这一问题,提出了一种通过变分模态分解特征能量重构法(VMD)和多尺度散布熵实现的柱塞泵滑靴磨损故障诊断方法。首先,对原始信号先进行了VMD分解,获得了能量余量;然后,设计了一种建立在特征能量占比(FER)基础上的变分模态分解特征能量重构法(VMD)和多尺度散布熵(MDE)的方法;最后,以柱塞泵故障诊断为研究对象,通过仿真分析方法,依次对柱塞泵在正常状态与滑靴端面磨损为0.1 mm、0.2 mm、0.3 mm状态下的情况进行了分析。仿真及研究结果表明:在逐渐增加时间尺度的过程中,粗粒化序列的随机性和复杂性都明显下降;故障程度增大后,形成了更加规律的变化过程;与DE、MSE和MFE相比,该方法的计算速度更快,分离效果更好;ELM相对SVM的训练时间缩短了12.5%,同时测试精度提升了17%;相对于其他方法,采用该方法诊断柱塞泵滑靴磨损故障时获得了更快的分类速率与更高的准确性,提高了故障诊断效率。

关键词：柱塞泵磨损振动信号提取变分模态分解特征能量重构法特征能量占比多尺度散布熵

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于ZYNQ的辐射源个体识别技术研究

基于ZYNQ的辐射源个体识别技术研究

作者：冯梦飞哈尔滨工业大学

学位级别：硕士

辐射源个体识别作为一种利用辐射源信号中有差别的无意调制信息进行辐射源个体分辨的技术,在现代电子战、通信安全、网络安全等领域扮演着重要角色。目前对于该项技术的研究也较为广泛,这些研究虽然大大提高了辐射源个体识别的识别性能... 详细信息

辐射源个体识别作为一种利用辐射源信号中有差别的无意调制信息进行辐射源个体分辨的技术,在现代电子战、通信安全、网络安全等领域扮演着重要角色。目前对于该项技术的研究也较为广泛,这些研究虽然大大提高了辐射源个体识别的识别性能,但其在辐射源脉冲信号无意调制信息的充分表征、辐射源异构特征的充分利用、识别算法的硬件实现等方面仍然存在些许不足。为此本文对基于ZYNQ的辐射源个体识别技术展开研究。首先,基于辐射源个体识别中各关键算法验证时对实验数据的需求,本文以预警机雷达APS-145为例,对辐射源发射机中信号无意调制信息的来源进行了分析。据此建模了3个不同个体的仿真辐射源,并于不同信噪比下获取了来自3个不同个体的仿真信号样本。基于AD9361板卡和ZYNQ开发板搭建了半实物辐射源平台,并采集了来自4个不同个体的半实物信号样本。另外还采集了某空基平台3个不同个体的实测信号样本。其次,为寻找更能充分表征辐射源信号中无意调制信息的个体特征,本文从时域、频域和变换域出发,对基于多尺度散布熵、基于双谱和基于波原子变换的辐射源个体特征提取方法进行了研究。通过在各类信号样本下配合经典单核支持向量机的实验,表明多尺度散布熵个体特征和波原子个体特征相比于双谱个体特征识别效果更佳,且受噪声的影响更小。对于信噪比为10d B的仿真信号样本和半实物信号样本,两类特征的识别率均能达到90%以上。对于实测信号样本,两类特征的识别率也能达到85%以上。最后,基于对多域特征应用于辐射源个体识别时异构特性的考虑,本文在几种常见多核学习和支持向量机的基础上,研究了一种更能充分利用多域特征异构信息的多核学习方法,即数据联合多核学习。通过在各类信号样本下简单多核学习和数据联合多核学习的对比实验,表明在仿真信号样本、半实物信号样本和实测信号样本下,数据联合多核学习对于辐射源个体识别性能的提升都更加明显。另外,基于辐射源个体识别算法硬件实现的考虑,本文在ZYNQ开发板上设计了双谱个体特征提取和单核支持向量机决策过程的FPGA程序,通过Modelsim工具对各FPGA程序进行了仿真,并以PC机下的计算结果为标准,分析了各FPGA程序的计算误差。结果显示双谱个体特征提取FPGA程序的计算结果相对误差小于0.08%,单核支持向量机决策过程FPGA程序的计算结果,与PC机下的计算结果基本一致。

关键词：辐射源个体识别多尺度散布熵波原子变换多核学习 ZYNQ

基于改进奇异谱分解与散布熵的滚动轴承故障诊断方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进奇异谱分解与散布熵的滚动轴承故障诊断方法研究

作者：毛永杰东南大学

学位级别：硕士

滚动轴承被誉为旋转机械的“关节”部件之一,在现代工业设备中应用广泛。然而轴承在工作中常处于重载、高速等恶劣工况,一旦发生故障可能会导致设备损坏,甚至威胁工人的生命安全。因此,研究滚动轴承的状态监测和故障诊断技术对于保障旋... 详细信息

滚动轴承被誉为旋转机械的“关节”部件之一,在现代工业设备中应用广泛。然而轴承在工作中常处于重载、高速等恶劣工况,一旦发生故障可能会导致设备损坏,甚至威胁工人的生命安全。因此,研究滚动轴承的状态监测和故障诊断技术对于保障旋转机械安全平稳运行具有深远的意义。本文以滚动轴承为研究对象,以振动信号为分析媒介,在奇异谱分解（SSD）算法和散布熵（DE）理论的基础上,对现有的滚动轴承故障诊断方法展开了深入研究并做出优化。主要内容如下:（1）介绍了SSD的基本原理,并结合仿真信号分析总结了SSD算法在处理滚动轴承故障信号时存在的两个局限性,分别为带宽估计模型适用性问题以及嵌入维数按经验公式选取的问题。此外,结合仿真信号研究了嵌入维数对分解结果的影响规律,为后续的改进奠定理论基础。（2）针对SSD处理滚动轴承故障信号时存在的局限性,提出了一种改进SSD算法。该方法相比传统SSD使用顺序统计滤波器计算振动信号功率谱的上包络,之后再通过高斯叠加谱模型拟合上包络线以提高主峰带宽估计精度;并基于提出的模态混叠指标和过分解指标选取每次迭代的最优嵌入维数以改善分解结果、抑制模态混叠。通过仿真和实验分析对提出方法与对比方法进行了定量评估,结果表明提出的方法具有更强的故障特征提取能力,且相比传统SSD可以有效减少虚假模态数量,计算效率更稳定。（3）针对DE不考虑同类别相邻点幅值关系的问题,提出了一种精细散布熵（RDE）算法,该算法进一步统计属于同一散布模式的嵌入矢量分布情况,并根据分布情况重新定义了散布模式概率的计算方式,且其概率与嵌入矢量的分布集中程度成正比,仿真实验表明提出的方法具有更强的检测序列微小复杂度变化的能力。此外,为了增强多尺度DE的特征提取能力,定义了一种基于均方根和谱负熵加权的复合多尺度精细散布熵（SNE-w CMRDE）,该方法通过引入权重以增强或抵消散布熵在某些尺度下的估计值,仿真实验表明该方法相比传统多尺度熵对信号复杂度的估计结果更符合人们的预期。（4）为了增强多尺度DE的抗噪能力,提出了一种基于改进SSD和SNE-w CMRDE的滚动轴承故障诊断方法,该方法首先使用改进SSD对振动信号进行分解并重构以提高信噪比,随后提取信号的SNE-w CMRDE特征以构成特征向量。两个滚动轴承实验数据集应用结果表明,提出方法相比传统多尺度DE具有更强的区分故障程度和故障类型的能力,且鲁棒性更强。

关键词：滚动轴承故障诊断特征提取奇异谱分解多尺度散布熵

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多重同步压缩变换的癫痫脑电分析与处理

基于多重同步压缩变换的癫痫脑电分析与处理

作者：杨玉莹山东师范大学

学位级别：硕士

癫痫是人脑非正常放电而导致的神经生物学疾病。具有发作时伴随紧急性的特点。脑电图是用来监测人脑活动的重要工具。目前,临床上脑电图主要由神经科医生进行标注,然而通过人眼检查以获取脑电图中的有用信息是既费力又耗时的。因此,如... 详细信息

癫痫是人脑非正常放电而导致的神经生物学疾病。具有发作时伴随紧急性的特点。脑电图是用来监测人脑活动的重要工具。目前,临床上脑电图主要由神经科医生进行标注,然而通过人眼检查以获取脑电图中的有用信息是既费力又耗时的。因此,如果能够发展基于数据算法的脑电信号自动分析与处理方法,实现致痫区的自动识别与癫痫发作期的自动检测,可有效减少人为主观的误判率,对癫痫疾病的诊疗有着极其重要的意义。传统的时频域分析方法在处理脑电信号时,受限于海森堡不确定性原理,无法保证良好的时频聚集性。本文提出了基于多重同步压缩变换的致痫区脑电识别方法。多重同步压缩变换采用迭代再分配的方法,逐渐增强时频分布脑电特征提取的能量集中度。从而可以高效研究多分量强时变信号,获得非平稳信号中各脑电特征分量的时频特性。首先,对原始脑电数据进行滤波处理,以减少相位畸变。使用多重同步压缩变换系数作为脑电信号分解后的时频特征,用于对致痫区脑电的识别。分别在两个不同的开源癫痫脑电数据库上,采用支持向量机作为分类器,对所提出的基于多重同步压缩变换的脑电特征进行验证。实验结果表明了本文所提出的方法的有效性,并且不同的脑电数据库上的良好结果又体现了本文方法的泛化性能。与此同时,本文基于多重同步压缩变换并结合多尺度散布熵与多标签k近邻算法,提出了癫痫发作自动检测方法。首先对原始脑电信号进行滤波处理和快速傅里叶变换,通过分析时频图得到条件优异的导联。然后,进行多重同步压缩变换,并在脑电特征中引入了多尺度散布熵,克服单一尺度的散布熵问题和提取信号时复杂的特征不完全现象。最后,结合最大后验概率,采用多标签k近邻算法在连续长程脑电信号中识别癫痫发作期。该算法可利用未知标签脑电数据中存在的有用信息,从而减少标注成本。在开源的连续长程头皮脑电数据库上验证了本文所提出的方法的性能。由于结合了多尺度散布熵,实验过程中,脑电信号的特征提取和偏差校正均得到很大程度的改善。并且获得了令人满意的实验结果,平均敏感度为91.85%,平均特异性为93.61%。与其他已有的发作检测方法的对比进一步体现本文方法的优异性。本文基于多重同步压缩变换对癫痫患者的脑电信号进行分析与处理,分别提出了致痫区脑电识别与癫痫发作检测方法,有助于促进时频分析在脑电信号处理中的应用。未来工作中,将在临床收集的更大规模的脑电数据集中,进一步对本文方法进行评估验证和完善。

关键词：癫痫检测时频分析多重同步压缩多尺度散布熵多标签k近邻

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

滚动轴承的退化特征提取与性能退化评估

滚动轴承的退化特征提取与性能退化评估

作者：杨潇谊昆明理工大学

学位级别：硕士

旋转机械广泛应用于工业领域,滚动轴承是旋转机械中常用的关键部件。由于轴承的故障可能导致机械系统的级联故障,进而导致经济损失甚至灾难性事故。因此轴承的健康状况对整个机器的可靠性、可用性、可维护性和安全性有重大影响。准确地... 详细信息

旋转机械广泛应用于工业领域,滚动轴承是旋转机械中常用的关键部件。由于轴承的故障可能导致机械系统的级联故障,进而导致经济损失甚至灾难性事故。因此轴承的健康状况对整个机器的可靠性、可用性、可维护性和安全性有重大影响。准确地完成滚动轴承性能退化评估,有利于实际工程中及时发现轴承退化情况,制定针对性维护计划,从而提高维护效率。实现轴承性能退化状态评估的主要方法之一是基于对被测振动信号的分析,但由于实际采集到的数据信息丰富,呈现出非线性、非平稳性的特点,难以直观地评估轴承所处的退化状态。因此,本文从信号预处理、退化特征提起性能退化评估三个方面展开研究,主要研究工作内容如下:（1）针对传统自适应分解方法存在模态混叠、端点效应的缺陷,本文拟通过变分模态分解（Variational Mode Decomposition,VMD）方法对信号进行预处理,并通过融合相关系数、动态时间规整和峭度值得到集成指标,根据集成指标选取含故障信息最多的模态分量完成信号重构,进行后续分析。将该方法应用于实际滚动轴承信号进行分析,实验结果表明,该方法可以很好地完成信号预处理,实现信号的分解去噪。（2）针对多尺度散布熵（Multiscale Dispersion Entropy,MDE）在粗粒化过程中易发生信息丢失、产生虚假信息,难以全面提取轴承故障信息的问题,提出了改进的精细复合多尺度归一化散布熵（Improved Refined Composite Multiscale Normalized Dispersion Entropy,IRCMNDE）作为轴承的退化特征。首先,引入精细复合多尺度散布熵（Refined Composite Multiscale Dispersion Entropy,RCMDE）,将其粗粒化过程中平均值改进为最大值来表示数据段信息,以克服传统粗粒化过程的不足,并突出故障特征。然后,通过归一化操作减弱熵值计算时,因参数选择不同而导致的熵值波动,得到IRCMNDE。最后,通过轴承实际信号进行分析,实验结果表明,IRCMNDE有效克服了MDE在粗粒化过程中的缺陷,相比于MDE、RCMDE和IRCMDE,能够更准确地提取滚动轴承的故障特征信息。（3）针对现有方法多仅基于幅度相似性而忽略角度相似性的问题,提出了基于余弦欧式距离的性能退化评估方法。首先,结合余弦距离和欧式距离得到余弦欧式距离。然后,以IRCNMDE为退化特征,计算健康数据和测试数据IRCNMDE熵值之间的余弦欧式距离,绘制滚动轴承退化趋势曲线。最后,通过切比雪夫不等式建立轴承的健康阈值,评估轴承性能退化状态。实验结果表明,余弦欧式距离可以有效、及时地判断轴承性能退化状态,能够更好地刻画滚动轴承性能退化趋势。

关键词：滚动轴承性能退化评估变分模态分解多尺度散布熵余弦欧式距离

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于奇异谱分解的振动故障诊断方法研究

基于奇异谱分解的振动故障诊断方法研究

作者：李琛华北电力大学

学位级别：硕士

随着社会的进步和科学技术的快速发展,现代化生产越来越离不开各式各样的旋转机械,齿轮和滚动轴承作为旋转机械中的关键部件,直接决定着整个机械系统能否正常运行,其安全性对整个设备的正常运行也有着极大影响。深入开展齿轮和滚动轴承... 详细信息

随着社会的进步和科学技术的快速发展,现代化生产越来越离不开各式各样的旋转机械,齿轮和滚动轴承作为旋转机械中的关键部件,直接决定着整个机械系统能否正常运行,其安全性对整个设备的正常运行也有着极大影响。深入开展齿轮和滚动轴承故障诊断和状态检测技术的研究,对于保障设备安全平稳运行、避免生产过程中重大安全事故的发生具有重要的现实意义。因此,本文以齿轮和滚动轴承为研究对象,将奇异谱分解与Wigner-Ville分布、1.5维谱、多尺度散布熵以及支持向量机结合,采用多种算法结合实现对齿轮和滚动轴承的故障诊断。论文所做工作及取得的成果如下:对奇异谱分解(SSD)和Wigner-Ville分布(WVD)在时频分析方面的性能进行研究,探究了一种基于奇异谱分解的自适应故障诊断新方法(SSD-WVD),并将其应用于齿轮故障诊断。首先利用奇异谱分解良好的自适应分解能力,对原始振动信号进行分解,得到若干SSC分量;然后对每一个SSC分量求峭度值,根据所求峭度值大小挑选出最优SSC分量;最后计算最优SSC分量的Wigner-Ville分布。经过实测信号分析发现,SSD-WVD方法对齿轮故障具有很好的诊断效果。针对奇异谱分解算法分解信号时无法实现最佳分解个数和最优分量选取的问题,利用特征能量比(FER)对SSD方法进行改进;应用SSD良好的分解特性,针对滚动轴承故障特征信息难以提取的问题,采用了一种基于奇异谱分解与1.5维谱结合的滚动轴承故障诊断方法;经过实验分析,验证了本文所提方法在滚动轴承故障特征提取方面的有效性。面对实际复杂工况中滚动轴承状态识别的问题,研究了一种基于奇异谱分解的多尺度散布熵(MDE)与支持向量机(SVM)相结合的滚动轴承故障识别与分类方法;首先利用奇异谱分解算法对原始信号进行分解,选取出故障特征信息丰富的分量作为主分析分量,再使用MDE算法对主分量进行多尺度特征提取,构造特征向量,最后将特征向量输入到SVM分类器中,经训练测试后对滚动轴承状态进行模式识别,实现了滚动轴承故障的诊断和分类。

关键词：故障诊断奇异谱分解 Wigner-Ville分布 1.5维谱多尺度散布熵

基于VMD-MDE和ELM的柱塞泵微弱故障诊断

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

振动．测试与诊断 2020年第4期40卷 635-642,818页

作者：程珩励文艳权龙赵立红关澈韩露太原理工大学新型传感器与智能控制教育部重点实验室太原030024 太原理工大学新型传感器与智能控制山西省重点实验室太原030024 太原理工大学机械工程学院太原030024

针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)多尺度散布熵(multiscale dispersion entropy,简称MDE)和极限学习机(extreme learning machine,简称ELM)的柱塞泵微弱故障诊断方法。首先,采集各状态的振动信号进行VMD分解,得到若干模态分量,根据各模态分量Hilbert包络谱中特征频率能量贡献率大小,提出以归一化特征能量占比(feature energy ratio,简称FER)为重构准则的变分模态分解特征能量重构法(variational mode decomposition feature-energyreconsitution,简称VMDF),对各模态分量进行信号重构;其次,计算重构信号的MDE,对各尺度散布熵进行分析,选择有效尺度散布熵作为特征向量;最后,将提取的特征向量输入ELM完成故障模式识别。柱塞泵不同程度滑靴端面磨损故障的实验结果表明,该方法不仅提高了模式识别效率,还可以更好地反映故障程度变化规律,具有较好的应用性。

关键词：变分模态分解多尺度散布熵极限学习机特征能量占比滑靴磨损微弱故障诊断