基于小波理論的非平穩(wěn)信號(hào)特征提取與智能診斷方法研究.pdf

1、機(jī)械設(shè)備監(jiān)測(cè)與診斷面臨著大量的非平穩(wěn)信號(hào)，研究開發(fā)處理非平穩(wěn)信號(hào)的工程實(shí)用方法是促進(jìn)機(jī)械設(shè)備故障診斷技術(shù)不斷發(fā)展的需要。近年來迅速發(fā)展的非平穩(wěn)信號(hào)處理方法和理論，特別是小波理論為機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷提供了有力的工具。本文著重研究了小波理論在信號(hào)降噪、故障特征提取、模態(tài)參數(shù)識(shí)別和智能故障診斷中的應(yīng)用問題，主要工作和研究成果歸納如下： (1)介紹了小波變換的基本理論，討論了小波變換的邊界效應(yīng)問題，并比較了目前已有的各種邊界延拓

2、方法的優(yōu)缺點(diǎn)。采用了ARIMA預(yù)測(cè)模型對(duì)非平穩(wěn)信號(hào)進(jìn)行邊界延拓，ARIMA模型同AR模型相比，增加了非平穩(wěn)信號(hào)平穩(wěn)化過程，從而對(duì)非平穩(wěn)信號(hào)也有較好的邊界延拓效果。 (2)提出了一種基于卷積型小波包變換的多尺度降噪方法。該方法采用卷積型小波包變換，克服了傳統(tǒng)小波包變換數(shù)據(jù)點(diǎn)數(shù)隨分解尺度的增加而呈指數(shù)減小的問題；改進(jìn)了噪聲方差估計(jì)方法，從而較好地保留了信號(hào)的主要細(xì)節(jié)；采用了新的閾值函數(shù)，新閾值函數(shù)表達(dá)式簡單易于計(jì)算，同Donoho軟

3、閾值函數(shù)具有一樣的連續(xù)性，同時(shí)還克服了軟閾值函數(shù)中估計(jì)小波系數(shù)與分解小波系數(shù)之間存在著恒定偏差的問題。仿真結(jié)果表明，新的降噪方法有效抑制了在信號(hào)奇異點(diǎn)附近產(chǎn)生的Pseudo-Gibbs現(xiàn)象，在信噪比增益和最小均方誤差意義上均優(yōu)于傳統(tǒng)的小波包降噪方法。 (3)針對(duì)奇異值分解降噪中矩陣有效秩的階次難以確定的問題，提出了利用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則來確定矩陣的有效秩階次的新方法。該方法依據(jù)統(tǒng)計(jì)學(xué)習(xí)理論，把有效秩階次的選擇看作是一個(gè)學(xué)習(xí)過程，

4、利用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則來代替?zhèn)鹘y(tǒng)的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化，從而自動(dòng)得到奇異值分解降噪中矩陣的有效秩。仿真表明，該方法不但具有較好的降噪精度和算法穩(wěn)定性，而且降低了消噪模型算法的復(fù)雜度。 (4)考慮到小波包能量矩既可以反映信號(hào)能量在頻域上的分布，也可以間接體現(xiàn)能量在時(shí)域上的分布，本文提出了一種基于小波包能量距的特征提取方法。相比于傳統(tǒng)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有效地提取出信號(hào)在各頻帶上的能量分布特征。

5、仿真和實(shí)驗(yàn)驗(yàn)證了利用小波包能量矩進(jìn)行故障診斷是一個(gè)有效的方法。 (5)提出了一種基于小波包變換與奇異值分解方法相結(jié)合的故障特征提取方法。采用卷積型小波包變換，將單純的時(shí)域信號(hào)轉(zhuǎn)變成與原時(shí)域信號(hào)長度相同的不同頻帶的時(shí)頻信號(hào)，將時(shí)頻域信號(hào)看作是反映系統(tǒng)特征的矩陣，利用奇異值分解對(duì)時(shí)頻矩陣進(jìn)行信息提取，從而將一個(gè)多維的時(shí)頻矩陣轉(zhuǎn)變?yōu)橐粋€(gè)能反映矩陣有效信息的一維特征向量，實(shí)現(xiàn)了故障特征的有效提取。同時(shí)，針對(duì)傳統(tǒng)的奇異值分解方法無法確定每

6、一個(gè)奇異值與輸入矩陣的列向量對(duì)應(yīng)關(guān)系的缺點(diǎn)，采用了改進(jìn)的奇異值分解方法，確定了奇異值與輸入矩陣列向量的對(duì)應(yīng)關(guān)系，更好地保證了特征信息的準(zhǔn)確性。 (6)研究了信號(hào)匹配追蹤在非平穩(wěn)信號(hào)特征提取中的應(yīng)用，提出了一種基于粒子群優(yōu)化的信號(hào)匹配追蹤算法，該方法克服了傳統(tǒng)算法計(jì)算復(fù)雜的缺點(diǎn)。同時(shí)，將信號(hào)的匹配追蹤算法用于設(shè)備的模態(tài)參數(shù)提取。仿真和實(shí)際應(yīng)用表明，該方法可有效地提取設(shè)備的模態(tài)參數(shù)；且比傳統(tǒng)的半功率帶寬法具有更高的精度。 (