检索结果-内蒙古大学图书馆

系统仿真学报 2009年第8期21卷 2369-2372页

作者：胡桥郝保安吕林夏陈亚林孙起钱建平中国船舶重工集团公司第七0五研究所西安710075

为了解决远程微弱的水声目标信号难以准确检测的问题,提出了一种新的基于经验模式分解(EMD)、特征距离评估技术和模糊支持向量数据描述(FSVDD)的水声目标智能检测模型。首先,该模型利用滤波、Hilbert包络解调和EMD等方法提取原始水声信... 详细信息

为了解决远程微弱的水声目标信号难以准确检测的问题,提出了一种新的基于经验模式分解(EMD)、特征距离评估技术和模糊支持向量数据描述(FSVDD)的水声目标智能检测模型。首先,该模型利用滤波、Hilbert包络解调和EMD等方法提取原始水声信号的时域和频域统计特征,构成综合特征集。其次,通过特征距离评估技术从综合特征集中选取敏感特征集。最后,将敏感特征输入到FSVDD检测器中,实现水声目标的智能检测。将该模型应用于仿真的水下航行器辐射噪声数据的目标检测中,研究结果表明,同常规的支持向量数据描述检测器相比,该模型具有更好的检测性能,目标检测准确率高。

关键词：特征提取特征选择模糊支持向量数据描述水声目标智能检测

来源：评论

学校读者我要写书评

暂无评论

基于FVMD-MPE和FSVDD的运行可靠性评估方法

基于FVMD-MPE和FSVDD的运行可靠性评估方法

引用

作者：孙飞燕山大学

学位级别：硕士

机械设备的正常运转是工业生产的重要保障,因而其运行可靠性评估技术日益受到重视。论文以振动信号分析为基础,从特征提取、运行可靠性评估两个关键环节进行研究,提出了基于快速变分模态分解、参数优化的多尺度排列熵和模糊支持向量数... 详细信息

机械设备的正常运转是工业生产的重要保障,因而其运行可靠性评估技术日益受到重视。论文以振动信号分析为基础,从特征提取、运行可靠性评估两个关键环节进行研究,提出了基于快速变分模态分解、参数优化的多尺度排列熵和模糊支持向量数据描述的运行可靠性评估方法。通过建立机械设备运行状态信息与可靠性之间的关系,进而实现机械设备的运行可靠性评估。首先,为进一步加快对信号分解速度,在变分模态分解的基础上,研究一种基于快速变分模态分解的信号分析方法。该方法引入快速迭代的思想,对拉格朗日乘法算子进行二次更新,在迭代终止准则不变的情况下,加快了算法的收敛速度。通过仿真信号对快速变分模态分解方法分解性能进行分析验证,并用轴承实测信号验证其有效性。其次,通过分析多尺度排列熵算法的参数时间序列长度N、嵌入维数m、延迟时间τ和尺度因子s对多尺度排列熵的影响,针对多尺度排列熵算法的参数确定问题,提出基于有向自组织动态拓扑结构两阶段微粒群算法的多尺度排列熵参数优化方法。之后,将快速变分模态分解与参数优化的多尺度排列熵结合提取故障特征信息,最后采用轴承实测信号验证所提方法的有效性。再次,为解决在运行可靠性评估中缺少故障样本的问题,提出了基于模糊支持向量数据描述的运行可靠性评估方法,该方法只需要正常状态下的样本就可以建立运行可靠性评估模型。同时,模糊支持向量数据描述是在支持向量数据描述的基础为每个样本引入隶属度系数,进而能够描述每个样本的重要程度或所属类别的不确定性,能够建立更有效的评估模型。最后通过轴承振动信号验证其有效性。最后,在实验平台上采集齿轮不同转速和不同负载的振动信号,利用快速变分模态分解方法对采集的振动信号进行分解并重构,与参数优化的多尺度排列熵算法结合进行信号特征提取,最后采用模糊支持向量数据描述进行运行可靠性评估。结果表明,本文所提方法能够准确评估出不同转速和不同负载齿轮的运行可靠性。

关键词：运行可靠性评估状态信息快速变分模态分解多尺度排列熵模糊支持向量数据描述

来源：评论

学校读者我要写书评

暂无评论

基于MED-FVMD模糊近似熵和FSVDD的运行可靠性评估方法

基于MED-FVMD模糊近似熵和FSVDD的运行可靠性评估方法

引用

作者：周能元燕山大学

学位级别：硕士

工业4.0的到来不仅要求机械设备更加智能化,也对机械设备的可靠性有了更高的要求。本文以机械设备运行状态信息为基础,以信号处理技术为主要手段,分别从信号采集、状态特征提取和运行可靠性评估三方面着手,提出了基于最小熵解卷积-快速... 详细信息

工业4.0的到来不仅要求机械设备更加智能化,也对机械设备的可靠性有了更高的要求。本文以机械设备运行状态信息为基础,以信号处理技术为主要手段,分别从信号采集、状态特征提取和运行可靠性评估三方面着手,提出了基于最小熵解卷积-快速变分模态分解、模糊近似熵和模糊支持向量数据描述的运行可靠性评估方法。首先,针对机械设备早期损伤状态信息易受到强背景噪声干扰而不易被提取的问题,提出一种基于最小熵解卷积-快速变分模态分解和模糊近似熵的状态特征提取方法。该方法利用最小熵解卷积对信号进行降噪,并增强原始信号中原本被噪声淹没的脉冲特性,利用快速变分模态分解对降噪后的信号进行分解,利用模糊近似熵量化经快速变分模态分解后所得的模态分量并构造特征向量。其次,针对机械设备运行可靠性评估中样本数据不足的问题,结合模糊支持向量数据描述在建立机械设备运行可靠性评估模型时只需要机械设备正常样本数据的优点,以及该方法能够区分数据置信度的特点,引入一种基于模糊支持向量数据描述的运行可靠性评估模型,并将所提评估模型应用于滚动轴承实测信号中,来验证其有效性。最后,在实验台上采集齿轮不同工况下的实验数据,利用基于最小熵解卷积-快速变分模态分解和模糊近似熵的状态特征提取方法对采集的信号进行状态特征提取并构建状态特征向量,然后利用基于模糊支持向量数据描述的运行可靠性评估模型对所构建的状态特征向量进行评估。结果表明,本文所提方法可以有效地评估出齿轮不同工况下的运行可靠性。

关键词：运行可靠性评估最小熵解卷积快速变分模态分解模糊近似熵模糊支持向量数据描述

来源：评论

学校读者我要写书评

暂无评论

基于核可预测元分析的非线性故障检测与辨识

基于核可预测元分析的非线性故障检测与辨识

引用

作者：宋新建上海交通大学

学位级别：硕士

随着现在的工业过程越来越复杂,繁琐的生产流程和数据变量的高度耦合非线性使得基于数学模型和定性知识的方法在复杂工况下很难得到实际应用,而基于数据驱动的故障检测与辨识方法在处理大规模的复杂工业过程数据方面展现了极强的优势。... 详细信息

随着现在的工业过程越来越复杂,繁琐的生产流程和数据变量的高度耦合非线性使得基于数学模型和定性知识的方法在复杂工况下很难得到实际应用,而基于数据驱动的故障检测与辨识方法在处理大规模的复杂工业过程数据方面展现了极强的优势。特别是多元统计方法,能够利用各种数据挖掘和机器学习方法从大量的历史数据中提取出能够表征过程状态信息的隐含特征,因此在实际过程中得到了广泛应用。针对复杂工况过程数据的特点以及传统多元统计方法的不足之处,本文将核可预测元(KForeCA)方法引入到故障检测与辨识领域。KForeCA是基于谱密度的熵最小化理论而提出的,考虑了数据的时序相关性,同时又引入了核方法,不仅能够提取具有动态时序特性和可预测性的数据特征,而且对数据分布没有假设,还能很好地处理高维非线性的过程数据,能够更加全面的表征过程数据的变化趋势和本质特征。本文基于KForeCA方法进行了以下几个方面的研究:(1)针对单一核方法模型在非线性过程检测性能的不足以及核参数选择的难题,本文引入了集成学习的思想,提出了一种基于集成核可预测元(EKForeCA)的非线性故障检测方法,选取一系列的核函数进行集成学习,训练得到若干不同的KForeCA子模型,利用贝叶斯方法将各个子模型的监测统计量转换为故障概率,通过加权组合策略将各个子模型的结果合成得到最终的检测结果。仿真结果证明,本方法可以有效提高非线性故障检测的检测效果和鲁棒性。(2)针对传统的故障诊断方法在处理稀少样本数据和多故障诊断方面存在的不足以及对数据特征分布的要求,本文引入了支持向量数据描述(SVDD)方法。为了对样本集做出更精确的描述,体现样本在数据集合中的位置关系以及不同样本点对于超球体球面的贡献度差异,解决不均衡样本的分类问题,本文引入了kNN最近邻算法计算样本点的局部密度,结合模糊理论中的隶属度函数方法,提出了一种基于局部密度的模糊支持向量数据描述算法(Fuzzy Support Vector Data Description,FSVDD),增大边界样本点的权重,减小类内样本点的权重,根据样本的权重设定样本隶属度,提高对目标样本集合描述的精确度。(3)为了避免观测数据噪声的累加对于故障辨识模型的影响,提高故障辨识的效果,本文将FSVDD与KForeCA相结合,提出了基于KForeCA-FSVDD的故障辨识模型。首先使用KForeCA对高维的数据进行降维处理,提取观测数据中的非线性动态时序特征,求取特征空间的映射矩阵。然后直接根据提取的特征空间建立FSVDD模型,通过辨识规则进行单故障与多故障的辨识。该方法在保留了KForeCA强大的非线性特征提取能力的同时,结合了FSVDD在样本分类和故障辨识方面的优越性能,可以有效提高辨识模型的效果。(4)最后本文将基于EKForeCA的故障检测方法和基于KForeCA-FSVDD的故障辨识方法应用于GIS领域,基于GIS断路器的分合闸线圈电流对GIS进行故障检测与辨识,证明了本文所提出的方法在GIS过程监测领域的有效性及其潜在的应用价值。

关键词：核可预测元分析集成学习模糊支持向量数据描述 GIS 故障检测与辨识

来源：评论

学校读者我要写书评

暂无评论

基于EEMD和FSVDD的滚动轴承运行可靠性评估

基于EEMD和FSVDD的滚动轴承运行可靠性评估

引用

作者：彭美荣燕山大学

学位级别：硕士

机械设备在社会的生产和人民的生活中不可或缺,其运行的可靠性要求越来越高。旋转机械在机械设备中占据了很大的比重,而滚动轴承又是其必要组成部分,且易发生故障。此外,传统的定期维修与事后维修策略的局限性与弊端使其较难满足实际工... 详细信息

机械设备在社会的生产和人民的生活中不可或缺,其运行的可靠性要求越来越高。旋转机械在机械设备中占据了很大的比重,而滚动轴承又是其必要组成部分,且易发生故障。此外,传统的定期维修与事后维修策略的局限性与弊端使其较难满足实际工程需要。因此,根据木桶效应的原理,通过对滚动轴承的运行可靠性评估来体现整个旋转机械的运行状态。由此提出了基于EEMD和FSVDD的滚动轴承运行可靠性评估方法。首先,在数据采集方面,运行可靠性评估需要滚动轴承全寿命试验数据。目前国内外权威发布的全寿命试验数据有国外的辛辛那提大学IMS、法国FEMTO-ST研究所以及国内的西安交通大学公开发布的数据。通过对比选择西安交通大学历时两年获得的试验数据进行本文方法的验证,保证了数据来源的可靠性。其次,针对传感器采集的滚动轴承振动信号包含噪声及其它无用信息,利用集合经验模式分解对原始振动信号进行分解,然后利用相关系数准则,选取相关系数大于0.3的模态分量进行重构达到降噪的目的。再次,滚动轴承运行可靠性评估的关键一环是特征提取,为了能够提取到符合运行可靠性评估的可靠特征,首先对降噪后的信号进行多维特征提取,包括传统时域特征以及模糊近似熵和排列熵这两种复杂度分析方法,然后利用提出的两种改进的特征选择指标:单调能力、鲁棒能力进行特征选择,最后筛选出最符合要求的三维特征构建特征向量并作为后续可靠性评估模型的输入。最后,在提取到故障特征后,选用模糊支持向量数据模型进行可靠性建模。提出了余弦欧氏距离的模糊隶属度确定方法,并利用提出的归一化运行状态参数方法计算运行可靠度。将所提方法应用到西安交通大学向全球公开发布的滚动轴承加速寿命试验数据,验证了本文方法的有效性。

关键词：滚动轴承集合经验模式分解特征提取模糊支持向量数据描述运行可靠度

来源：评论

学校读者我要写书评

暂无评论

基于小波包-RCMDE和FSVDD的轴向柱塞泵运行可靠性评估方法

基于小波包-RCMDE和FSVDD的轴向柱塞泵运行可靠性评估方法

引用

作者：贾晟燕山大学

学位级别：硕士

轴向柱塞泵作为液压系统的动力源,它的运行状态直接决定整个液压系统的运行状态,有必要对其运行可靠性进行研究。由于轴向柱塞泵振动信号中会含有噪声信号,以往针对其信号降噪和特征提取过程的信号处理方法并不理想;另外传统的可靠性评... 详细信息

轴向柱塞泵作为液压系统的动力源,它的运行状态直接决定整个液压系统的运行状态,有必要对其运行可靠性进行研究。由于轴向柱塞泵振动信号中会含有噪声信号,以往针对其信号降噪和特征提取过程的信号处理方法并不理想;另外传统的可靠性评估模型中依赖大量的失效样本,导致不能实现对泵的运行状态进行实时评估,对微弱故障开始产生的判断不精确。因此,本文提出了基于小波包分解-RCMDE和FSVDD的轴向柱塞泵运行可靠性评估方法。首先,在数据采集方面,搭建了轴向柱塞泵故障研究实验台,并人为磨损相关元件,从而形成不同类型下不同严重程度的故障,通过采集设备获取各故障下的振动信号,为本文所提方法的研究提供了实验数据。其次,针对加速度传感器采集的振动信号中会含有噪声及其他无用信息,采用基于小波包分解的降噪方法。该方法使用小波包对原始信号进行分解,然后根据分解后各频段信号能量占比,将能量集中的频段进行重构,从而达到降噪目的。进而,在特征提取环节中,采用精细复合多尺度散布熵算法计算各信号熵值。由于该算法中参数嵌入维度m和类别个数c对熵值计算影响较大,将樽海鞘算法对该参数进行优化,随后将最优参数组合代入到经过小波包分解后依据能量占比重构的信号中,计算相对应的精细复合多尺度散布熵值来完成信号特征提取。最后,采用模糊支持向量数据描述方法对正常状态下的样本训练评估模型,将各测试样本输入模型中,利用归一化评估参数可靠度计算公式完成各个测试样本的运行可靠性评估。将所提方法应用于本实验台采集的轴向柱塞泵不同严重程度滑靴磨损故障数据和复合故障数据,所得结果验证了本文方法的有效性。

关键词：轴向柱塞泵小波包分解精细复合多尺度散布熵模糊支持向量数据描述运行可靠性评估

来源：评论

学校读者我要写书评

暂无评论

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

请选择保存的检索档案：

请选择收藏分类：

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

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

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：