一、基于盲源分离技术的故障特征信号分离方法（论文文献综述）
王丹妮[1]（2021）在《基于盲源分离的震后废墟生命信号识别方法研究》文中指出近年来,我国地震活动频繁,强烈的震动造成了建筑物倒塌、地面受损、山体滑坡等灾害。地震突发,有些人未能逃脱被压埋在废墟中,甚至有些被压埋人员不能被及时发现错过最佳救援机会,造成二次伤亡。在震后废墟复杂环境中,如何快速高效地识别生命体特征信号,对被困人员实施精准救援尤为重要。盲源分离技术已广泛应用于生物医学、信号处理、机械故障诊断等领域,包括脑电图信号分离、语音信号分离、齿轮故障诊断等的研究,在源信号和信号混合方式都未知的情况下,可以通过观测信号的统计特征,识别分离所需要的源信号。本文将盲源分离技术应用于震后废墟生命信号识别中,采用独立分量分析（Independent Component Analysis,ICA）算法以及快速独立分量分析（Fast Independent Component Analysis,Fast ICA）算法,处理复杂废墟环境中多源混合信号,识别分离生命特征信号。算法的优劣可从算法的收敛速度和稳定性两个方面进行评价,不同的算法直接决定了分离效果。采用盲源分离方法中的ICA算法和Fast ICA算法,研究含噪正弦信号、方波信号、锯齿信号、随机信号的信号分离效果,并在Matlab中实验验证算法的有效性。以信噪比和运行时间两个性能评价指标,对比ICA和Fast ICA两种算法信号分离效果的优劣。实验结果表明,ICA算法的信噪比平均值为2.4052d B,运行一次所用时间平均值为5.4049s,Fast ICA算法的信噪比平均值为6.2838d B,运行一次所用时间平均值为0.0223s,Fast ICA算法对信号分离效果更优。为进一步验证Fast ICA算法在震后废墟生命信号识别中的可行性,采集人声嘈杂环境、大型机械设备作业等环境中的生命特征信号,采用Fast ICA算法对不同环境信号进行识别实验与分析,使用评价指标分析分离效果,实验结果表明,Fast ICA算法的相关系数最小为0.9974,运行一次最长时间为0.1125s,验证在震后废墟救援复杂环境中,采用Fast ICA算法识别分离生命特征信号的可行性。
陈文鑫[2]（2021）在《基于自适应MCKD和盲源分离的变速器滚动轴承故障特征提取方法研究》文中研究表明本文针对已有诊断方法对强噪声环境中滚动轴承早期故障诊断的不足,提出一种基于谱聚类算法、经验小波变换（EWT）、L-峭度、蝗虫优化算法（GOA）和最大相关峭度解卷积（MCKD）降噪相结合的滚动轴承早期故障识别方法。本文的具体研究内容如下:（1）针对传统MCKD算法依赖于先验知识和相关参数的合理选择这一不足,为了充分发挥MCKD算法的信号特征提取性能,对影响最大的T、L、M和C这四个重要参数进行了研究,分别分析了各参数对计算时间和降噪性能的影响,确定了合适的循环次数C的参数值、移位数M的最优值和滤波器的长度L的寻优范围,提出利用蝗虫优化算法对解卷积周期T进行寻优。为后文基于蝗虫优化算法的自适应MCKD方法的提出打下了基础。（2）将MCKD算法与群智能优化算法中的蝗虫优化算法（GOA）结合,利用蝗虫优化算法（GOA）实现了 MCKD重要参数T和L的自适应选择。其中提出了一个新的指标-平均特征幅值比（AFAR）作为GOA的适应度函数,并且提出了确定解卷积周期T搜索范围的方法,总结出一种基于GOA优化的MCKD轴承故障诊断方法。最后通过对仿真轴承故障信号进行诊断证明了该方法能够有效提取混合信号中的故障特征周期脉冲信号成分。（3）将谱聚类算法与EWT结合,对经验小波变换方法中确定分割边界的计算流程进行了改进。利用谱聚类算法对信号频谱构成的样本点进行聚类分割,改善了传统经验小波变换频谱分割过程中极大值的选取往往陷入局部最优,导致分解出的信号分量混叠的缺点。提出了频谱分割效果更好的SEWT方法,对采集的混合进行频谱分割消噪,提升GOA-MCKD方法特征提取效果。（4）将SEWT消噪方法和GOA-MCKD方法结合,同时引入了 L峭度这一新统计量,提出了一种新的适用于强噪声背景下轴承故障诊断方法。为了证明提出方法的有效性,建立了对应的仿真信号进行验证。通过与MCKD-IEWT和增强聚类分割方法这两种较新的轴承故障诊断方法对比证明了本文提出的新方法降噪新能和故障特征提取性能更好。最后利用该方法对轴承故障模拟试验台和变速器试验台进行故障诊断,证明了该诊断方法的适用性较强,且准确性较高。
王俊雄[3]（2021）在《机械复合故障欠定源数目估计及特征分离提取研究》文中指出机械设备一般组成结构和运行工况都很复杂,其运转状态极大的影响着生产安全,在设备发生异常情况时,无法对故障源的数量进行准确判断。设备结构复杂性和经济成本等原因,安装传感器的数量会受到限制,由此会导致机械振动的观测信号数目小于故障源的数目的现象屡屡存在。加之传感器拾取的信号通常表现为多个未知振源信号经过未知途径传递后相互耦合。因此,对机械设备欠定情况下的源数目估计和盲源分离进行深入研究显得尤为关键。本文主要研究了欠定情况下混合信号的源数目估计和特征提取,针对一般源数目估计方法的不足和缺陷,研究了一种改进的估计源数目的算法;在源数目被解出的情况下,提出一种基于峭度和快速独立分量分析（FastIndependent Component Analysis,FastICA）相结合的欠定盲源分离方法。文章的核心工作和创新点主要如下:对于欠定条件下振源数目难以估计的问题,提出一种基于变分模态分解（Variational Mode Decomposition,VMD）和奇异值分解（Singular Value Decomposition,SVD）的源数目估计方法。首先对故障振动信号采取VMD分解处理,形成一组本征模态分量组（Intrinsic Mode Function,IMF）,然后对IMF进行重新组合得到多维观测信号并求取其协方差矩阵,最后依据奇异值分解的特征值对信号源数目进行了准确的估计。此外,提出一种基于VMD和FastICA的盲提取方法用于解决欠定情况下机械振动信号分离问题。首先对单一通道的观测信号进行VMD处理,得到多维分量信号;然后根据峭度准则选出与信号源数目数量相同的分量信号进行重新组合,使欠定情况下的单通道信号转变为正定情形的多通道信号;最后利用FastICA方法对形态滤波处理后的多通道信号进行分析,实现机械振动信号的盲源分离。
诸葛航[4]（2021）在《空间时频分布方法及其在机械故障诊断中的应用》文中进行了进一步梳理在实际的工业环境中,齿轮箱由于工作强度高且工作环境恶劣,在使用过程中容易发生故障。对齿轮箱的振动信号进行分析是一种实用且有效的检测故障的方法。但使用传感器采集到的振动信号不仅包含齿轮、轴承等关键部件的耦合振动信息,还包含背景噪声及其它干扰信息。尤其是齿轮箱同时发生多种故障时,对齿轮箱故障的检测与诊断更为困难。本文针对机械设备中的多故障问题提出了基于空间时频分布（STFD）的欠定盲源分离方法,并将其应用于轴承的多故障诊断。具体研究内容如下:（1）首先研究了盲源分离方法的基础理论以及线性混合与卷积混合两种数学模型;其次研究分析了一种经典的盲源分离算法——Fast ICA算法。另外,对机械设备中常见的故障类型、形成的原因及它们在时频域的特点进行了分析。（2）在使用盲源分离算法分离故障信号时,通常需要对故障源的数量进行准确估计。针对这个问题,根据轴承故障信号在时频域的特性,设计了一种基于紧凑内核分布（CKD）与峰值搜索算法的轴承故障源数估计算法。该方法首先利用紧凑内核分布得到信号的时频分布,再将时频分布在时域进行求和,得到信号在频域的能量分布。通过峰值搜索算法找到能量较高处对应的频带,将该频带与轴承的特征故障频率比较,初步判断观测信号中故障源的数量。最后通过仿真实验验证了方法的有效性。（3）针对故障源数量大于传感器数量的欠定情况,提出了基于STFD的欠定盲源分离方法,该方法首先使用紧凑内核分布得到观测信号的STFD矩阵;对STFD矩阵进行预处理后,进行自项选择与聚类处理,得到估计的故障源的时频分布;之后根据Wigner-Ville分布（WVD）的反演特性,利用估计的时频分布重建源信号。最后进行了仿真实验,结果表明该方法有很好的效果。（4）设计并进行实验,得到实测数据。将基于CKD与峰值搜索算法的故障源数估计方法和基于STFD的欠定盲源分离方法结合,对实测信号进行了分析。实验结果表明,本文提出的方法能有效估计故障源数与分离故障信号。与Fast ICA算法相比,本文提出的方法效果更好。
周鹏[5]（2021）在《基于盲源分离的悬架零部件模态参数识别研究》文中认为模态分析是对汽车NVH性能进行研究的重要手段,悬架零件作为重要的支撑部件,保障了车辆的安全性和舒适性,对悬架零部件进行模态分析的关键点在于如何求解模态参数,传统的模态参数识别技术往往是基于系统的输入和输出已知的情况下来求出模态参数。在一些特定的场景下,比如汽车运行工况,此时的输入参数难以测得,传统的模态识别手段不易于求解此类问题。针对于如何仅根据输出来识别模态参数这一问题,本文围绕基于盲源分离算法的模态参数识别开展了理论和实验研究。本文在深入分析了盲源分离基本理论的基础上,研究了盲源分离算法中适用于振动信号分离的三个经典的算法,包括Fast ICA算法、JADE算法、SOBI算法。使用这三个经典算法对三个振动相关的混合信号进行分离研究,除了排列顺序和幅值与源信号不同,得到的分离信号与源信号的波形一样。分析了盲源分离算法模型和振动响应模型,对于模态展开式和盲分离算法进行对比,经过理论分析得到盲分离算法可以应用于模态参数识别。建立三自由度振动系统离散模型,考虑阻尼、噪声、激励形式等因素的影响,分别利用上述三个经典盲源分离算法对三自由度系统的位移输出信号进行分离并识别其模态参数。考虑不同情形（系统阻尼大小不同、输出添加不同信噪比的白噪声信号、激励形式为随机振动形式）下三个盲源分离算法求解模态参数的鲁棒性和准确性。搭建基于盲源分离算法模态参数识别平台,并基于该平台进行悬架上连杆在自由振动和随机振动条件下的模态参数识别研究。以传统模态试验求解的模态参数值作为盲源分离算法识别参数的参考标准,对基于盲源分离算法的上连杆模态参数识别结果的准确性和可靠性进行验证。
周全[6]（2021）在《汽车发动机异响诊断算法及产生机理的研究》文中研究指明随着汽车工业水平的进步,目前发动机噪声的研究重点已落在声品质上,特别是发动机的异响问题,令很多车企研发人员无从下手。由于大部分异响属于发动机噪声问题中的疑难杂症,缺乏有效的诊断方法和理论上的研究,因此需要提出一些创新性的信号处理方法来更好地提取并分析这些异响的特征,并归纳出异响的产生机理。本文围绕汽车发动机的异响诊断算法和异响的产生机理研究这两个方面展开,主要工作内容与成果如下:研究了短时傅里叶变换时频图的精细度和能量分布的变化规律,对比了多分量非稳态仿真信号的短时傅里叶变换和S变换时频图结果,指出两种算法对非稳态部分信号的能量分布具有“栅栏”现象。介绍了非线性调频变换算法（Nonlinear Chirp Transform,NLCT）,通过引入随调频信号瞬时频率不断变化的旋转算子和频移算子,优化了时频图的能量分布,并结合Vold-Kalman阶次滤波和NLCT变换提出了Vold-Kalman调频变换算法（VoldKalman Chirp Transform,VKCT）,其适用于分析与汽车发动机转速相关的振声信号。研究了当单个初始频率附近存在多个信号时,变分模态分解（Variational Mode Decomposition,VMD）的分解优先级,提出了U型模态分解优先级的概念。讨论了VMD算法的欠分解和过分解现象,并指出这类模态混叠现象的本质原因是VMD算法初始中心频率的数目及取值与实际混合信号中的分量信号不匹配。提出一种基于二分法的变分模态分解方法（Dichotomy-based Variational Mode Decomposition,DVMD）,能够自适应地搜寻混合信号中实际分量的个数及对应的中心频率。基于DVMD算法诊断了某乘用车发动机在怠速工况下产生的“吭吭”声异响。通过系统性地研究缸盖总成各部分结构对异响的影响,发现了异响声幅值对凸轮轴正时调节（Variable Camshaft Timing,VCT）系统的参数敏感,特别是凸轮轴调节器的角度和机油压力控制阀（Oil Control Valve,OCV）的占空比。通过DVMD算法分离提取了发动机缸盖表面振动信号中的异响相关分量,结合曲轴与凸轮轴的瞬时转速、VCT系统内部的机油压力等数据综合分析,明确了“吭吭”声异响的产生机理。基于VKCT算法诊断了某乘用车发动机在加速过程中出现的“咕噜”声异响。通过声强法对异响的分布特性进行了研究和分析,明确了异响主要来源于汽车发动机,通过VKCT算法提取了发动机振动信号中的异响分量,根据对比分析指出“咕噜”声异响来源于曲轴扭振。通过发动机曲轴的弯扭振动测试及更换不同工作频率TVD的试验,验证了“咕噜”声异响的产生机理。针对汽车发动机稳态及瞬态工况下的机械与燃烧噪声分离,提出了基于维纳滤波的稳态工况燃烧噪声分离算法和基于多元回归的瞬态工况燃烧噪声分离算法。研究了某三缸汽油机在不同转速和负荷条件下的机械燃烧噪声占比变化情况及其内在机理,诊断了某SUV车型的发动机在急收油门时刻下产生的“呲呲”声异响。对该发动机的表面辐射噪声和机体表面的振动信号进行了机械贡献和燃烧贡献分离,根据机械噪声和燃烧噪声的时频图结果诊断出此异响来源于发动机燃烧室内的异常燃烧,并通过优化发动机的点火提前角控制了异响。
柴诗艺[7]（2021）在《基于声强矢量分解的旋转机械多声源频谱分离方法研究》文中认为声源的识别与分离是控制工业机械设备噪声的前提。工业机械设备运行过程中常伴随着大量的噪声,噪声中蕴含了设备零部件状态的丰富信息。如果能从混合噪声中分离出机械内部各个声源的强度,对通过噪声对设备进行降噪减噪以及状态监测具有重要意义。旋转机械中的声源主要是各个旋转部件,由于传动关系,其噪声信号中通常会包含相同的频率成分。因此要求噪声的识别和分离方法能对含有相同频率成分的声源进行准确地强度分离。在这种情况下,能有效地分离出每个噪声源的频谱强度的方法很少。声强测试技术在噪声源识别和分离领域具有显着的优越性,能够在远场和近场来识别和分离噪声源。本文利用声强的矢量特性,具有不受声源中同频成分干扰的优点,能够对旋转机械中含有相同频率成分的声源进行准确有效地强度分离。依据声强的矢量特性,以三维声强测量原理为基础,以分离多个含有相同频率成分的声源的声功率频率谱为研究目标,提出了一种基于三维声强矢量分解的多声源声功率频率谱的分离方法。该方法利用三维声强矢量与声源声功率之间的辐射关系,能够准确获得噪声源的强度,实现多个噪声源声功率谱的分离。首先指出了基于三维声强矢量分解的多声源频谱分离方法的研究背景和意义,阐述了国内外在声源识别和分离技术方面的研究现状。其次,研究了声强测量的相关算法,介绍了声强测量的原理以及相关的技术。第三,以双传声器声强测量方法为基础,详尽的阐述了四传声器三维声强测量原理。介绍了以三维声强测量原理为理论依据而特制的三维声强探头。第四,基于三维声强测量原理,提出了一种基于声强矢量分解的多声源频谱分离方法,并在该方法中引入了粒子群优化算法。第五,通过仿真分析和实验验证了多声源频谱分离方法的可行性和准确性。基于三维声强矢量分解的多声源声功率频率谱分离方法,利用了声强的矢量特性,针对旋转机械设备中含有相同频率成分的声源,能够准确有效地分离出各声源的强度。该方法为基于噪声的旋转机械设备的降噪减噪以及状态监测提供了新方法。
李士松[8]（2021）在《基于改进VMD的单通道盲源分离滚动轴承复合故障诊断》文中提出滚动轴承作为旋转机械中核心零部件之一,它运行状态的好坏直接影响整个设备的运行。轴承在工作中,一旦发生故障,往往不是单一的故障,通常是多个故障并存且相互耦合,所以针对轴承的复合故障进行诊断具有很重要的实际工程价值。围绕滚动轴承的复合故障这一个主线,主要根据振动信号的降噪、特征升维和盲源分离三个方面进行阐述,主要研究内容如下:首先,针对传统小波降噪方法存在阈值选取的问题,且分解过程分为固有的高低频模式,随着分解层数增大,时频域分辨率会变得较差,提出小波包自适应阈值的降噪方法。通过小波包对信号进行分解,对每个分解的小波包系数采用自适应阈值降噪。通过实验以及仿真数据验证,本文的方法不仅能够对高频噪声进行有效滤除,并且对低频也有一定的降噪效果,有效提高信噪比。其次,针对单通道盲源分离已知信息较少,无法直接求解,需要将欠定盲源问题转换为正定盲源分离问题,提出基于改进的变分模态分解（VMD）的特征升维。引入能量因子和信息熵作为约束,自适应确定模态分解个数和惩罚因子。将降噪后的信号进行特征升维,利用临近值占优法进行源数估计,采用相关性分析以及峭度指标对分解后的IMF分量进行筛选,构建多通道特征集,作为盲源分离算法的输入。本文提出的方法能够对信号进行自适应分解,能够准确对故障源数量进行估计,也能有效的克服传统信号分解出现的模态混叠等问题。然后,针对传统FastICA运算的目标函数收敛速度慢以及精度低等问题,提出基于Tukey M估计作为FastICA的目标收敛函数。Tukey M估计的内部能够根据残差值的大小来赋予合适的权重,从而减小了个别残差值对估计结果的影响,从而提高其收敛速度及鲁棒性。将构建的多通道特征矩阵作为输入,其分离信号的故障频率与理论故障频率基本吻合,有效的实现了复合故障诊断。最后,搭建复合故障诊断实验台,采用单列角接触球轴承作为实验对象,验证本文提出的小波包自适应阈值降噪和基于Tukey M估计的FastICA的盲源分离效果。
俞燕[9]（2021）在《基于改进动态时间规整和盲源分离的齿轮故障特征提取》文中研究表明低速重载工作环境常导致齿轮箱齿轮等关键部件发生严重磨损、裂纹和断齿等故障,进而导致整个传动系统停止作业,造成巨大损失。故障特征提取是齿轮故障诊断技术的关键环节,为从混合环境噪声和干扰振动的信号中提取有效故障特征,本文提出了一种基于改进动态时间规整和改进独立成分分析相结合的齿轮特征提取方法。主要研究内容如下:（1）首先采用改进动态时间规整算法将齿轮箱健康信号和故障信号规整对齐,然后通过重采样恢复信号原长,获得故障残差向量信号。针对动态时间规整算法首末端无法对齐、算法效率低的问题,本文采用相位补偿方法,结合导数动态时间规整和快速动态时间规整,提出了一种基于相位补偿的快速导数动态时间规整方法（PCFDDTW）进行改善。（2）为进一步提取残差信号中的故障特征分量,设计了基于改进独立成分分析（ICA）的单通道齿轮故障特征提取方法。首先使用集合经验模态分解（EEMD）重构多通道观测信号,然后通过改进独立成分分析算法分离故障分量,突出故障特征信息。针对ICA学习算法初始值的选取要求高、易陷入局部极值、需要预先进行公式推导等缺点,本文引入轮盘赌思想提出自适应惯性因子粒子群的独立成分分析方法（AIWPSO-ICA）,优化寻优算法,使其跳出局部极值,提高分离性能。（3）最后结合PCFDDTW和AIWPSO-ICA设计了完整的齿轮故障特征提取方法,并在实验台采集齿轮齿根裂纹故障和部分断齿故障信号进行分析,验证了本文所提方法的有效性。
张浩天[10]（2021）在《基于欠完备齿轮声学信号的故障诊断研究》文中研究说明旋转机械是日常生活生产中非常重要的机械设备。其涉及领域非常广泛,种类繁多,齿轮作为旋转机械中的一个重要元件,起到了非常关键的作用。但因为齿轮的功能位置比较特殊,经常会因为各种原因出现各种故障,所以为了避免齿轮的各种故障对生产带来的安全隐患,需要故障诊断技术对齿轮的运转工况进行判断。又因为某些工况下难以使用振动传感器直接接触生产设备,采集振动信号,所以本文以声学信号作为研究对象,并针对欠完备声学信号的特殊情况,提出了一种基于盲源分离与支持向量机模型相结合的欠完备齿轮声学信号故障诊断方法。欠完备齿轮声学信号的研究重点在于故障齿轮运转时的声学信号是一种非线性、非平稳的信号,并且在欠完备的情况下,无法直接使用盲源分离相关算法对其源信号进行分离。因此选用变分模态分解（VMD）对采集信号进行分解,利用VMD分解得到的分量和采集信号组成完备情况的信号集合。当该信号集合为完备盲源分离模型的情况下,即可使用常规的盲源分离算法对源信号进行分离,如快速独立成分分析法（Fast ICA）,最后对Fast ICA分离出的噪声较小包含信息较多的分量进行特征提取。因为齿轮的声学数据属于小样本,所以采用支持向量机（SVM）作为模式识别的分类模型。对于小样本数据,以径向基函数为核函数的SVM分类模型具有更高的准确率,但针对其核函数中惩罚因子C和核函数参数σ的选取问题,采用PSO优化算法对其进行优化,确定最优参数,以提高故障诊断识别的精度。最后设计了正常齿轮和断齿齿轮的运转实验,对两种工况下齿轮的运转声学数据进行采集以及分析,并使用VMD-Fast ICA算法以及SVM分类模型,对实验数据进行分析,验证了该方法的有效性。
二、基于盲源分离技术的故障特征信号分离方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于盲源分离技术的故障特征信号分离方法（论文提纲范文）
（1）基于盲源分离的震后废墟生命信号识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 课题研究内容 |
| 第二章 盲源分离基本理论 |
| 2.1 盲源分离模型 |
| 2.2 概率与数理统计论相关知识 |
| 2.3 信息论的基础知识 |
| 2.4 本章小结 |
| 第三章 独立分量分析算法 |
| 3.1 信号的预处理 |
| 3.2 ICA算法 |
| 3.3 FastICA算法 |
| 3.4 ICA算法与FastICA算法性能比较 |
| 3.5 本章小结 |
| 第四章 基于LabVIEW的生命信号识别分析系统设计 |
| 4.1 信号采集模块设计 |
| 4.2 实时信号采集实验 |
| 4.3 本章小结 |
| 第五章 基于FastICA算法的生命信号识别实验与分析 |
| 5.1 生命体信号识别实验与分析 |
| 5.2 单一环境生命信号识别实验与分析 |
| 5.3 复杂环境生命信号识别实验与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（2）基于自适应MCKD和盲源分离的变速器滚动轴承故障特征提取方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 轴承故障诊断技术研究现状 |
| 1.2.1 轴承故障诊断方法 |
| 1.2.2 轴承振动信号的时频分析方法 |
| 1.3 盲源分离技术发展及研究现状 |
| 1.3.1 盲源分离理论发展 |
| 1.3.2 盲解卷积 |
| 1.3.3 盲源分离在机械故障诊断应用中存在的问题 |
| 1.4 智能优化算法研究现状 |
| 1.5 本文主要工作和内容安排 |
| 第2章 滚动轴承诊断机理 |
| 2.1 引言 |
| 2.2 滚动轴承的结构 |
| 2.3 滚动轴承的主要失效形式及原因 |
| 2.4 滚动轴承的振动机理和特征频率 |
| 2.4.1 滚动轴承振动机理 |
| 2.4.2 滚动轴承故障特征频率 |
| 2.5 滚动轴承故障诊断常用参数 |
| 2.5.1 峭度 |
| 2.5.2 L峭度 |
| 2.6 Hilbert包络解调 |
| 2.7 本章小结 |
| 第3章 自适应MCKD轴承故障诊断方法研究 |
| 3.1 引言 |
| 3.2 最大相关峭度解卷积理论 |
| 3.3 最大相关峭度解卷积重要参数研究 |
| 3.3.1 仿真轴承故障信号构建 |
| 3.3.2 移位数M的选择范围研究 |
| 3.3.3 循环次数C的选择范围研究 |
| 3.3.4 滤波器的长度L的选择范围研究 |
| 3.3.5 解卷积周期T的选择范围研究 |
| 3.4 基于GOA优化的自适应MCKD方法 |
| 3.4.1 GOA算法基本原理 |
| 3.4.2 GOA算法数学描述 |
| 3.4.3 GOA-MCKD方法步骤和参数设置 |
| 3.4.4 GOA-MCKD仿真轴承故障诊断 |
| 3.5 本章小结 |
| 第4章 基于SEWT和GOA-MCKD的轴承故障诊断方法 |
| 4.1 引言 |
| 4.2 主要消噪方法 |
| 4.2.1 小波消噪 |
| 4.2.2 经验小波变换消噪 |
| 4.3 聚类分割算法研究 |
| 4.3.1 K均值聚类方法 |
| 4.3.2 谱聚类算法 |
| 4.4 SEWT消噪方法的提出 |
| 4.5 基于SEWT和GOA-MCKD的早期轴承故障诊断方法 |
| 4.5.1 SEWT和GOA-MKCD仿真轴承故障诊断 |
| 4.5.2 SEWT方法聚类分割段数研究 |
| 4.5.3 SEWT和GOA-MCKD方法与已有方法对比 |
| 4.6 本章小结 |
| 第5章 SEWT和GOA-MCKD方法试验台验证 |
| 5.1 引言 |
| 5.2 轴承故障诊断试验平台验证 |
| 5.2.1 试验设备 |
| 5.2.2 数据采集 |
| 5.2.3 滚动轴承内圈故障诊断 |
| 5.2.4 滚动轴承外圈故障诊断 |
| 5.3 AMT试验台验证 |
| 5.3.1 试验设备 |
| 5.3.2 数据采集 |
| 5.3.3 AMT轴承故障诊断 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的论文 |
| 学位论文评阅及答辩情况表 |
（3）机械复合故障欠定源数目估计及特征分离提取研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题概述 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究背景及意义 |
| 1.2 盲源分离概述 |
| 1.2.1 盲源分离的研究现状 |
| 1.2.2 欠定情况下盲源分离的研究进展 |
| 1.3 盲源分离在机械故障诊断中的应用现状 |
| 1.4 源数目估计的国内外发展状况 |
| 1.5 本文的主要研究工作及章节安排 |
| 第二章 盲源分离及信源数目估计相关知识 |
| 2.1 引言 |
| 2.2 盲信号处理相关理论 |
| 2.2.1 盲信号处理的数学模型 |
| 2.2.2 盲源分离的预处理方法 |
| 2.2.3 盲源分离的基本知识 |
| 2.2.4 分离程度评价准则 |
| 2.3 信源数目估计相关理论 |
| 2.3.1 基于信息论的判断准则 |
| 2.3.2 基于盖氏圆盘判断准则 |
| 2.3.3 基于奇异值分解判断准则 |
| 2.4 本章小结 |
| 第三章 机械复合故障欠定源数目估计方法研究 |
| 3.1 引言 |
| 3.2 欠定情况下的源数目估计方法研究 |
| 3.2.1 特征值分解的源数目估计方法原理 |
| 3.2.2 基于特征值源数目估计方法研究 |
| 3.2.3 基于EMD和 EEMD的欠定源数目估计算法 |
| 3.3 基于VMD-SVD的欠定源数目估计方法研究 |
| 3.3.1 变分模态分解分析 |
| 3.3.2 基于VMD-SVD的源数目估计算法流程 |
| 3.4 仿真信号分析 |
| 3.5 实验研究 |
| 3.6 本章小结 |
| 第四章 基于VMD和 MF-FastICA的欠定盲提取算法研究 |
| 4.1 引言 |
| 4.2 欠定条件下的盲源分离基本原理 |
| 4.3 典型盲源分离算法介绍 |
| 4.3.1 核独立分量分析 |
| 4.3.2 基于形态滤波和KICA盲源分离方法 |
| 4.4 基于VMD-MF-FastICA的欠定盲源分离算法 |
| 4.4.1 VMD和峭度在欠定盲提取中的应用 |
| 4.4.2 FastICA基本原理 |
| 4.4.3 VMD-MF-FastICA算法流程 |
| 4.5 仿真信号分析 |
| 4.6 实验验证 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士学位期间参与的项目 |
| 附录 B 攻读硕士学位期间发表与录用的论文 |
（4）空间时频分布方法及其在机械故障诊断中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 机械设备多故障诊断的研究现状 |
| 1.2.2 盲源分离方法的研究现状 |
| 1.3 空间时频分布(STFD)算法 |
| 1.4 论文的主要研究内容和结构安排 |
| 1.4.1 论文的主要研究内容与技术路线 |
| 1.4.2 全文的结构安排 |
| 第2章 盲源分离方法理论与机械故障种类及特征 |
| 2.1 引言 |
| 2.2 盲源分离的数学模型 |
| 2.2.1 瞬时混合模型 |
| 2.2.2 卷积混合模型 |
| 2.3 独立分量分析 |
| 2.3.1 独立分量分析的假设条件与性质 |
| 2.3.2 预处理过程 |
| 2.3.3 FastICA算法 |
| 2.3.4 仿真实验 |
| 2.4 常见的轴承故障种类及特征 |
| 2.4.1 轴承的故障类型与成因 |
| 2.4.2 轴承故障信号的特征 |
| 2.5 本章小结 |
| 第3章 基于CKD与峰值搜索算法的轴承故障源数估计方法 |
| 3.1 引言 |
| 3.2 Wigner-Ville分布 |
| 3.2.1 Wigner-Ville分布原理 |
| 3.2.2 改进的WVD |
| 3.3 基于CKD与峰值搜索算法的源数估计方法 |
| 3.3.1 紧凑内核时频分布(CKD) |
| 3.3.2 峰值搜索算法的原理 |
| 3.3.3 故障源数估计方法 |
| 3.4 仿真实验 |
| 3.5 本章小结 |
| 第4章 基于空间时频分布的欠定盲源分离方法 |
| 4.1 引言 |
| 4.2 信号模型 |
| 4.3 空间时频分布(STFD)的原理 |
| 4.3.1 STFD矩阵的计算 |
| 4.3.2 时频点的分类 |
| 4.3.3 STFD矩阵的白化 |
| 4.4 基于STFD的轴承多故障信号盲源分离方法 |
| 4.4.1 计算观测信号的STFD矩阵 |
| 4.4.2 噪声阈值处理 |
| 4.4.3 自项点的选取 |
| 4.4.4 基于向量集群的源TFD估计 |
| 4.4.5 源信号重建与故障源的定位 |
| 4.4.6 子空间投影法 |
| 4.5 仿真实验 |
| 4.6 本章小结 |
| 第5章 基于空间时频分布的盲源分离方法在轴承多故障诊断中的应用 |
| 5.1 引言 |
| 5.2 实验设计与理论准备 |
| 5.2.1 实验设计思路 |
| 5.2.2 实验设备与参数 |
| 5.3 实测结果及分析 |
| 5.3.1 实测信号初步分析 |
| 5.3.2 基于STFD的欠定盲源分离方法结果及分析 |
| 5.3.2.1 利用基于CKD与峰值搜索算法估计轴承故障源数 |
| 5.3.2.2 盲源分离结果及分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 对将来研究的展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间发表的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
（5）基于盲源分离的悬架零部件模态参数识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状与发展趋势 |
| 1.2.1 基于输出的模态参数识别的应用和发展 |
| 1.2.2 基于盲源分离算法的应用和发展 |
| 1.3 本文主要研究内容 |
| 第2章 盲源分离的基本理论和方法分析 |
| 2.1 盲源分离算法的数学模型 |
| 2.1.1 线性瞬时混合模型 |
| 2.1.2 盲源分离问题的基本假设以及盲源分离问题的不确定性 |
| 2.1.3 盲源分离算法中对于采集信号的预处理 |
| 2.2 盲源分离的典型算法与算例仿真 |
| 2.2.1 基于负熵的盲源分离算法(Fast ICA) |
| 2.2.2 基于联合近似对角化的JADE算法 |
| 2.2.3 二阶盲辨识算法(SOBI) |
| 2.3 本章小结 |
| 第3章 基于盲源分离的模态参数识别与仿真分析 |
| 3.1 振动响应模型和盲源分离模型的关系 |
| 3.2 利用盲源分离算法识别模态参数的流程 |
| 3.3 多自由度系统仿真算例分析 |
| 3.3.1 基于快速独立分量分析(Fast ICA)的模态参数识别 |
| 3.3.2 基于JADE算法的模态参数识别 |
| 3.3.3 基于二阶盲辨识(SOBI)算法的模态参数识别 |
| 3.4 本章小结 |
| 第4章 基于盲源分离的悬架零部件模态参数识别 |
| 4.1 实验以及算法运行平台设计与介绍 |
| 4.1.1 硬件系统 |
| 4.1.2 软件系统 |
| 4.1.3 平台搭建 |
| 4.1.4 基于该平台的实验简介 |
| 4.2 自由振动条件下的上连杆模态参数识别与验证 |
| 4.2.1 传统模态实验 |
| 4.2.2 盲源分离实验 |
| 4.3 随机振动条件下的上连杆模态参数识别与验证 |
| 4.3.1 传统模态实验 |
| 4.3.2 盲源分离实验 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（6）汽车发动机异响诊断算法及产生机理的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 发动机振动噪声研究现状 |
| 1.2.2 异响研究现状 |
| 1.2.3 信号处理方法研究现状 |
| 1.2.4 本文研究课题的提出 |
| 1.3 本文研究内容与安排 |
| 2 NLCT时频分析算法的基本原理与仿真试验研究 |
| 2.1 引言 |
| 2.2 现代时频分析技术原理及仿真研究 |
| 2.2.1 短时傅里叶变换 |
| 2.2.2 广义S变换 |
| 2.2.3 线性调频变换 |
| 2.2.4 非线性调频变换 |
| 2.3 本章小结 |
| 3 DVMD盲源分离算法的基本原理与仿真试验研究 |
| 3.1 引言 |
| 3.2 DVMD的基本原理 |
| 3.2.1 变分模态分解原理简介 |
| 3.2.2 变分模态分解的分解优先级 |
| 3.2.3 DVMD的分解策略 |
| 3.3 DVMD与其他盲源分离方法的仿真试验比较研究 |
| 3.4 本章小结 |
| 4 基于DVMD算法的发动机稳态机械异响诊断及机理研究 |
| 4.1 引言 |
| 4.2 怠速异响声源定位试验研究 |
| 4.2.1 某乘用车怠速异响案例背景 |
| 4.2.2 缸盖总成机械结构系统影响研究 |
| 4.2.3 缸盖总成电子控制系统影响研究 |
| 4.3 基于DVMD算法的怠速异响特征分量提取 |
| 4.4 角度域下的怠速异响成因及机理研究 |
| 4.5 本章小结 |
| 5 基于VKCT算法的发动机瞬态机械异响诊断及机理研究 |
| 5.1 引言 |
| 5.2 VKCT时频分析方法原理 |
| 5.2.1 AGST时频变换 |
| 5.2.2 脊线提取技术 |
| 5.2.3 Vold-Kalman阶次分离 |
| 5.2.4 VKCT时频分析算法 |
| 5.3 某乘用车加速工况异响识别 |
| 5.3.1 某乘用车加速工况异响案例背景 |
| 5.3.2 整车异响分布特性研究 |
| 5.4 某乘用车加速工况异响机理研究 |
| 5.4.1 基于VKCT时频分析算法的异响特征提取与诊断 |
| 5.4.2 加速工况异响的机理研究及控制 |
| 5.5 本章小结 |
| 6 发动机燃烧噪声的分离算法及燃烧异响诊断研究 |
| 6.1 引言 |
| 6.2 发动机燃烧噪声的分离算法 |
| 6.2.1 基于维纳滤波的稳态工况燃烧噪声分离算法 |
| 6.2.2 基于多元回归的瞬态工况燃烧噪声分离算法 |
| 6.3 发动机稳态工况燃烧噪声和机械噪声的分离研究 |
| 6.3.1 1500r/min燃烧噪声分离结果 |
| 6.3.2 3000r/min燃烧噪声分离结果 |
| 6.3.3 5500r/min燃烧噪声分离结果 |
| 6.4 发动机瞬态工况的燃烧异响分离及诊断研究 |
| 6.4.1 某SUV车型急收油门工况异响案例背景 |
| 6.4.2 急收油门工况振声信号燃烧与机械贡献分离研究 |
| 6.4.3 急收油门工况燃烧异响控制 |
| 6.5 本章小结 |
| 7 全文总结 |
| 7.1 研究成果与结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简介 |
| 教育经历 |
| 攻读博士期间发表的论文 |
| 攻读博士期间参与的项目 |
（7）基于声强矢量分解的旋转机械多声源频谱分离方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究概述 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究背景和意义 |
| 1.2 声源识别和分离方法的国内外研究现状及发展趋势 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的主要研究内容及结构安排 |
| 第二章 三维声强矢量分解基础理论 |
| 2.1 声学基本概念 |
| 2.1.1 声压与声压级 |
| 2.1.2 声强与声强级 |
| 2.1.3 声功率和声功率级 |
| 2.2 声强的叠加理论 |
| 2.3 双传声器声强测量方法 |
| 2.3.1 时域声强测量 |
| 2.3.2 频域声强计算 |
| 2.4 双传声器声强法的主要误差 |
| 2.4.1 有限差分近似误差 |
| 2.4.2 传声器相位失配误差 |
| 2.4.3 其他误差 |
| 2.5 本章小结 |
| 第三章 基于声强矢量分解的多声源频谱分离方法 |
| 3.1 三维声强测量方法 |
| 3.1.1 三维声强测量原理 |
| 3.1.2 三维声强测量探头 |
| 3.2 多声源频谱分离方法 |
| 3.2.1 方法概述 |
| 3.2.2 粒子群优化算法求解方程组 |
| 3.2.3 方法示意图 |
| 3.3 双声源频谱分离仿真 |
| 3.3.1 双声源频谱分离方法理论 |
| 3.3.2 双声源频谱分离方法仿真分析 |
| 3.4 本章小结 |
| 第四章 多声源频谱分离实验 |
| 4.1 四声源频谱分离实验 |
| 4.1.1 实验系统 |
| 4.1.2 实验方案 |
| 4.1.3 实验结果 |
| 4.1.4 误差分析 |
| 4.2 实验台频谱分离实验 |
| 4.2.1 实验系统 |
| 4.2.2 实验方案 |
| 4.2.3 实验结果 |
| 4.2.4 误差分析 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读硕士学位期间研究成果 |
（8）基于改进VMD的单通道盲源分离滚动轴承复合故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及目的意义 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究背景及目的意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 信号降噪技术研究 |
| 1.2.2 复合故障诊断技术研究 |
| 1.2.3 盲源分离方法研究 |
| 1.3 主要研究内容及技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 第2章 基于小波包的自适应阈值信号降噪 |
| 2.1 滚动轴承故障产生机理 |
| 2.1.1 轴承机械结构以及失效形式 |
| 2.1.2 轴承振动特性分析 |
| 2.2 小波包自适应阈值降噪 |
| 2.2.1 小波包原理 |
| 2.2.2 参数阈值降噪 |
| 2.2.3 自适应参数阈值降噪 |
| 2.3 不同降噪算法的对比验证 |
| 2.3.1 仿真分析 |
| 2.3.2 实验验证 |
| 2.4 本章小结 |
| 第3章 基于自适应变分模态分解的特征升维 |
| 3.1 基于能量约束的变分模态分解 |
| 3.1.1 EMD、EEMD的模态分解 |
| 3.1.2 VMD分解算法 |
| 3.1.3 基于能量因子的VMD分解 |
| 3.2 源数估计与优质IMF分量选择 |
| 3.2.1 基于临近占优值的源数估计 |
| 3.2.2 基于峭度与互相关系数的模态分量筛选 |
| 3.3 不同特征升维验证 |
| 3.3.1 仿真分析 |
| 3.3.2 实验验证 |
| 3.4 本章小结 |
| 第4章 基于Tukey-M的 FastICA的单通道盲源分离 |
| 4.1 单通道盲源分离 |
| 4.1.1 盲源分离分类 |
| 4.1.2 单通道盲源分离 |
| 4.1.3 盲源分离评价指标 |
| 4.2 基于FastICA的基本理论模型 |
| 4.2.1 独立分量分析 |
| 4.2.2 FastICA基本理论 |
| 4.2.3 基于Tukey M估计的FastICA算法 |
| 4.3 分离效果验证 |
| 4.3.1 仿真分析 |
| 4.3.2 实验验证 |
| 4.4 本章小结 |
| 第5章 滚动轴承复合故障诊断实验验证 |
| 5.1 实验台搭建 |
| 5.2 数据采集 |
| 5.3 数据验证 |
| 5.3.1 振动数据降噪 |
| 5.3.2 基于VMD的特征升维 |
| 5.3.3 基于FastICA的盲源分离 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（9）基于改进动态时间规整和盲源分离的齿轮故障特征提取（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 本课题研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 故障特征提取方法研究现状 |
| 1.3.2 动态时间规整研究现状 |
| 1.3.3 盲源分离研究现状 |
| 1.4 主要研究内容及论文结构 |
| 1.4.1 课题的主要研究内容及思路 |
| 1.4.2 论文结构 |
| 第二章 基于改进动态时间规整的齿轮局部故障特征提取方法 |
| 2.1 基于相位补偿的快速导数动态时间规整算法 |
| 2.1.1 动态时间规整原理 |
| 2.1.2 基于相位补偿的快速导数动态时间规整算法 |
| 2.2 仿真实验结果对比与分析 |
| 2.3 本章小结 |
| 第三章 基于改进独立成分分析的齿轮局部故障特征提取方法 |
| 3.1 基于自适应惯性因子粒子群的独立成分分析算法 |
| 3.1.1 独立成分分析原理 |
| 3.1.2 自适应惯性权重的粒子群优化算法 |
| 3.1.3 基于AIWPSO的独立成分分析算法 |
| 3.2 基于AIWPSO-ICA的单通道特征提取方法 |
| 3.3 仿真实验结果对比与分析 |
| 3.4 本章小结 |
| 第四章 基于PCFDDTW和 AIWPSO-ICA的齿轮局部故障特征提取方法 |
| 4.1 整体故障特征提取方法设计 |
| 4.2 实验验证与分析 |
| 4.2.1 齿根裂纹故障实验分析 |
| 4.2.2 断齿故障实验分析 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 进一步研究与展望 |
| 参考文献 |
| 发表论文和参加科研情况 |
| 致谢 |
（10）基于欠完备齿轮声学信号的故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 声学故障诊断技术概况 |
| 1.3 论文主要研究内容 |
| 1.4 本章小结 |
| 第2章 齿轮故障诊断声学机理 |
| 2.1 齿轮的故障类型 |
| 2.2 齿轮的振动机理 |
| 2.2.1 齿轮的动力学模型 |
| 2.2.2 齿轮副的啮合刚度 |
| 2.2.3 齿轮的啮合频率 |
| 2.3 齿轮的故障特征 |
| 2.4 声与振动的关系 |
| 2.5 本章小结 |
| 第3章 盲源分离理论及相关算法 |
| 3.1 盲源分离理论 |
| 3.2 独立分量分析法 |
| 3.2.1 概述 |
| 3.2.2 ICA数学模型 |
| 3.2.3 ICA算法实现以及原理 |
| 3.2.4 ICA的种类 |
| 3.3 本章小结 |
| 第4章 欠完备齿轮声学信号分解 |
| 4.1 欠完备信号模型的分解方法 |
| 4.1.1 单一通道盲源分离模型 |
| 4.1.2 可分离性分析 |
| 4.1.3 变分模态分解 |
| 4.2 适定模型的构造与信号分解 |
| 4.2.1 降噪方法 |
| 4.2.2 源信号数目估计 |
| 4.2.3 VMD-Fast ICA算法步骤 |
| 4.3 仿真模型分析 |
| 4.4 本章小结 |
| 第5章 基于声学信号的齿轮故障诊断模型 |
| 5.1 齿轮声学信号特征选择 |
| 5.2 支持向量机理论 |
| 5.2.1 统计学基础 |
| 5.2.2 支持向量机类型 |
| 5.3 SVM模型的确定及参数优化 |
| 5.4 粒子群优化算法 |
| 5.5 本章小结 |
| 第6章 实验验证 |
| 6.1 实验方案 |
| 6.1.1 概述 |
| 6.1.2 实验流程 |
| 6.1.3 齿轮声学故障诊断实验设备 |
| 6.1.4 齿轮故障设置以及特征参数 |
| 6.1.5 实验设计 |
| 6.2 实验数据及分析 |
| 6.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成就 |
| 致谢 |
四、基于盲源分离技术的故障特征信号分离方法（论文参考文献）
- [1]基于盲源分离的震后废墟生命信号识别方法研究[D]. 王丹妮. 防灾科技学院, 2021(01)
- [2]基于自适应MCKD和盲源分离的变速器滚动轴承故障特征提取方法研究[D]. 陈文鑫. 山东大学, 2021(11)
- [3]机械复合故障欠定源数目估计及特征分离提取研究[D]. 王俊雄. 昆明理工大学, 2021(01)
- [4]空间时频分布方法及其在机械故障诊断中的应用[D]. 诸葛航. 武汉科技大学, 2021(01)
- [5]基于盲源分离的悬架零部件模态参数识别研究[D]. 周鹏. 燕山大学, 2021(01)
- [6]汽车发动机异响诊断算法及产生机理的研究[D]. 周全. 浙江大学, 2021(01)
- [7]基于声强矢量分解的旋转机械多声源频谱分离方法研究[D]. 柴诗艺. 昆明理工大学, 2021(01)
- [8]基于改进VMD的单通道盲源分离滚动轴承复合故障诊断[D]. 李士松. 哈尔滨理工大学, 2021
- [9]基于改进动态时间规整和盲源分离的齿轮故障特征提取[D]. 俞燕. 天津工业大学, 2021
- [10]基于欠完备齿轮声学信号的故障诊断研究[D]. 张浩天. 沈阳理工大学, 2021(01)