一、基于独立成分分析的强背景噪声去噪方法（论文文献综述）
李红旭[1]（2021）在《基于激光雷达数据的气溶胶特性反演方法研究》文中指出气溶胶是大气系统的重要组成部分,虽然在大气中相对含量很少,但对气候环境和大气辐射传输具有重要的影响。相较于被动遥感、卫星等探测手段,地基激光雷达作为一种主动式光学遥感探测工具,具有时空分辨率高、探测距离远、测量精度高等优点,被广泛应用于气溶胶探测。因此,研究基于激光雷达数据精确测量气溶胶相关特性对大气遥感、环境监测等领域具有重要意义。随着工业制造技术的进步,激光雷达系统逐渐成熟,成本得到控制,应用也比较普遍。光学遥感行业对激光雷达的数据处理和反演模型的需求越来越迫切。然而,激光雷达信号中含有大量噪声,研究高效的激光雷达信号去噪方法,从强背景噪声中提取出有用信号,是保障数据精确反演的前提。此外,在使用激光雷达数据进行气溶胶参数反演时,往往需要先验信息的假设或根据经验确定模型参数等人工干预的手段,这容易造成较大的误差,且难以实现自适应、自动化处理。这些局限性主要体现在激光雷达数据的预处理,气溶胶层垂直结构和光学物理等特性的反演中,本文的研究工作将致力于解决这些难题,具体研究内容如下:（1）激光雷达回波信号容易受到噪声污染,特别是在强背景光下,噪声严重影响了激光雷达系统的反演精度和有效探测距离。针对强噪声干扰的问题,提出了基于鲸鱼优化算法和变分模态分解的自适应激光雷达回波信号去噪方法。通过鲸鱼优化算法获得变分模态分解的分解模态数和二次惩罚因子,使得变分模态分解模型能够获得更好的去噪效果。实验结果表明该方法可应用于激光雷达信号的降噪,能有效提高激光雷达信号的信噪比,并将实验所使用的激光雷达系统的有效探测距离从6 km提高至10 km。（2）行星边界层高度是描述气溶胶层垂直结构的主要参数,其估计的准确性对天气和空气质量的预测和研究至关重要的。最常用的边界层高度反演算法是小波协方差变换法,但它存在扩张系数的选定和容易受到云、气溶胶干扰等问题。本文基于鲸鱼优化算法与上限法,提出了改进的小波协方差变换法,无需其他辅助测量设备,仅基于简单的微脉冲激光雷达即可实现行星边界层高度的自动、准确、稳定探测,解决了上述技术难题。（3）气溶胶消光系数是气溶胶光学特性的核心参数,对大气过程的变化有着重要影响。Mie散射激光雷达作为应用最为普遍的激光雷达设备,需要经验假设和复杂的数值运算才能反演出气溶胶消光系数,制约了反演结果的精度。结合Mie散射激光雷达和高光谱分辨率激光雷达的优缺点,提出了一种基于深度信念网络的气溶胶消光系数反演模型,能够有效避免诸多假设带来的不确定性,提高Mie散射激光雷达的探测精度。实验结果表明训练后的深度信念网络模型具有良好的鲁棒性和稳定性,为Mie散射激光雷达反演气溶胶特性参数提供了一种具有竞争力的解决方案。（4）气溶胶的粒子谱分布等微物理特性参数可用于监测气溶胶的演变过程、研究大气气溶胶的时空变化规律。本文通过激光雷达方程、Mie散射原理等理论方法,揭示了气溶胶光学特性和微物理特性之间的关系。针对正则化算法反演气溶胶粒子谱分布存在的问题,通过广义交叉验证法获得正则化参数和最小偏差准则获取气溶胶复折射指数,实现了基于多波长激光雷达数据的气溶胶粒子分布反演。
葛茂[2]（2021）在《张量分解理论及其在机械故障诊断中的应用》文中进行了进一步梳理在工程实际中采集的机械设备故障信号通常是不同激励源和多部件耦合振动的结果,具有典型的干扰大、非线性、非平稳等特征,且早期弱故障易被强背景噪声所淹没。此外,单一传感器获取的故障信息有限。因此,强噪声、多组分干扰下的弱故障特征提取以及多传感器联合诊断是当前故障诊断研究的热点问题。信号复杂的动力学特性在重构的高维相空间中可以有效展示,作为矩阵表示的高维扩展,张量是高维数据最自然的表现形式。基于张量分解的信号处理方法能挖掘数据中潜在的特征信息,近年来被广泛的应用于各类信号处理领域。论文以机械设备为研究对象,针对以上几个典型问题,深入研究并改进张量分解理论,为机械故障诊断提供一种新的理论体系。论文的主要工作包括以下几个方面:（1）针对强噪声干扰问题,提出基于张量核范数CP分解的信号降噪方法。将信号的降噪问题转化为信号特征子空间低秩近似求解问题,通过张量核范数最小化实现一维信号在高阶张量空间的低秩表达,并通过凸优化算法求取全局最优的收敛解以实现噪声的鲁棒消除。在此基础上,将提出的方法与多尺度排列熵相结合用于齿轮信号故障诊断中,并选择BP神经网络分类器实现了齿轮不同故障模式的智能识别。（2）针对多组分干扰下的故障特征提取问题,提出基于局部张量鲁棒主成分分析的信号子空间分离方法。在一维信号经重构形成的二阶轨迹张量即轨迹矩阵,在保持降噪性能的基础上,通过平滑核函数和距离函数建立信号的局部低秩模型。该模型认为信号吸引子相空间是代表信号中不同特征成分的多个子空间的线性混合,其对应的局部轨迹矩阵具有典型的低秩特征。并通过求解结合矩阵核范数和罚函数正则项的联合最小化的凸问题可以有效地分离这些低秩特征。然后,利用Teager能量算子计算信号的时频分布并通过故障特征的时频特征识别出故障相关的子空间分量,从而有效地从多组分信号中分离出故障特征。（3）针对多传感器联合分析和早期弱故障特征提取问题,提出基于广义非凸张量鲁棒主成分分析的弱故障特征信号能量保持方法。首先通过相空间重构技术将信号重构到三阶轨迹张量,获得多通道信号的高阶张量表征。然后应用经典的张量奇异值分解模型对其进行非线性滤波以挖掘多通道信号的联合故障特征。通过广义非凸约束对滤波采用的凸优化降噪框架中张量核范数的强凸约束进行非凸放松以避免有用的奇异值管幅值衰减,并利用峭度对于信号冲击特征的敏感的特性,定义一个新的张量奇异值峭度指标来自适应确定奇异值管的重构阶数,最终实现弱故障特征的有效提取和能量保持。（4）针对强噪声和多组分干扰下的弱故障诊断问题,将局部低秩模型扩展到三阶张量空间并对广义非凸张量鲁棒主成分分析进一步优化,提出基于局部广义非凸化张量鲁棒主成分分析的弱故障诊断方法。将实测的多通道信号重构的三阶轨迹张量建模为多个受噪声污染的局部低Tubal秩子空间的线性混合,并通过求解广义非凸优化框架有效分离这些特征子空间。同时定义一个新的多元峭度指标来识别其中与故障相关的子空间分量,从而有效地去除干扰成分并保持提取的故障特征的能量,实现多通道信号早期弱故障的特征提取和准确诊断。
王艳[3]（2021）在《滚动轴承故障特征快速提取方法及其应用研究》文中进行了进一步梳理滚动轴承是机械系统运行过程中的关键零部件之一,其应用范围极其广泛,且工作环境非常复杂,同时也是一种故障高频发生的部件。滚动轴承故障一旦萌生便容易迅速发展并恶化,若不能对故障做出快速准确地判断,并及时采取补救措施,将会影响到其他零部件的正常运行,甚至导致整个系统的瘫痪。正因如此,在运行中对滚动轴承进行实时监测和在线诊断一直都是领域研究的热点问题。滚动轴承发生故障时会产生周期性的冲击振动,借助有效的信号处理技术可以从振动信号中快速提取出轴承的故障特征,这也是实现滚动轴承实时监测和在线诊断的关键所在。然而,由于滚动轴承实际运行工况复杂,传感器采集到的信号中往往会混入大量背景噪声和干扰成分,使得表征轴承故障的冲击信号被淹没而无法识别,这很大程度上影响了轴承实时监测和在线诊断的效果。针对以上问题,本论文在强噪声、大干扰的复杂背景下,对滚动轴承早期故障特征的快速提取方法进行了系统研究,在信号快速降噪、能量算子解调、特征频率提取等方面提出了以下三种解决方案。（1）针对滚动轴承运行环境噪声严重、故障信号解调和特征提取困难的问题,本文提出了一种基于快速非局部均值滤波（IFNLM）和对称高阶差分解析能量算子（SHOAEO）的解决方法。首先,通过对相似度衡量标准和核函数的优化,得到了一种改进的快速非局部均值滤波（IFNLM）算法,在其算法过程中,对于任意两个相似结构块距离的加权平均计算仅需进行一次。采用该方法对原始信号进行降噪预处理,可以在提高算法降噪准确性的同时降低计算的复杂度。其次,在解析能量算子（AEO）的基础上,借鉴高阶差分和对称差分思想,提出了对称高阶差分解析能量算子（SHO-AEO）,并用来对降噪后的信号进行解调处理,并从其能量谱中识别出轴承故障的特征频率。随后,采用仿真信号和实验数据验证了IFNLM-SHOAEO方法的可行性和优越性。（2）针对滚动轴承在工作环境噪声和振动干扰并存的复杂背景下故障特征提取困难的问题,引入了一种新的快速模态分解方法——硬阈值快速迭代滤波（HTFIF）,它将原始复合信号快速地分解成一组具有单一分量的本征模态函数（IMF）;然后开发了一种考虑到信号本身特点和统计特性的综合指标L-KCA,用以选择敏感IMF;并通过在信号中使用间隔为k的三个采样点来改进对称差分序列,得到了一种k值改进的对称差分解析能量算子（k-SDAEO）来对敏感IMF进行解调,进而从其能量谱中识别出轴承故障特征频率。同样,也利用仿真模拟和实验数据验证了HTFIF-k-SDAEO方法的优越性及可行性。（3）针对滚动轴承早期微弱故障提取问题,首先采用了上面的HTFIF算法将轴承振动信号分解为一系列IMF并根据L-KCA值进行加权重构,预先滤除了部分干扰;之后构建了SOSO＿IFNLM增强滤波结构,在去除大量噪声的同时保持了原始振动信号的平滑性,增强了故障冲击特征;最后将对称高阶思想融入到频率加权能量算子技术中,提出了对称高阶频率加权能量算子（SHFWEO）,它在对降噪后的信号解调处理的同时提高了信号的信干比（SIR）。仿真模拟和全寿命周期加速实验也验证了HTFIFSOSO＿IFNLM-SHFWEO方法对复杂工况下早期微弱故障的提取的有效性和可行性。最后,本文以SDM00型振动筛为例,将前文中所提出的三种故障特征提取方法在振动机械故障诊断中进行了应用研究,并以此振动筛为依托对以上三种方法和所提三种能量算子进行了比较和评价,指出了在实际应用中,“提纯”和解调步骤的方法,可以根据具体情况优化匹配,为滚动轴承故障诊断提供最佳方案。
陈欣安[4]（2021）在《复杂工况下列车轴承故障预警与诊断方法》文中研究指明研究轴承的故障预警与诊断技术,对保障机械设备安全可靠及预防突发事故具有十分重要的意义。本文从工程实际需求出发,以轴承的振动信号为研究对象,研究小波包分解、经验模态分解、谱峭度、可视图变换、谱编码等信号处理方法及其对早期微弱故障、强背景噪声下、变工况下特征提取中的应用,在此基础上,结合增量支持向量数据描述、K最近邻、多标签K最近邻、半监督分类等机器学习算法,实现故障预警及复杂场景下的故障诊断。论文主要研究内容有:（1）综合多种信号处理方法的特征,提出了一种面向旋转机械振动信号特征提取的一般架构,为构建旋转机械振动信号特征提取方法提供了一种新思路。（2）针对滚动轴承早期微弱故障难以提取,提出了基于小波包滤波与谱编码的早期故障特征提取方法。该方法将峭度指标引入小波包分解分量的选取中,以选取分量中包含故障成分的信号,再对多个信号的平方包络谱做平均,进一步抑制随机成分的影响。然后,选取频谱中转频及故障特征频率处的幅值组成特征向量。针对仅有正常样本的故障辨识问题,提出了一种基于增量式支持向量数据描述（increment-Support-Vector-Data-Description,inc-SVDD）在线状态辨识方法。轴承全寿命周期实验结果表明,基于小波包滤波与谱编码特征提取方法能有效提取轴承早期故障特征,基于增量式支持向量数据描述的模型能适应具有不同寿命长度的轴承早期故障预警。（3）针对强噪声引起的故障特提取难的问题,提出了结合经验模态分解滤波方法与tile-coding谱编码的特征提取方法,将峭度与相关系数融合成的指标引入到分量的选取中,达到选取包含故障成分分量的目的。平均若干选取信号的平方包络谱,进一步抑制频谱中的随机成分。然后,利用基于tile-coding的谱编码方法对频谱进行编码,在尽可能保留谱信息的同时达到数据降维的目的。不同信噪比下实验表明,该方法能有效提取强噪声背景下的故障特征。（4）针对变工况引起的特征提取难的问题,提出了一种对变工况不敏感的可视图特征提取方法,将振动信号转化为可视图信号,并提取可视图的相关特征作为振动信号的特征,仿真实验结果表明该方法对变工况具有较好的鲁棒性。针对类别样本不平衡的训练数据造成分类器对少数类样本识别率低的问题,提出了一种改进的半监督分类算法,利用双变量的目标函数与规范化标签变量来平衡类别的影响,提高少数类样本在模型训练中的权重,从而提升少数类样本分类准确率。实验结果验证了所提方法的有效性和优越性。（5）针对轴承故障与转子不平衡并发的故障场景,提出了一种基于谱峭度滤波和对数tile-coding谱编码的特征提取方法,该方法利用谱峭度方法提取包含故障成分的分量,利用对数tile-coding谱编码提高低频段转子不平衡特征的辨识度及将谱信息编码成特征向量。通过分析轴承振动信号的谱信息,说明该特征提取方法能有效提取并发故障特征,并通过K最近邻算法进一步验证了特征提取模型有效性。针对并发故障间存在相关性、耦合性等问题,提出了一种基于多标签分类的并发故障诊断算法,并通过轴承与转子不平衡实验数据与常用算法进行了对比,结果证明了所提方法在并发故障诊断中具有明显的优势。
罗园庆[5]（2021）在《基于数学形态学的风力机发电机轴承故障诊断方法研究》文中指出以风力发电技术为代表的清洁能源正在全球迅速兴起,与传统的化石燃料相比,风力发电的最大优点是对环境造成的污染小。全球的风力发电机累计装机量正在逐年增长。轴承作为风力发电机传动系统的核心零部件,对整个风力发电机传动系统的安全稳定运行起着至关重要的作用。在风电机组的机械传动系统故障中,许多故障皆因轴承损坏失效引起。由于风力发电机长期服役在复杂的交变载荷下,加上强背景噪声、电磁干扰和复杂传递路径的影响,使测得的发电机轴承故障信号表现出非线性和非稳态的特点,这给发电机轴承的故障诊断和智能监测带来巨大的困难。常用的轴承故障诊断信号处理方法有时域方法、频域方法和时频域分析方法。然而单独采用时域方法和频域方法无法有效地检测到轴承的微弱故障信息,并且传统的时频分析方法存在一定的局限性。因此,如何寻求一种新的故障诊断研究方法来检测轴承早期的微弱故障十分必要。数学形态学理论如今已被广泛应用在机械振动信号处理领域。它通过预先设定好的结构元素直接作用于时域信号来提取故障特征信息,是一种有效的非线性和非稳态信号处理方法。本文以风力机发电机轴承为研究对象,并对数学形态学的理论方法进行改进与延伸进而来提取发电机轴承的微弱故障特征信息。为实现发电机轴承的早期精准故障检测和故障分类提供理论基础。论文的具体研究内容如下:（1）通过对数学形态学的基本理论研究,揭示出特征提取型算子和噪声削减型算子的滤波规律。为了能够提取发电机轴承的故障冲击特征信息,基于差分梯度算子（Morphological gradient,MG）和闭-开差分梯度算子（Difference filter,DIF）的乘积构造了增强形态差分算子（enhanced morphological difference operator,EMDO）。在选择EMDO算子的最优结构元素尺度时,将特征能量因子（feature energy factor,FEF）作为评价指标。接下来,建立了轴承外圈的故障信号模型,并对MG、DIF和EMDO算子的滤波性能进行定量分析。研究结果表明,EMDO算子对轴承的故障冲击信息起到了增强的作用。最后,进行风力机发电机轴承的故障实验验证,并与形态梯度乘积运算（morphology gradient product operation,MGPO）和形态顶帽乘积运算（morphology-hat product operation,MHPO）进行实验对比分析。研究结果表明,提出的EMDO算子的故障特征提取能力更加出色,适合于发电机轴承的故障诊断。（2）针对发电机轴承故障信号时常遭受着强背景噪声、多耦合谐波信号和随机冲击信号的干扰问题,仅采用EMDF滤波很难抑制这些干扰成分。因此,引进了概率主成分分析（probabilistic principal component analysis,PPCA）方法,来弥补EMDF在消噪能力上的不足。在传统的PPCA算法中,分解主成分k和原始变量n的参数通常由人为设定。为了解决这个问题,引入蝗虫优化算法（grasshopper optimization algorithm,GOA）来自适应优化出k和n值,实现了信号的去噪。随后构建了一种新的无量纲综合评价指标KSP,用来定量地检测PPCA的降噪性能,并把最大的KSP值作为GOA算法优化PPCA参数的目标函数。最终,结合APPCA与EMDF提出了一种自适应的发电机轴承故障诊断方法。仿真和工程应用结果表明,提出的方法可以有效地分析与诊断发电机轴承的故障信息,与ACDIF和VMD方法的对比结果表明,提出的方法具有一定的优越性。（3）基于形态顶帽算子的构造机理,首先构建了四种谐波信号提取型算子(enhanced average filtering,EAVGDC-EO,EAVGDC-OE,EAVGCD-EO和EAVGCD-OE),随后通过仿真证明了EAVGCD-OE算子对谐波信号的还原能力优于其它三种算子。接下来,为了保持时域信号正负脉冲的完整性,定义了一种增强的顶帽形态变换算子（enhanced top-hat morphological filtering,EAVGH）。与其它四种顶帽变换算子BTH,WTH,AVGH和CMFH的对比结果展示了EAVGH算子的优势。在此研究的基础上,利用循环谱相干函数（cyclic spectrum coherence,CSC）进一步解决了故障信号受到非线性调制频率成分影响的问题,并在此基础上结合EAVGH提出了发电机轴承故障诊断研究方法EAVGH-CSC。而且,通过实验结果证明EAVGH-CSC方法具有较高的故障特征提取能力。（4）为了提取发电机轴承的故障特征信息,从多尺度和多角度分析出发,定义了一种多尺度增强顶帽形态变换算子（Multiscale enhanced top-hat morphological filtering,MEAVGH）。然后,将MEAVGH与MCMFH进行乘积运算,构建了一种新的多尺度特征提取型滤波算子（Multi-scale feature extraction filtering operator,MFEO）,用于进一步增强故障特征信息。随后为了解决峭度指标容易受到大幅值信号影响的问题,定义了一种峭度故障特征率（Kurtosis fault feature ratio,KFFR）的综合无量纲评价指标。此外,针对传统的多尺度形态滤波器（Multi-scale morphological filter,MMF）因尺度加权区间选择不合理而影响故障特征提取问题,提出了迭代加权阈值的多尺度形态学信号重构方法。仿真和实验结果验证了提出的MFEO方法的有效性和工程适用性。（5）针对传统的时频分析方法将一维振动信号转换为二维图像信号时需要依赖专家知识的问题,利用二维图像比一维信号包含更多特征信息的优点,提出了一种基于多尺度数学形态学变换的信号图像转换方法。该方法将生成的图像样本视为卷积神经网络（Convolutional Neural Network,CNN）的输入。此外,为了提升CNN模型的泛化能力,引入了批量归一化方法（Batch Normalization,BN）,用于构建一种名为MFEO-CNN的智能识别分类方法。随后,利用发电机轴承的故障数据集验证了MFEO-CNN方法的有效性。在与EMD-CNN、EWT-CNN、CNN、SVM和ANN方法的比较分析结果中表明了MFEO-CNN方法具有较高的分类精度。
杨静[6]（2020）在《旋转机械早期故障诊断关键技术研究》文中研究指明旋转机械是航空航天、电力、交通、石油化工和国防工业等领域广泛使用的关键设备,其作业环境恶劣、作业条件复杂,在长期作业过程中,机械性能不断退化,故障频发。一旦出现故障,不仅严重制约企业的生产效率、降低产品质量、影响企业的市场竞争力,使企业蒙受巨大经济损失,甚至造成无法弥补的人员伤亡。通过振动监测可以获得大量含有设备运行信息的数据和参数图形,如频谱图、三维谱图、阶比图等。如何利用振动数据和参数图形及时准确地提取表征设备健康状态的信息,从而发现设备异常并确定故障的严重程度,对提高旋转机械运行的可靠性和稳定性具有重要意义。目前的研究主要针对特征明显、数据无关联关系、样本平衡且信息完整的故障诊断问题,这些研究成果能够提取故障特征并准确判定故障类型。但随着维修模式从被动向主动方向发展,故障诊断技术的智能化和实用化程度要求不断提高,诊断方法需要能够自适应地及时发现实际工业系统中设备的早期故障,为设备后期维护提供可靠依据,而现有研究成果难以满足要求。因此,为了解决以上问题,并考虑到早期故障具有特征微弱、特征信息耦合和不完备等特点,开展旋转机械早期故障诊断关键技术研究工作,具有重要的学术意义和工程应用价值。本论文开展的研究工作主要包括以下几个方面。（1）基于振动信号分析的旋转机械早期故障诊断方法研究旋转机械在运行过程中会产生含有多种频率成分的周期性振动信号,这些信号通常分为两类:1)仅与旋转部件本身弹性有关的振动;2)反映旋转部件损伤情况的振动。因此,基于振动信号分析可以有效地实现旋转机械故障诊断。然而,由于工业过程的复杂性和作业环境的恶劣性,旋转机械产生的振动信号通常是非平稳、非线性且含有强背景噪声。直接利用原始振动信号难以挖掘出隐含在其中的早期微弱故障特征。考虑到深度自编码器具备自动提取特征的优良性能,本论文提出了一种基于改进深度稀疏自编码器网络的故障诊断方法,以99%以上的平均识别准确度实现对旋转机械（无论加载与否）早期故障模式识别和严重程度确定。（2）数据相关条件下的旋转机械复合故障诊断方法研究现代旋转机械的组成单元之间相互关联且相互影响,整个设备系统具有强烈的不确定性和非线性特征;表征设备运行模态的参数种类繁多、高维稀疏、不易量化且难以区分。导致监测系统获取的反映系统运行机理和状态参数的数据具有海量性和相关性,使得早期复合故障普遍存在于各类旋转机械中。然而,现有的针对单一设备、子系统和子单元的故障诊断方法难以发现组成单元之间的关联关系,从而导致对复合故障的误诊率和漏诊率非常高。因此,本论文通过对关联数据进行分析与处理,并考虑到深度稀疏自编码器自适应提取特征和数据降维的性能,提出了一种基于相关分析和改进稀疏自编码器网络的故障诊断方法,以99.4%以上的平均诊断准确度实现加载旋转机械早期复合故障诊断。（3）数据非完备条件下的旋转机械故障诊断方法研究目前,旋转机械故障诊断方法的设计大都基于类分布大致平衡和获取的数据完整这一假设,通常假定用于训练的设备的各类健康状态样本数量大致相等,并且构成样本的数据没有缺失。事实上,由监测系统获取的大部分都是正常状态数据,只有极少量故障状态数据。此外,受传感器故障、通信线路以及人为因素等影响,实际采集的信号可能是不完整的,从而造成隐含在信号中的信息丢失。以上数据非完备普遍存在的现状极大地影响了故障诊断方法的有效性和准确性。因此,本论文在设计变尺度重采样策略和多水平去噪策略的基础上,提出了一种基于集成融合自编码器网络的故障诊断方法,以99.69%以上的平均诊断准确度实现数据不平衡和数据局部缺失条件下的旋转机械故障诊断。（4）基于振动双谱图识别的旋转机械早期故障诊断方法研究旋转机械早期故障的特征信号非常微弱且具有稀疏性,背景噪声的幅值远大于特征信号且几乎分布在整个频带范围内,信噪比很低。相比一维振动数据,具有强去噪能力的双谱图中包含设备运行状态的信息量更丰富。因此,考虑到双谱图和增强型超分辨率生成对抗网络（Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN）的优良性能,本论文首先基于双谱分析技术获取旋转机械的振动双谱图,并将其转换为存储需求更小的二维灰度图;然后,基于ESRGAN设计超分辨率重建策略,对灰度图进行清晰化处理,提高图像的分辨率。在此基础上,提出了适用于振动双谱图识别的改进卷积神经网络（Convolutional Neural Network,CNN）分类模型,以99.99%和100%的平均识别准确度分别检测出不同型号滚动轴承早期故障信号。以更加直观、更易被操作人员理解的可视化方式,实现旋转机械早期故障诊断。
石玉文[7]（2020）在《基于压缩感知的煤岩体破裂声发射信号提取方法研究》文中提出煤岩在受作用力的情况下发生变形或断裂现象时,通过监测、分析释放能量的声发射信号变化情况,可推断煤岩体破坏程度,预测突出源位置,实现对煤岩动力灾害的预警,因此,声发射检测技术成为防治煤岩体动力灾害发生的研究手段。然而实际矿下作业环境嘈杂,导致监测到的灾害预警声发射信号中含有大量的噪声信号,降低预测煤岩体动力灾害发生的准确度。为此在强背景噪声下,本文对有效煤岩体声发射信号的提取方法展开研究。针对煤岩体声发射信号具有随机非平稳、易受噪声信号干扰的特点,在小波变换降噪的基础上,提出一种基于压缩感知理论的煤岩声发射信号降噪方法,利用有用信号和噪声信号的稀疏性对声发射信号进行降噪处理。该方法避免了小波变换滤波中选取阈值、小波基函数、分解层数对降噪效果的影响,有效地抑制了噪声信号的干扰,提高降噪精度。考虑煤岩破裂过程中产生声发射信号多样性,本文通过三种典型盲源分离算法对有效信号进行盲源分离研究。对比分析分离效果评价指标,发现经Fast ICA算法分离后的信号PI值相对较小,相似系数越接近于1,其分离效果最佳,适用于监测有效煤岩破裂声发射信号的准确提取。探究Fast ICA分离算法对含噪混叠信号分离效果的局限性,将信号降噪处理与盲源分离算法的结合奠定了基础。为改善盲源分离算法在含噪混叠信号中的应用效果,通过仿真实验,将信号降噪预处理后的混叠信号进行Fast ICA盲源分离研究,经评价指标对比分析经小波变换、压缩感知降噪预处理的分离效果,结果表明基于压缩感知的盲源分离效果优于小波变换滤波下的分离效果,信号降噪分离后的均方误差（MSE）、信噪比（SNR）和相似系数得到了良好改善,可用于背景噪声影响下煤岩破裂声发射信号的提取。该论文有图36幅,表9个,参考文献62篇。
李加莉[8]（2020）在《面向车联网系统的可见光通信研究》文中研究说明可见光通信（Visible Light Communication,VLC）是目前较前沿的一门通信技术,将其应用于车联网中构成智能交通系统成为一大热门研究。但是,室外环境传播光信号会因太阳光与其它人造光源的干扰产生较大失真,且用户在进行网络切换时易发生乒乓效应,影响网络的稳定性。要实现车联网中高速稳定的可见光通信,对车联网可见光通信的强背景光干扰及网络切换特性的分析是重中之重。因此,本文围绕车联网VLC的强背景光干扰及网络切换两个方面开展研究。针对车联网可见光通信系统背景光噪声大的问题,将改进的集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）与压缩感知（Compressed sensing,CS）相结合,提出基于车辆网VLC系统的改进的强背景光噪声抑制算法,自适应的选取EEMD的本征模态分量（Intrinsic Mode Function,IMF）阈值,有效避免了复杂繁琐的阈值的选取,在重构过程中抑制噪声,达到去噪的目的。首先,使用滤波器滤除光信号中的人造光源噪声;其次,进行EEMD算法去噪,提出使用改进的蚁群算法来自适应的确定EEMD的IMF分量的阈值,得到EEMD重构后的去噪信号;然后,利用压缩感知算法也对滤波后进行压缩重构去噪,得到进CS算法重构后的信号;最后,对两种重构信号进行加权处理得到相互补充的精确去噪信号。经仿真验证,本文提出的算法对车联网系统可见光通信背景光噪声抑制具有较好的效果。针对室外车联网可见光通信系统切换时网络间评估差距太小且易发生乒乓效应的问题,提出一种基于改进的多属性切换算法。首先,将输入的属性进行属性指标正向化;然后,利用改进的客观权值求解算法,得到室外车联网环境下用户完全独立的客观网络选择的权值,以减小属性间依赖关系对网络选择的影响;最后,结合得到的网络选择主观权值与客观权值,根据主观和客观评价值的一致性和评价结果的最优性,提出改进的主客观权值分配模型,根据分配模型求得各属性最终的权值,利用权值求得各网络的网络评估值,根据评估值排序,选择评估值最大的网络为目标网络。仿真结果表明,本文所提算法能寻找最佳的目标网络,降低室外可见光通信系统中网络间切换的失败率、避免乒乓效应、提升系统通信性能。
高健桐[9]（2020）在《强背景环境噪声下的弱声学信号提取方法研究》文中提出舰船及水下潜器的辐射噪声包含了大量的重要信息,这些特征信息可以被用作水面及水下目标的识别、跟踪和参数估计,能够反映自身运转状况及目标强度。由于海洋背景噪声（波浪、深海混响等）具有很强的干扰作用,精确提取舰船辐射噪声将变得十分困难。对于包含大量信息参数的辐射噪声在较强的海洋背景噪声中的提取问题属于强背景噪声下弱声信号提取问题研究范畴,这对准确获得舰船及水下潜器的辐射噪声带来挑战,因此获取强背景噪声中的弱声学信号对于舰船及水下潜器等水下目标识别是重要的研究问题之一。本文基于盲源分离方法中的独立成分分析（ICA）算法研究了强背景噪声下弱声学信号时域和频域提取方法。分别利用数值模拟方法实现了单干扰源和双干扰源背景噪声下弱脉冲声信号的时域分离算法,弱声学信号并进行实验验证。通过数值模拟和实验方法探讨了信噪比的大小对弱脉冲声信号时域分离效果的影响。构建了随机海洋背景噪声中水下弱声学信号的频域分离方法分析模型,通过数值分析和实验完成了对水下弱声学信号的频域分离。在上述研究基础上,基于BP神经网络算法实现弱脉冲声信号的时域分离结果的模式识别,提出将分离信号的进行中心化和比例缩放的处理方法。本文针对强背景噪声下弱声学信号分离问题,在一定的信噪比条件下实现了弱声学信号的提取与识别,并结合船舶与海洋工程领域得到了实际应用。具体研究内容和成果如下:（1）基于盲源分离法的弱脉冲声信号分离方法。分析了线性瞬时混合的盲源分离模型,基于盲源分离问题的3条基本假设条件,以盲源分离方法中ICA方法为主,介绍了几种ICA的代价函数和优化算法。以实现“全盲”条件下的盲源分离为设定目标,选取基于峭度的快速不动点法作为实现强背景噪声下弱声学信号提取的基本算法。针对弱声学信号“弱”的程度,介绍了幅值信噪比概念,对信噪比对盲源分离法带来的影响进行研究。（2）随机强背景噪声下弱脉冲声信号的时域分离算法研究及实验。基于主要成分分析（PCA）和独立成分分析（ICA）并利用快速不动点迭代法,给出时域的FastICA算法。以弱脉冲声信号为信号源,分别对单干扰源（随机白噪声）和双干扰源（随机白噪声+正弦音）背景噪声下的分离方法进行研究,通过对实验已知信号进行弱声学信号分离验证了算法可行性。在较低信噪比即背景噪声较大的条件下实现弱脉冲声信号分离,并从数值和实验两个方面分析了幅值信噪比的大小对弱脉冲声信号时域分离效果的影响。（3）强背景噪声中水下弱声学信号的频域分离算法研究及实验。根据船舶在航行过程中产生辐射噪声的特性,对噪声源种类和频谱分析特性进行了介绍。计算复数域的代价函数和优化方法,将时域下的FastICA盲源分离方法拓展到了频域分离,并应用于螺旋桨水下辐射噪声分离中,通过对实验测试数据的分析验证了算法可行性。（4）基于BP神经网络的弱声学信号时域分离结果的模式识别算法研究。给定声学时域信号,阐述了适用于该信号特征提取指标,以波形因子、峰值因子、脉冲因子和裕度因子作为本文时域特征指标,利用实验测试数据分离信号进行了中心化和比例缩放处理后进行特征指标提取,构建了4-11-3类型的BP神经网络,进行三种声学信号源种类的模式识别,排除了声学信号能量对时域特征捕捉的干扰。实现了信号源种类识别和强背景环境噪声下弱声信号的模式识别。
叶杨[10]（2020）在《声发射技术在直升机旋翼桨叶损伤识别中的应用研究》文中研究说明直升机在长期的飞行任务中,旋翼桨叶极易发生细微损伤,其对直升机飞行安全的威胁不亚于那种肉眼可见的严重损伤。声发射检测技术是一种动态无损检测技术,能够实时且有效地检测出材料中正在发生和发展的细微损伤,论文研究基于声发射技术的旋翼桨叶损伤监测的相关技术。主要研究工作及如下:首先,基于NI Compact RIO嵌入式测控系统与Lab VIEW软件平台开发了一套旋翼桨叶声发射信号监测系统,编制了声发射数据采集控制软件和相应用户界面;其次,针对桨叶工作环境下的强背景噪声问题,研究了声发射信号的降噪方法。结合小波变换和独立分量分析各自优点,提出了小波独立分量分析联合去噪算法。与小波阈值去噪对比分析的结果表明,联合去噪效果优于小波阈值去噪;再次,针对损伤声发射信号的特征提取问题,研究了核主成分分析方法,并利用断铅模拟声发射损伤数据,进行了实验验证。结果表明,该方法可显着降低数据冗余;然后,提出了用于损伤定位的2维3点式传感器布置方案,研究了利用支持向量机的分类与回归功能进行损伤定位的方法,并进行了实验验证;最后,根据声发射信号峰值频率与损伤模式的对应关系,研究了对桨叶损伤模式的分类方法。将提取的特征参数输入支持向量机,进行了损伤模式的分类实验,取得了良好效果。
二、基于独立成分分析的强背景噪声去噪方法（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、基于独立成分分析的强背景噪声去噪方法（论文提纲范文）
（1）基于激光雷达数据的气溶胶特性反演方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 激光雷达信号去噪技术研究现状 |
| 1.3 行星边界层高度探测方法研究现状 |
| 1.4 气溶胶消光特性反演方法研究现状 |
| 1.5 气溶胶微物理特性探测技术研究现状 |
| 1.6 本文研究内容及章节安排 |
| 第二章 激光雷达系统和数据预处理 |
| 2.1 激光雷达系统 |
| 2.1.1 Mie散射激光雷达 |
| 2.1.2 Raman散射激光雷达 |
| 2.1.3 高光谱分辨率激光雷达 |
| 2.1.4 多波长激光雷达 |
| 2.2 .激光雷达数据预处理 |
| 2.2.1 探测器延时校正 |
| 2.2.2 背景噪声订正 |
| 2.2.3 后脉冲订正 |
| 2.2.4 距离平方校准 |
| 2.3 基于变分模态分解和鲸鱼优化算法的激光雷达信号去噪方法 |
| 2.3.1 变分模态分解算法 |
| 2.3.2 鲸鱼优化算法 |
| 2.3.3 基于变分模态分解和鲸鱼优化算法的去噪方法 |
| 2.3.4 实验结果与讨论 |
| 2.4 本章小结 |
| 第三章 基于激光雷达数据的行星边界层高度反演 |
| 3.1 边界层高度反演资料 |
| 3.1.1 微脉冲激光雷达资料 |
| 3.1.2 无线电探空仪资料 |
| 3.2 行星边界层高度的常用反演方法 |
| 3.2.1 梯度法 |
| 3.2.2 曲线拟合方法 |
| 3.2.3 小波协方差变换法 |
| 3.3 改进的行星边界层高度自适应确定方法 |
| 3.4 实验结果与讨论 |
| 3.4.1 合成信号实验 |
| 3.4.2 实测数据实验 |
| 3.5 本章小结 |
| 第四章 基于激光雷达数据的气溶胶消光特性反演 |
| 4.1 常见激光雷达系统的气溶胶消光系数反演方法 |
| 4.1.1 基于Mie散射激光雷达反演消光系数 |
| 4.1.2 基于Raman散射激光雷达反演消光系数 |
| 4.1.3 基于高光谱分辨率激光雷达反演消光系数 |
| 4.2 深度信念网络 |
| 4.3 基于深度信念网络的气溶胶消光系数反演方法 |
| 4.4 实验结果与讨论 |
| 4.5 本章小结 |
| 第五章 基于多波长激光雷达数据的气溶胶微物理特性反演 |
| 5.1 气溶胶微物理特性 |
| 5.1.1 气溶胶的粒径 |
| 5.1.2 气溶胶的粒径谱分布 |
| 5.1.3 粒子尺度描述参数 |
| 5.1.4 复折射指数 |
| 5.2 Mie散射理论 |
| 5.3 不适定问题概述 |
| 5.4 基于GCV正则化反演气溶胶粒子谱分布 |
| 5.5 基于气溶胶微物理参数正演气溶胶光学特性 |
| 5.5.1 粒子谱分布的选择 |
| 5.5.2 气溶胶复折射指数的选择 |
| 5.5.3 气溶胶光学特性和激光雷达信号的模拟 |
| 5.6 基于气溶胶光学参数反演气溶胶微物理特性 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究内容与总结 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 在研期间的工作成果 |
（2）张量分解理论及其在机械故障诊断中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词表 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 经典信号分析方法的研究现状 |
| 1.3 模式分解方法研究现状 |
| 1.3.1 经验模式分解 |
| 1.3.2 局部均值分解 |
| 1.3.3 奇异值分解 |
| 1.3.4 张量分解 |
| 1.4 论文研究内容与结构安排 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文结构安排 |
| 第2章 张量理论基础和信号的高阶张量表征 |
| 2.1 引言 |
| 2.2 张量理论基础 |
| 2.2.1 符号的定义 |
| 2.2.2 张量代数的基本运算 |
| 2.3 基于相空间重构的振动信号的高阶张量表征 |
| 2.3.1 相空间重构基本原理 |
| 2.3.2 相空间重构参数的确定原则与仿真验证 |
| 2.3.3 振动信号的高阶张量表征 |
| 2.4 本章小结 |
| 第3章 张量CP分解和张量奇异值分解 |
| 3.1 引言 |
| 3.2 CP分解 |
| 3.2.1 基本定义 |
| 3.2.2 数值仿真分析 |
| 3.2.3 CPD应用于机械故障诊断中存在的问题 |
| 3.3 张量奇异值分解 |
| 3.3.1 基本定义 |
| 3.3.2 基于TSVD模型的信号分解和特征提取 |
| 3.3.3 数值仿真分析 |
| 3.3.4 TSVD在应用于机械故障诊断中存在的问题 |
| 3.4 本章小结 |
| 第4章 张量核范数CP分解及其在信号降噪中的应用 |
| 4.1 引言 |
| 4.2 张量核范数CP分解 |
| 4.2.1 稀疏与低秩 |
| 4.2.2 基于张量核范数和凸优化的改进张量CP分解 |
| 4.3 数值仿真分析 |
| 4.3.1 降噪性能分析 |
| 4.3.2 特征提取性能分析 |
| 4.4 TNNCPD结合MSPE用于实验台齿轮故障诊断 |
| 4.4.1 实验台简介 |
| 4.4.2 信号分析 |
| 4.5 本章小结 |
| 第5章 局部张量鲁棒主成分分析及其在信号多组分分离中的应用 |
| 5.1 引言 |
| 5.2 局部张量鲁棒主成分分析 |
| 5.2.1 鲁棒主成分分析 |
| 5.2.2 基于局部低秩矩阵逼近的改进鲁棒主成分分析 |
| 5.3 数值仿真分析 |
| 5.3.1 降噪性能分析 |
| 5.3.2 信号分解和特征提取性能分析 |
| 5.4 实测故障数据分析 |
| 5.4.1 实验台简介 |
| 5.4.2 信号分析 |
| 5.5 本章小结 |
| 第6章 广义非凸张量鲁棒主成分分析及其在早期弱故障特征能量保持中的应用 |
| 6.1 引言 |
| 6.2 广义非凸张量鲁棒主成分分析 |
| 6.2.1 基于张量鲁棒主成分分析的信号轨迹张量降噪 |
| 6.2.2 基于广义非凸优化的改进张量鲁棒主成分分析 |
| 6.2.3 GNCTRPCA结合奇异值峭度用于弱故障特征的准确提取 |
| 6.3 数值仿真分析 |
| 6.3.1 降噪性能分析 |
| 6.3.2 TSVK确定最优重构阶数的分析 |
| 6.3.3 弱故障特征提取和幅值能量保持性能分析 |
| 6.4 实验台故障数据分析 |
| 6.4.1 实验台简介 |
| 6.4.2 信号分析 |
| 6.5 本章小结 |
| 第7章 局部广义非凸张量鲁棒主成分分析及其在早期弱故障诊断中的应用 |
| 7.1 引言 |
| 7.2 局部广义非凸张量鲁棒主成分分析 |
| 7.2.1 局部模型构建 |
| 7.2.2 基于广义非凸优化的局部模型分解 |
| 7.2.3 基于多元峭度的故障特征分量识别及全局近似 |
| 7.3 数值仿真分析 |
| 7.4 实验台故障数据分析 |
| 7.4.1 实验台简介 |
| 7.4.2 信号分析 |
| 7.5 本章小结 |
| 第8章 结论与展望 |
| 8.1 结论 |
| 8.2 创新点 |
| 8.3 展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读博士学位期间取得的科研成果 |
| 附录2 攻读博士学位期间参加的科研项目 |
（3）滚动轴承故障特征快速提取方法及其应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 滚动轴承振动特性分析基础 |
| 1.2.1 滚动轴承振动源及信号特征 |
| 1.2.2 滚动轴承故障振动信号特点 |
| 1.3 滚动轴承故障诊断中几个关键问题的硏究现状 |
| 1.3.1 信号降噪方法的研究现状 |
| 1.3.2 解调方法的研究现状 |
| 1.3.3 早期微弱故障诊断的研究现状 |
| 1.4 主要研究内容与章节安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文章节安排 |
| 第二章 基于IFNLM和 SHO-AEO的轴承故障特征快速提取 |
| 2.1 NLM降噪算法 |
| 2.2 改进的快速NLM降噪算法 |
| 2.2.1 相似性度量标准的优化 |
| 2.2.2 改进的核函数 |
| 2.2.3 IFNLM基本参数设置 |
| 2.2.4 IFNLM算法的性能分析 |
| 2.3 基本能量算子回顾 |
| 2.3.1 Teager能量算子 |
| 2.3.2 对称差分能量算子 |
| 2.3.3 解析能量算子 |
| 2.4 对称高阶差分解析能量算子 |
| 2.4.1 SHO-AEO的理论推导 |
| 2.4.2 SHO-AEO阶次m的确定 |
| 2.4.3 SHO-AEO解调性能 |
| 2.5 IFNLM-SHOAEO方法的技术路线 |
| 2.6 仿真验证和分析 |
| 2.6.1 低噪声水平的轴承故障特征提取 |
| 2.6.2 中等噪声水平的轴承故障特征提取 |
| 2.6.3 高噪声水平的轴承故障特征提取 |
| 2.7 实验验证和分析 |
| 2.7.1 内圈故障特征提取 |
| 2.7.2 外圈故障特征提取 |
| 2.8 本章小结 |
| 第三章 基于HTFIF和 k-SDAEO的轴承故障特征快提取 |
| 3.1 硬阈值快速迭代滤波HTFIF |
| 3.1.1 HTFIF基本理论 |
| 3.1.2 性能比较 |
| 3.2 敏感IMF选择的L-KCA指标 |
| 3.2.1 L-KCA基本理论 |
| 3.2.2 性质讨论 |
| 3.3 k值改进的对称差分解析能量算子 |
| 3.3.1 k-SDAEO的基本原理 |
| 3.3.2 k-SDAEO的信噪比增强 |
| 3.4 所提HTFIF-k-SDAEO方法的步骤 |
| 3.5 仿真验证和分析 |
| 3.5.1 故障轴承的模拟信号 |
| 3.5.2 低噪声水平的轴承故障特征提取 |
| 3.5.3 高噪声水平的轴承故障特征提取 |
| 3.5.4 高噪声水平和谐波干扰并存的故障特征提取 |
| 3.6 实验验证和分析 |
| 3.6.1 实验装置 |
| 3.6.2 外圈故障特征提取 |
| 3.6.3 内圈故障特征提取 |
| 3.6.4 滚动体故障特征提取 |
| 3.7 本章小结 |
| 第四章 基于SOSO增强技术的滚动轴承微弱故障特征提取 |
| 4.1 增强算法的技术背景 |
| 4.2 IFNLM去噪算法的SOSO增强 |
| 4.2.1 SOSO_IFNLM增强算法的实现 |
| 4.2.2 SOSO增强算法的性能 |
| 4.3 对称高阶频率加权能量算子 |
| 4.3.1 SHFWEO理论推导 |
| 4.3.2 SHFWEO性质讨论 |
| 4.4 HTFIF-SOSO_IFNLM-SHFWEO的技术路线 |
| 4.5 仿真验证和分析 |
| 4.6 实验验证和分析 |
| 4.6.1 实验一 |
| 4.6.2 实验二 |
| 4.7 本章小结 |
| 第五章 所提方法在振动机械故障诊断中的应用研究 |
| 5.1 振动筛试验平台 |
| 5.1.1 振动筛的结构和工作原理 |
| 5.1.2 直线振动筛轴承受力分析 |
| 5.1.3 振动信号采集系统 |
| 5.2 激振器轴承故障诊断试验 |
| 5.2.1 试验内容 |
| 5.2.2 数据采集 |
| 5.2.3 试验结果分析 |
| 5.3 基于激振器故障轴承的算法比较 |
| 5.3.1 三种诊断方法的比较 |
| 5.3.2 三种能量算子的比较 |
| 5.4 本章小结 |
| 结论与展望 |
| 结论 |
| 创新点 |
| 展望 |
| 参考文献 |
| 攻读博士学位期间取得的科研成果 |
| 致谢 |
（4）复杂工况下列车轴承故障预警与诊断方法（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 旋转机械故障预警与诊断研究现状 |
| 1.2.1 旋转机械振动信号特征提取方法研究现状 |
| 1.2.2 旋转机械振动信号模式识别方法研究现状 |
| 1.3 论文主要研究内容及总体框架 |
| 2 旋转机械故障机理及特征提取方法一般架构 |
| 2.1 滚动轴承故障机理及典型故障特征 |
| 2.1.1 滚动轴承失效机理与形式 |
| 2.1.2 滚动轴承振动信号的特征频率分析 |
| 2.1.3 滚动轴承典型故障振动特征 |
| 2.2 转子不平衡振动机理及典型故障特征 |
| 2.2.1 转子不平衡故障机理介绍 |
| 2.2.2 转子不平衡故障特征 |
| 2.3 特征提取方法一般框架 |
| 2.4 小结 |
| 3 基于incSVDD的轴承早期故障预警方法 |
| 3.1 故障预警问题定义 |
| 3.2 故障预警的一般方法 |
| 3.3 基于incSVDD的故障预警方法 |
| 3.3.1 基于小波包的滤波方法 |
| 3.3.2 基于小波包分量的谱编码 |
| 3.3.3 基于incSVDD的故障预警 |
| 3.4 实例分析 |
| 3.4.1 实验设置 |
| 3.4.2 实验结果分析 |
| 3.5 小结 |
| 4 强噪声工况下轴承故障诊断方法 |
| 4.1 轴承振动信号消噪问题定义 |
| 4.2 轴承振动信号消噪的一般方法 |
| 4.2.1 自参考自适应滤波 |
| 4.2.2 离散随机分离 |
| 4.2.3 小波去噪 |
| 4.2.4 自适应信号分解去噪方法 |
| 4.3 基于信号自适应分解与谱编码的故障诊断方法 |
| 4.3.1 基于EMD的滤波方法 |
| 4.3.2 基于EMD分量的tile-coding谱编码方法 |
| 4.4 实例分析 |
| 4.4.1 实验数据介绍 |
| 4.4.2 模型降噪性能分析 |
| 4.4.3 不同信噪比下模型分类结果 |
| 4.5 小结 |
| 5 变工况与样本不平衡条件下轴承故障诊断方法 |
| 5.1 问题描述 |
| 5.2 处理变工况与类别样本不平衡的一般方法 |
| 5.3 基于半监督的类别样本不平衡故障诊断方法 |
| 5.3.1 基于可视图的特征提取方法 |
| 5.3.2 半监督学习的图模型构建 |
| 5.3.3 半监督学习的标签传播 |
| 5.4 实例分析 |
| 5.4.1 数据集设置 |
| 5.4.2 可视图特征仿真验证 |
| 5.4.3 基于VGF-GRSSL的故障诊断 |
| 5.5 小结 |
| 6 基于谱峭度与谱编码的并发故障诊断方法 |
| 6.1 并发故障问题定义 |
| 6.2 并发故障诊断的一般方法 |
| 6.2.1 特征提取方法 |
| 6.2.2 模式识别方法 |
| 6.3 基于谱峭度的并发故障诊断方法 |
| 6.3.1 基于谱峭度的滤波方法 |
| 6.3.2 基于谱峭度的谱编码 |
| 6.3.3 多分类与多标签分类 |
| 6.4 滚动轴承与转子不平衡故障分析 |
| 6.4.1 滚动轴承故障 |
| 6.4.2 转子不平衡故障 |
| 6.4.3 轴承内圈故障及并发故障 |
| 6.4.4 轴承外圈故障及其并发故障 |
| 6.4.5 轴承滚动体故障及其并发故障 |
| 6.5 实例分析 |
| 6.5.1 多分类结果 |
| 6.5.2 多标签分类结果 |
| 6.6 小结 |
| 7 总结与展望 |
| 7.1 主要研究结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）基于数学形态学的风力机发电机轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的意义和背景 |
| 1.2 课题的国内外研究现状 |
| 1.2.1 风电轴承的失效模式 |
| 1.2.2 风电轴承的故障机理 |
| 1.2.3 风电轴承故障特征提取方法研究 |
| 1.2.4 智能诊断方法在风电轴承上的应用 |
| 1.3 数学形态学在旋转机械故障诊断上的研究 |
| 1.3.1 数学形态学的理论背景 |
| 1.3.2 数学形态学在轴承故障特征提取上的应用 |
| 1.4 本文研究的内容和技术路线 |
| 第2章 数学形态学算子的滤波性能分析 |
| 2.1 引言 |
| 2.2 数学形态学的基本理论 |
| 2.2.1 数学形态学的定义 |
| 2.2.2 数学形态学算子的用途分析 |
| 2.2.3 增强形态差分算子 |
| 2.2.4 结构元素的选择 |
| 2.3 形态学算子的滤波性能分析 |
| 2.3.1 评价指标和轴承故障模型的建立 |
| 2.3.2 EMDO算子的滤波性能分析 |
| 2.4 轴承故障的仿真信号分析 |
| 2.4.1 轴承故障模型的建立 |
| 2.4.2 EMDO算子在不同尺度下的滤波结果 |
| 2.4.3 与MGPO算子和MHPO算子的对比分析 |
| 2.5 发电机轴承故障实验分析 |
| 2.5.1 实验装置和测试环境介绍 |
| 2.5.2 实验数据采集与分析 |
| 2.5.3 与其它算子的实验滤波结果比较分析 |
| 2.6 本章小结 |
| 第3章 发电机轴承故障诊断的自适应PPCA-EMDF方法 |
| 3.1 引言 |
| 3.2 自适应概率主成分分析 |
| 3.2.1 概率主成分分析 |
| 3.2.2 蝗虫优化算法 |
| 3.3 APPCA-EMDF方法 |
| 3.3.1 目标函数的选择 |
| 3.3.2 PPCA-EMDF方法的计算流程 |
| 3.4 发电机轴承故障模型的仿真分析 |
| 3.4.1 发电机轴承外圈的故障信号模型 |
| 3.4.2 发电机轴承内圈的故障信号模型 |
| 3.5 发电机轴承的早期故障分析 |
| 3.5.1 测试实验台与测试数据介绍 |
| 3.5.2 APPCA-EMDF方法处理的实验结果 |
| 3.6 风力机发电机轴承的故障分析 |
| 3.6.1 测试实验装置介绍 |
| 3.6.2 测试实验数据分析 |
| 3.6.3 ACDIF与VMD方法的分析结果比较 |
| 3.7 本章小结 |
| 第4章 发电机轴承故障诊断的增强形态顶帽变换研究方法 |
| 4.1 引言 |
| 4.2 增强形态顶帽变换 |
| 4.2.1 AVGH和CMFH算子的介绍 |
| 4.2.2 增强形态顶帽算子EAVGH |
| 4.2.3 EAVGH算子的滤波性能分析 |
| 4.3 结合循环谱相干分析的形态顶帽滤波器 |
| 4.3.1 循环谱相干 |
| 4.3.2 EAVGH-CSC方法的流程图 |
| 4.4 仿真分析 |
| 4.4.1 故障信号仿真模型建立 |
| 4.4.2 EAVGH-CSC方法的分析结果 |
| 4.4.3 EAVGH-CSC方法的鲁棒性和灵敏度分析 |
| 4.5 风力发电机的实验分析 |
| 4.5.1 实验台和实验数据描述 |
| 4.5.2 EAVGH-CSC方法的处理结果 |
| 4.5.3与SK和EEMD方法的对比分析结果 |
| 4.6 本章小结 |
| 第5章 发电机轴承在多尺度数学形态学下的故障诊断方法 |
| 5.1 引言 |
| 5.2 多尺度数学形态学的基本理论 |
| 5.2.1 常见的多尺度形态学算子 |
| 5.2.2 多尺度增强形态顶帽变换算子 |
| 5.3 多尺度数学形态学的信号重构 |
| 5.3.1 常见的多尺度形态学信号重构 |
| 5.3.2 迭代加权阈值的多尺度形态学信号重构 |
| 5.4 仿真信号分析 |
| 5.4.1 发电机的电磁振动 |
| 5.4.2 发电机的轴承外圈故障模型 |
| 5.5 风力机发电机轴承的实验信号分析 |
| 5.5.1 实验装置与测试数据的介绍 |
| 5.6 本章小结 |
| 第6章 发电机轴承的深度学习诊断研究方法 |
| 6.1 引言 |
| 6.2 基本理论介绍 |
| 6.2.1 多尺度数学形态运算 |
| 6.2.2 卷积神经网络CNN |
| 6.3 提出的MFEO-CNN方法 |
| 6.3.1 改进的CNN架构 |
| 6.3.2 基于MFEO与CNN的故障诊断框架 |
| 6.4 CWRU的实验数据验证 |
| 6.4.1 数据描述 |
| 6.4.2 提出方法的分析结果 |
| 6.5 发电机轴承的测试数据验证 |
| 6.5.1 测试系统与数据描述 |
| 6.5.2 提出方法的分析结果 |
| 6.6 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 本文主要创新点 |
| 7.3 未来工作展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（6）旋转机械早期故障诊断关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 旋转机械故障诊断概述 |
| 1.2.1 旋转机械故障诊断基本方法 |
| 1.2.2 旋转机械故障诊断技术研究现状 |
| 1.2.3 旋转机械振动故障诊断 |
| 1.3 旋转机械早期故障诊断的关键问题 |
| 1.3.1 旋转机械早期故障诊断概述 |
| 1.3.2 早期故障诊断的关键问题 |
| 1.4 本文研究工作 |
| 1.4.1 论文研究内容与创新点 |
| 1.4.2 论文总体框架 |
| 2 旋转机械故障诊断基本理论 |
| 2.1 引言 |
| 2.2 滚动轴承振动故障机理 |
| 2.3 滚动轴承故障特征 |
| 2.4 本章小结 |
| 3 基于振动信号分析的旋转机械早期故障诊断方法 |
| 3.1 引言 |
| 3.2 基于振动信号分析的旋转机械早期故障诊断算法原理 |
| 3.2.1 稀疏自编码器的基本原理 |
| 3.2.2 L-BFGS优化算法的基本原理 |
| 3.2.3 基于改进稀疏自编码器的早期故障诊断算法 |
| 3.3 诊断算法的流程 |
| 3.4 实验验证与分析 |
| 3.4.1 滚动轴承试验台简介 |
| 3.4.2 故障诊断与结果分析 |
| 3.4.3 对比实验及分析 |
| 3.5 本章小结 |
| 4 数据相关条件下的旋转机械复合故障诊断方法 |
| 4.1 引言 |
| 4.2 数据相关条件下的旋转机械复合故障诊断算法原理 |
| 4.2.1 复合故障及其特征分析 |
| 4.2.2 复合故障诊断模型 |
| 4.2.3 数据相关度评估准则 |
| 4.3 诊断算法的流程 |
| 4.4 实验验证与分析 |
| 4.4.1 滚动轴承试验台简介 |
| 4.4.2 故障诊断与结果分析 |
| 4.4.3 对比实验及分析 |
| 4.5 本章小结 |
| 5 数据非完备条件下的旋转机械故障诊断方法 |
| 5.1 引言 |
| 5.2 数据非完备条件下的旋转机械故障诊断算法原理 |
| 5.2.1 理论基础 |
| 5.2.2 数据非完备特征分析 |
| 5.2.3 基于EFAE模型的故障诊断算法 |
| 5.3 诊断算法的流程 |
| 5.4 实验验证与分析 |
| 5.4.1 故障诊断与结果分析 |
| 5.4.2 对比实验及分析 |
| 5.5 本章小结 |
| 6 基于振动双谱图识别的旋转机械早期故障诊断方法 |
| 6.1 引言 |
| 6.2 基于振动双谱图识别的旋转机械早期故障诊断算法原理 |
| 6.2.1 双谱分析的基本原理 |
| 6.2.2 ESRGAN的基本原理 |
| 6.2.3 图像转换与清晰化技术 |
| 6.2.4 卷积神经网络基本理论 |
| 6.2.5 故障诊断模型设计 |
| 6.3 诊断算法的流程 |
| 6.4 实验验证与分析 |
| 6.4.1 6203 型滚动轴承简介 |
| 6.4.2 6203 型滚动轴承诊断样本集描述及网络配置 |
| 6.4.3 6203 型滚动轴承故障诊断与结果分析 |
| 6.4.4 LDK UER204 滚动轴承简介 |
| 6.4.5 LDK UER204 滚动轴承诊断样本集描述及网络配置 |
| 6.4.6 LDK UER204 滚动轴承故障诊断与结果分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文和发明专利 |
| 攻读博士学位期间获得资助和参加的主要科研项目 |
（7）基于压缩感知的煤岩体破裂声发射信号提取方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 煤岩破裂声发射信号分析方法 |
| 1.3 声发射信号提取方法的研究现状 |
| 1.4 研究内容与技术路线 |
| 2 煤岩体声发射信号分析 |
| 2.1 煤岩体声发射信号产生机理 |
| 2.2 煤岩体破裂过程声发射信号数值模拟分析 |
| 2.3 煤岩体声发射信号特征分析 |
| 2.4 矿井噪声来源分析 |
| 2.5 本章小结 |
| 3 煤岩体声发射信号的降噪处理 |
| 3.1 基于小波变换的降噪方法研究 |
| 3.2 基于压缩感知理论的降噪方法研究 |
| 3.3 仿真实验分析 |
| 3.4 本章小结 |
| 4 盲源分离的基本理论和算法 |
| 4.1 盲源分离概述 |
| 4.2 盲源分离预处理 |
| 4.3 盲源分离独立判据 |
| 4.4 分离效果评定指标 |
| 4.5 典型盲源分离算法仿真实验分析 |
| 4.6 本章小结 |
| 5 基于压缩感知的煤岩体声发射信号盲源分离研究 |
| 5.1 矿井概况 |
| 5.2 含噪混叠盲源分离模型及方法 |
| 5.3 试验与分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（8）面向车联网系统的可见光通信研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 可见光通信概述 |
| 1.2 车联网可见光通信系统的国内外研究现状 |
| 1.2.1 车联网可见光通信系统的国外研究现状 |
| 1.2.2 车联网可见光通信系统的国内研究现状 |
| 1.2.3 问题分析 |
| 1.3 论文研究内容及说明 |
| 1.4 论文组织结构安排 |
| 第2章 车联网VLC系统强背景光噪声及网络切换 |
| 2.1 引言 |
| 2.2 车联网VLC系统的通信理论及模型 |
| 2.2.1 车联网VLC系统的通信理论 |
| 2.2.2 车联网VLC系统的信道建模 |
| 2.3 车联网背景噪声抑制的常用方法 |
| 2.3.1 小波阈值噪声抑制 |
| 2.3.2 经验模态分解噪声抑制 |
| 2.3.3 压缩感知噪声抑制 |
| 2.4 车联网网络切换的常用方法 |
| 2.4.1 基于决策树的网络切换 |
| 2.4.2 基于主成分分析的网络切换 |
| 2.4.3 基于层次分析的网络切换 |
| 2.5 本章小结 |
| 第3章 车联网VLC系统改进的强背景光噪声抑制方法 |
| 3.1 引言 |
| 3.2 基于改进的EEMD压缩感知噪声抑制算法 |
| 3.2.1 信号预处理 |
| 3.2.2 改进的EEMD算法噪声抑制 |
| 3.2.3 去噪信号求解 |
| 3.3 仿真验证及结果分析 |
| 3.3.1 仿真环境及参数设置 |
| 3.3.2 评价指标及对比算法 |
| 3.3.3 车速的影响与分析 |
| 3.4 本章小结 |
| 第4章 车联网VLC系统改进的网络切换方法 |
| 4.1 引言 |
| 4.2 基于车联网VLC系统的改进的多属性切换算法 |
| 4.2.1 网络属性正向化 |
| 4.2.2 主观权值求解 |
| 4.2.3 改进的客观权值求解 |
| 4.2.4 综合权值求解及网络选择 |
| 4.3 仿真验证及结果分析 |
| 4.3.1 仿真环境与参数设置 |
| 4.3.2 评价指标与对比算法 |
| 4.3.3 车辆数的影响与分析 |
| 4.3.4 车速的影响与分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（9）强背景环境噪声下的弱声学信号提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水下信号检测方法研究现状 |
| 1.2.2 弱信号检测方法研究现状 |
| 1.2.3 BP神经网络发展与现状 |
| 1.3 存在问题 |
| 1.4 主要工作 |
| 2 盲源分离方法基本理论 |
| 2.1 盲源分离方法 |
| 2.2 盲源分离方法基本假设和不确定性分析 |
| 2.3 ICA方法基本理论 |
| 2.3.1 ICA的代价函数 |
| 2.3.2 ICA的优化方法 |
| 2.4 声学信号分离效果评价 |
| 2.5 峰值信噪比 |
| 2.6 本章小结 |
| 3 空气中弱脉冲声信号分离数值仿真及实验研究 |
| 3.1 弱脉冲声信号特性介绍 |
| 3.2 单干扰噪声源模型分离数值分析 |
| 3.2.1 声源设置 |
| 3.2.2 模拟观测信号 |
| 3.2.3 信号分离过程 |
| 3.3 单干扰噪声源信号分离实验验证 |
| 3.3.1 声源布置 |
| 3.3.2 声源测试 |
| 3.3.2 算法分离结果 |
| 3.4 双干扰噪声源模型数值分析 |
| 3.5 双干扰噪声源信号分离实验验证 |
| 3.6 本章小结 |
| 4 水下弱声学信号数值分析及实验研究 |
| 4.1 船舶水下辐射噪声特性 |
| 4.1.1 船舶水下辐射噪声 |
| 4.1.2 船舶水下辐射噪声特性 |
| 4.2 频域FastICA算法 |
| 4.3 数值模型分析 |
| 4.4 水下螺旋桨辐射声场信号分离实验研究 |
| 4.5 本章小结 |
| 5 基于BP神经网络方法的弱声学信号提取研究 |
| 5.1 时域特征提取 |
| 5.1.1 常用时域数据特征指标 |
| 5.1.2 分离信号中心化及比例缩放处理 |
| 5.1.3 针对分离信号时域特征指标的选取 |
| 5.2 BP神经网络理论 |
| 5.3 用于声学信号分离的BP神经网络搭建研究 |
| 5.3.1 声学信号特征指标归一化处理 |
| 5.3.2 声学信号训练样本的建立 |
| 5.3.3 BP神经网络训练结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（10）声发射技术在直升机旋翼桨叶损伤识别中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 复合材料无损检测技术 |
| 1.2.2 声发射检测系统 |
| 1.3 存在主要问题 |
| 1.4 本文的主要研究内容 |
| 第二章 直升机旋翼桨叶损伤声发射监测机理 |
| 2.1 声发射检测技术 |
| 2.1.1 声发射的产生与传播 |
| 2.1.2 声发射传感器 |
| 2.1.3 声发射信号分析方法 |
| 2.1.4 声发射检测技术的优缺点 |
| 2.2 直升机旋翼桨叶损伤监测机理 |
| 2.2.1 复合材料桨叶损伤过程 |
| 2.2.2 损伤源定位机理 |
| 2.3 本章小结 |
| 第三章 基于Lab VIEW的桨叶声发射损伤监测实验系统构建 |
| 3.1 实验桨叶模型 |
| 3.2 实验设备 |
| 3.2.1 传感器选型 |
| 3.2.2 前置放大器 |
| 3.2.3 NI Compact嵌入式系统 |
| 3.3 监测与数据处理软件开发 |
| 3.3.1 LabVIEW简介 |
| 3.3.2 软件平台结构 |
| 3.3.3 监控系统程序设计 |
| 3.4 本章小结 |
| 第四章 声发射信号去噪算法研究 |
| 4.1 小波阈值去噪方法 |
| 4.1.1 小波阈值去噪原理 |
| 4.1.2 阈值函数选择及阈值优化 |
| 4.1.3 小波基函数对比分析 |
| 4.2 小波独立分量分析联合去噪方法 |
| 4.2.1 独立分量分析 |
| 4.2.2 小波独立分量分析联合去噪 |
| 4.3 两种方法去噪效果的仿真对比 |
| 4.4 强背景噪声下桨叶损伤声发射信号去噪实验及效果分析 |
| 4.5 本章小结 |
| 第五章 桨叶损伤智能定位与损伤模式识别方法研究 |
| 5.1 核主成分分析特征提取 |
| 5.2 支持向量机 |
| 5.2.1 利用支持向量机进行分类 |
| 5.2.2 支持向量回归 |
| 5.3 桨叶损伤智能定位实验 |
| 5.3.1 基于KPCA-SVM的桨叶损伤源智能定位 |
| 5.3.2 损伤源智能定位效果对比 |
| 5.4 基于KPCA-SVM的桨叶损伤模式识别 |
| 5.5 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 |
| 在学期间的研究成果及发表的学术论文 |
四、基于独立成分分析的强背景噪声去噪方法（论文参考文献）
- [1]基于激光雷达数据的气溶胶特性反演方法研究[D]. 李红旭. 南京信息工程大学, 2021(01)
- [2]张量分解理论及其在机械故障诊断中的应用[D]. 葛茂. 武汉科技大学, 2021(01)
- [3]滚动轴承故障特征快速提取方法及其应用研究[D]. 王艳. 长安大学, 2021(02)
- [4]复杂工况下列车轴承故障预警与诊断方法[D]. 陈欣安. 北京交通大学, 2021(02)
- [5]基于数学形态学的风力机发电机轴承故障诊断方法研究[D]. 罗园庆. 沈阳工业大学, 2021(02)
- [6]旋转机械早期故障诊断关键技术研究[D]. 杨静. 西安理工大学, 2020
- [7]基于压缩感知的煤岩体破裂声发射信号提取方法研究[D]. 石玉文. 辽宁工程技术大学, 2020(02)
- [8]面向车联网系统的可见光通信研究[D]. 李加莉. 重庆邮电大学, 2020(02)
- [9]强背景环境噪声下的弱声学信号提取方法研究[D]. 高健桐. 大连理工大学, 2020(02)
- [10]声发射技术在直升机旋翼桨叶损伤识别中的应用研究[D]. 叶杨. 南京航空航天大学, 2020(07)