基于小波理論的非平穩(wěn)信號特征提取與智能診斷方法研究.pdf

1、機械設備監(jiān)測與診斷面臨著大量的非平穩(wěn)信號，研究開發(fā)處理非平穩(wěn)信號的工程實用方法是促進機械設備故障診斷技術(shù)不斷發(fā)展的需要。近年來迅速發(fā)展的非平穩(wěn)信號處理方法和理論，特別是小波理論為機械設備狀態(tài)監(jiān)測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降噪、故障特征提取、模態(tài)參數(shù)識別和智能故障診斷中的應用問題，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。采用了ARIMA預測模型對非平穩(wěn)信號進行邊界延拓，ARIMA模型同AR模型相比，增加了非平穩(wěn)信號平穩(wěn)化過程，從而對非平穩(wěn)信號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)點數(shù)隨分解尺度的增加而呈指數(shù)減小的問題；改進了噪聲方差估計方法，從而較好地保留了信號的主要細節(jié)；采用了新的閾值函數(shù)，新閾值函數(shù)表達式簡單易于計算，同Donoho軟

3、閾值函數(shù)具有一樣的連續(xù)性，同時還克服了軟閾值函數(shù)中估計小波系數(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奇異點附近產(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)風險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)計學習理論，把有效秩階次的選擇看作是一個學習過程，

4、利用結(jié)構(gòu)風險最小化原則來代替?zhèn)鹘y(tǒng)的經(jīng)驗風險最小化，從而自動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雜度。 (4)考慮到小波包能量矩既可以反映信號能量在頻域上的分布，也可以間接體現(xiàn)能量在時域上的分布，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在各頻帶上的能量分布特征。

5、仿真和實驗驗證了利用小波包能量矩進行故障診斷是一個有效的方法。 (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，將單純的時域信號轉(zhuǎn)變成與原時域信號長度相同的不同頻帶的時頻信號，將時頻域信號看作是反映系統(tǒng)特征的矩陣，利用奇異值分解對時頻矩陣進行信息提取，從而將一個多維的時頻矩陣轉(zhuǎn)變?yōu)橐粋€能反映矩陣有效信息的一維特征向量，實現(xiàn)了故障特征的有效提取。同時，針對傳統(tǒng)的奇異值分解方法無法確定每

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