齿轮箱振动信号的盲源分离方法
| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1. 绪论 | 第10-14页 |
| 1.1 选题的意义 | 第10页 |
| 1.2 盲源分离的国外发展情况 | 第10-11页 |
| 1.3 盲源分离的国内发展情况 | 第11页 |
| 1.4 人工神经网络的概述 | 第11页 |
| 1.5 论文的主要内容及结构安排 | 第11-13页 |
| 1.6 本文的创新点 | 第13-14页 |
| 2. 盲源分离的基础知识 | 第14-28页 |
| 2.1 盲源分离的概述 | 第14-15页 |
| 2.1.1 线性瞬时BSS的基本思路 | 第14-15页 |
| 2.1.2 PNL-BSS的基本思路 | 第15页 |
| 2.2 概率论在盲源分离中的应用 | 第15-16页 |
| 2.2.1 线性变换条件下密度函数间的关系 | 第16页 |
| 2.2.2 非线性变换条件下密度函数间的关系 | 第16页 |
| 2.3 信息论知识 | 第16-20页 |
| 2.3.1 熵 | 第17页 |
| 2.3.2 联合熵 | 第17-18页 |
| 2.3.3 负熵 | 第18-19页 |
| 2.3.4 互信息 | 第19-20页 |
| 2.3.5 KL散度的定义 | 第20页 |
| 2.4 ICA算法涉及相关理论 | 第20-23页 |
| 2.4.1 固定点迭代算法 | 第21-22页 |
| 2.4.2 牛顿迭代算法 | 第22-23页 |
| 2.5 混合信号的预处理方法 | 第23-26页 |
| 2.5.1 中心化处理 | 第23页 |
| 2.5.2 白化处理 | 第23-24页 |
| 2.5.3 白化处理的意义 | 第24-26页 |
| 2.6 在BSS中的梯度算法 | 第26-27页 |
| 2.6.1 随机梯度算法 | 第26-27页 |
| 2.6.2 自然梯度算法 | 第27页 |
| 2.7 本章小结 | 第27-28页 |
| 3. 线性盲源分离的通用算法 | 第28-48页 |
| 3.1 盲源分离算法概述 | 第28页 |
| 3.2 基于信息论的盲源分离算法 | 第28-31页 |
| 3.2.1 极大似然估计算法 | 第28-29页 |
| 3.2.2 信息最大化算法 | 第29-31页 |
| 3.3 基于非高斯性的ICA方法 | 第31-36页 |
| 3.3.1 基于峭度的快速定点算法 | 第31-33页 |
| 3.3.2 峭度方法的优缺点 | 第33-34页 |
| 3.3.3 基于负熵的快速定点算法 | 第34-36页 |
| 3.4 盲分离算法的性能评价 | 第36-38页 |
| 3.4.1 相似系数 | 第36-37页 |
| 3.4.2 性能指数 | 第37页 |
| 3.4.3 二次残差 | 第37-38页 |
| 3.5 分离算法仿真实验 | 第38-46页 |
| 3.5.1 仿真信号的简介 | 第38页 |
| 3.5.2 源信号的高斯性 | 第38-40页 |
| 3.5.3 混合信号的预处理 | 第40-42页 |
| 3.5.4 基于峭度的FastICA仿真试验 | 第42页 |
| 3.5.5 相似系数评定结果 | 第42页 |
| 3.5.6 基于负熵的FastICA仿真试验 | 第42-44页 |
| 3.5.7 相似系数评定结果 | 第44-45页 |
| 3.5.8 基于信息论准则的仿真试验 | 第45页 |
| 3.5.9 PI值评定信息论算法的精度 | 第45-46页 |
| 3.5.10 相似系数评定结果 | 第46页 |
| 3.6 两类理论性能比较 | 第46-47页 |
| 3.7 本章小结 | 第47-48页 |
| 4. 基于ANN-PNL的盲源分离研究 | 第48-60页 |
| 4.1 PNL混合模型的意义 | 第48页 |
| 4.2 PNL分离模型 | 第48-49页 |
| 4.3 PNL盲源分离常用的算法 | 第49-51页 |
| 4.3.1 非线性最大熵法 | 第49-50页 |
| 4.3.2 非线性最小互信息法 | 第50-51页 |
| 4.4 BP网络的PNL分离方法 | 第51-52页 |
| 4.4.1 基于BP网络的BSS算法 | 第51-52页 |
| 4.5 RBF网络的PNL分离方法 | 第52-53页 |
| 4.5.1 基于RBF网络的BSS步骤 | 第52页 |
| 4.5.2 基于RBF网络的BSS算法 | 第52-53页 |
| 4.6 PNL分离仿真试验 | 第53-59页 |
| 4.6.1 基于BP神经网络的分离效果 | 第56-57页 |
| 4.6.2 基于RBF神经网络的分离效果 | 第57-58页 |
| 4.6.3 BP网络与RBF网络收敛速度比较 | 第58-59页 |
| 4.7 本章小结 | 第59-60页 |
| 5. 基于BSS的齿轮箱故障研究 | 第60-75页 |
| 5.1 信号采集系统的介绍 | 第60-61页 |
| 5.1.1 传感器的选择 | 第60-61页 |
| 5.1.2 电荷放大器的选择 | 第61页 |
| 5.1.3 数据采集分析软件 | 第61页 |
| 5.2 齿轮箱振动信号的采集 | 第61-63页 |
| 5.2.1 采样频率的确定 | 第61-62页 |
| 5.2.2 测点的分布情况 | 第62-63页 |
| 5.2.3 机械故障实验台简介 | 第63页 |
| 5.3 齿轮箱故障概述 | 第63-67页 |
| 5.3.1 齿轮的典型故障形式 | 第64-65页 |
| 5.3.2 齿轮典型故障的振动信号特征 | 第65-66页 |
| 5.3.3 滚动轴承的典型故障形式 | 第66页 |
| 5.3.4 轴承典型特征频率的计算 | 第66-67页 |
| 5.4 实测信号的BSS研究 | 第67-74页 |
| 5.4.1 振动信号的自相关降噪 | 第68页 |
| 5.4.2 实测信号的BSS应用 | 第68-73页 |
| 5.4.3 分离精度评定 | 第73-74页 |
| 5.5 本章小结 | 第74-75页 |
| 6. 结论与展望 | 第75-77页 |
| 6.1 结论 | 第75-76页 |
| 6.2 展望 | 第76-77页 |
| 参考文献 | 第77-80页 |
| 致谢 | 第80-81页 |
| 作者简介 | 第81-82页 |
