| 【中文题名】 | 基于神经网络和局部线形嵌入的异响信号提取研究 |
| 【英文题名】 | Study on Fault Signal Extraction Based on Neural Networks and Local Linear Embed Model |
| 【学科专业】 | 模式识别与智能系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-6 |
| 【中关键词】 | 混沌,神经网络,局部线性嵌入,信号提取,发动机异响, |
| 【英关键词】 | |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化技术及设备>一般性问题>设计、性能分析与综合> |
| 【论文摘要】 |
本文针对发动机声响信号,采用相空间重构技术,分别利用自相关函数法及小数据量法计算了关联维数、嵌入维数以及最大李雅普诺夫指数,从而验证了发动机声响信号具有混沌特性,为以后采用混沌时间序列信号处理方法进行异响信号的提取提供了依据。
本文将混沌理论中的重构相空间法与人工神经网络结合,建立了混沌时间序列预测模型,接着对发动机工作噪声时间序列进行了预测和异响的提取,并与传统人工神经网络预测结果进行了对比。混沌与人工神经网络结合预测模型可有效用于发动机工作背景噪声时间序列信号的短期预测,并进行异响信号的提取。
本文介绍了流形学习的基础理论,研究了局部线性嵌入的算法理论与步骤。研究了基于经典Duffing混沌信号和实测发动机背景信号的异响信号提取仿真试验,证明了本文方法的有效性和实用性,为接下来的发动机异响信号辨识打下了坚实的基础。 |
| 【论文题纲】 |
|
提要 |
4-7 |
|
第一章 绪论 |
7-17 |
|
1.1 研究背景及意义 |
7-9 |
|
1.1.1 声学诊断技术 |
7-8 |
|
1.1.2 基于异响的发动机故障诊断的意义 |
8-9 |
|
1.2 混沌信号处理发展及研究现状 |
9-14 |
|
1.2.1 混沌学发展概况 |
9-10 |
|
1.2.2 混沌特性分析方法 |
10-12 |
|
1.2.3 混沌信号处理方法 |
12-14 |
|
1.3 本文研究问题描述 |
14-15 |
|
1.4 本文主要研究内容 |
15-17 |
|
第二章 发动机工作声响信号的混沌特性分析 |
17-29 |
|
2.1 引言 |
17 |
|
2.2 重构相空间 |
17-19 |
|
2.3 特征量的选择 |
19-22 |
|
2.3.1 延迟时间计算方法 |
19-20 |
|
2.3.2 关联维数计算方法 |
20-21 |
|
2.3.3 嵌入维数计算方法 |
21-22 |
|
2.4 最大Lyapunov 指数计算方法 |
22-24 |
|
2.5 仿真研究及数值计算 |
24-27 |
|
2.6 本章小结 |
27-29 |
|
第三章 基于RBF 神经网络的发动机工作噪声建模及异响提取 |
29-46 |
|
3.1 引言 |
29-30 |
|
3.2 RBF 理论基础 |
30-37 |
|
3.2.1 RBF 网络的映射关系 |
30-31 |
|
3.2.2 RBF 网络的映射机理 |
31 |
|
3.2.3 RBF 网络的训练算法 |
31-37 |
|
3.3 混沌与人工神经网络结合预测模型 |
37-39 |
|
3.3.1 传统人工神经网络预测模型的建立 |
37 |
|
3.3.2 混沌与人工神经网络结合预测模型 |
37-39 |
|
3.3.3 预测模型的结构与训练 |
39 |
|
3.4 发动机异响信号的提取 |
39-40 |
|
3.5 仿真研究 |
40-45 |
|
3.6 本章小结 |
45-46 |
|
第四章 基于局部线性嵌入的发动机工作噪声建模及异响提取 |
46-60 |
|
4.1 引言 |
46-47 |
|
4.2 流形学习的分类及主要算法 |
47-50 |
|
4.2.1 流形学习的分类 |
47-48 |
|
4.2.2 流形学习的主要算法 |
48-50 |
|
4.3 局部线性嵌入算法 |
50-54 |
|
4.4 自适应去噪算法 |
54-55 |
|
4.5 仿真研究 |
55-58 |
|
4.5.1 基于经典Duffing 信号为背景信号的仿真试验 |
55-56 |
|
4.5.2 基于发动机信号为背景信号的仿真试验 |
56-58 |
|
4.6 本章小结 |
58-60 |
|
第五章 全文总结 |
60-61 |
|
参考文献 |
61-65 |
|
摘要 |
65-67 |
|
ABSTRACT |
67-70 |
|
致谢 |
70 |
|
| 【DOI】 | LunWen.ID:2.2008.388740 |
