机械故障诊断学钟秉林动态系统特性的时域.解读.ppt

从工程应用来看，只有当k=n，且|?i | 1，即|?i |1时，系统物理可实现。即系统物理可实现的条件为算子方程的根?i位于复平面的单位圆外，或特征方程的根?i位于复平面的单位圆内，此即系统稳定的充要条件。此时： 离散卷积 * * 格林(Green)函数 令输入为单位脉冲： 上式表明， Gj是系统对t＝0时刻作用于系统的单位脉冲所产生的响应序列。称之为格林函数。它的最大优点是可以利用输出数据建模求得，在生产条件下容易实现，可以在线进行。 * * 对渐近稳定的系统，必然有： ARMA(n, m)模型的格林函数： * * 在许多工程问题中，n m, 如果AR部分具有n个不相等的特征根，则： 格林函数： * * 自协方差函数与格林函数的关系 * * 4.5 自协方差函数的估计 检测数据是有限的,只能从有限长度的样本值{xt}来求自协方差函数的估计值 和 自相关函数: 自协方差函数: * * AR(n)、MA(m)、ARMA(n,m)模型的估计方法较多，大体上分为3类： （1）最小二乘估计； （2）矩估计； （3）利用自相关函数的直接估计。 结构 阶数 模型 识别 确定 估计 参数 4.6 时间序列模型的估计 * * 五、工况状态变化趋势性及其预报 时间， t 时间， t 时间， t 时间， t x(t) x(t) x(t) x(t) 线性趋势 多项式趋势 衰减的周期趋势 多项式与周期趋势 发现隐含趋势的形成和发展,预知工况状态的变化 * * 时间序列的典型趋势性 适用于含确定性趋势序列的组合模型 非平稳观测时序 确定性趋势序列 平稳随机序列 * * 适用于含随机趋势序列的ARIMA(自回归-求和-滑动平均)模型 ARIMA型季节性乘积模型：特征多项式含有形如 的因子，或者说，这类模型具有一个或多个分布在单位圆上的特征根。 随机季节性趋势,适于季节性变化趋势 随机多项式趋势,适于多项式变化趋势 * * 平稳时间序列的预报:从现在和过去的行为预测其未来发展趋势 t t+l l t t x l t x + ) ( l e t ) t x 过去 未来 现在 实际数据曲线 ) ( l x t ) 95%置信限 95%置信限 * * 时间序列预报的出发点是使预报误差均方值 达到最小。并称相应的预报值为平稳线性最小方差预报。 * * 上式中，A部分包含了未来时刻的白噪声at+l, at+l-1, at+l-2, …, at+1，在当前时刻 t 无法对未来的白噪声进行预测，即A属于不可预测部分。而B部分所含的白噪声均为确定的、可以计算的。因此，B部分即为xt+l的预报值 。 易见，向前 l 步的预测误差为未来 l 个白噪声的线性组合。预测误差方差为： * * 可以证明上述预报结果为最小方差预报。 易见，向前 l 步的预报误差仅与预报步距 l 有关，而与预报的起点无关。这一点说明了时间序列预报的平稳性，还可看出步距 l 愈大，预报误差也愈大。 可以证明：最小方差长期预报值趋于零，即趋于时间序列 {xt} 的均值。长期预报误差的方差等于时间序列本身的方差。 * * 对于ARMA(n,m)模型： * * ARMA(n,m)模型的预报方程 对E[xt+l-n]求期望 对E[at+l-m]求期望 ………… * * 按照上式可以得到l=1,…,m的各步预报: 令m＝0，则根据ARMA(n, m)模型的预报公式可直接获得AR(n)模型得最小方差预报： 即： …………… * * 第3章 动态系统特性的时域分析 概述 随机过程和时间序列 时间序列的统计分析 线性时间序列模型及其应用 工况状态变化趋势性模型分析 机械故障诊断理论与方法 * * 特征分析的目的： 去伪存真 去粗取精 特征分析的手段： 时域 频域及其各种变换域 时频域 1、概述 * * 涉及：数字信号处理、概率论与数理统计、随机过程、时间序列分析、信息理论、图像处理及人工智能等 随机过程的基本概念：实现、随机过程、随机变量 2、随机过程和时间序列 * * 实现(Realizaition)：在时间t∈T范围内，每进行一次实验所得的观测结果，称为一次实现。多次实现记为 若为一次实现简记为 ，离散数据序列通常都是一次实现，简记为 。 2、随机过程和时间序列 * * 随机过程(Stochastic process)：在时间t∈T范围内，k次实验的总体—样本函数 称为随机过程。其中，离散数据序列记为 2、随机过程和时间序列 * * 随机变量(Stochastic variable)：每次实现的观测值 称为随机过程在