华侨大学学士开题报告.docVIP

华侨大学学士论文开题报告 学生姓名 林陈清 指导教师 黄宜坚教授 学 院 机电及自动化学院 年 级 2008级 学科专业 机械电子 研究方向 基于高阶谱的机电系统故障诊断 学位级别 学士 开题日期 2012年02月25日 二Ο一二年二月制表 拟撰写学位论文的题目 基于高阶谱的机电系统故障诊断 支持学位论文研究的科研项目 科研（国家级基金） 学位论文 是否保密 1.不保密（ ） 导师签字 2.保 密（√ ） 密级：（ ）、机密（ ）、秘密（√） 1论文选题的依据 1.1课题的背景 对于工业中的许多控制系统和电子设备，人们通常希望能正常、可靠和安全地工作。但是，由于材料、制造和运行环境等方面不利因素的存在以及疲劳、老化等效应的不可避免，系统发生故障是必然的。一次，对系统的运行状态进行检测与故障诊断，已经成为提高运行可靠性和安全性的必然手段。而故障的发生通常表现为系统的某些特征信息的异常变化，故障诊断与预测就是利用某种手段找到这些特征信息，并在系统的运行时监测其变化，从而判断当前运行状态。目前，对故障诊断理论与技术的研究已是许多领域的研究热点之一。 在机械设备状态监测和故障诊断中,人们根据对象故障不同的特点和机理选择了各种各样的方法,但无论何种方法都离不开故障特征的提取,而且此环节也是最重要、最关键和最困难的环节。对于机电系统来说,当出现故障时,其产生的振动信号相对于正常运行状态时往往表现出较强的非线性和时变性特征。而且在实际应用中,测取的信号中常常含有随机噪声,信号的信噪比很低,当机器发生故障时,其微弱的信息往往淹没在噪声中,给特征提取带来很大的困难。传统的自相关和功率谱方法是只利用了信号的2阶统计量信息,对于平稳、高斯过程,这已经能够反映信号的特征,但是对于实际的机械系统来讲,非线性、非平稳、非高斯过程更具有普通性和一般性,这就需要从更高的阶次上来反映信号特征。 高阶谱分析(Higher Order Spectral Analysis)是信号处理学科的前沿性研究方向,它是针对功率谱分析在实际应用中暴露出来的种种不足而提出的。高阶谱分析从更高阶概率结构表征随机信号,弥补了2阶统计量的缺陷,同时,理论上高阶谱能完全抑制高斯噪声,具有很强的消噪能力,因而,用高阶谱分析振动信号更容易提取故障信息。 1.2国内外高阶谱的机电系统诊断研究现状和发展 　　机械故障诊断的研究已经取得了可喜的成果,但仍是目前研究的活跃领域和综合研究学科,在该学科中诊断方法是最为活跃的研究领域, 而在诊断方法中最关键的问题是故障特征提取机理的研究, 即采取何种方法、提取何种敏感信号来提高识别精度, 以便最有效地进行实时监测与诊断, 将是现代故障诊断与监控的关键[ 5 ]。在机械故障诊断方法中,振动信号分析方法是通用的诊断方法, 其中功率谱分析(二阶统计量) 应用最为广泛, 它给出信号不同频率成分下的能量分布情况, 当机械设备产生故障时, 频谱能量的分布情况将发生改变, 以此来诊断机械系统的故障。 高阶累积量(Higher Order Cumulants) (HOC)技术是近年来迅速发展起来的新技术, 作为处理非高斯信号、非线性信号以及盲信号的重要工具而受到日益重视。它有许多优点, 其最独特的优点是可以提取信号间的耦合特性和检测系统的非线性特性, 并且对高斯噪声不敏感, 可弃除外加干扰噪声的影响, 理论上可以完全消除噪声的影响, 提高分析和辨识精度, 所以给机械系统的动力特性辨识和故障识别与诊断提供一种可靠的分析方法。 目前，机电系统故障诊断的方法大体可以分为2 种：基于特征提取的方法和基于模式识别的方法。其中，基于特征提取的方法有：沃尔什变换、傅里叶变换、基函数法和各种波形分析方法等；基于模式识别的方法有：神经网络、建模和基于知识的专家系统等。基于特征提取的方法大部分采用各种数学变换得到故障的功率谱特征，没有充分考虑电路的相位特征，且要求对所研究的对象电路相当熟悉，其诊断方法通用性不强，推广有困难；基于模式识别的方法，如神经网络识别方法在训练时容易陷入局部最优解，且神经网络具有一定的统计特性，必须获取足够的训练样本数量才能减小训练和识别误差；采用建模的电路故障分析和诊断方法过程较为复杂，且当电路元件增加时产生较大的事件匹配数量；采用基于知识的专家系统必须预获取专家诊断经验和实际诊断数据，进行实时在线诊断有一