导读:本文包含了谱峭度论文开题报告文献综述及选题提纲参考文献，主要关键词:风力机组,轴承,变分模态分解,谱峭度
谱峭度论文文献综述
张颖,刘新元,张超[1]（2019）在《基于变分模态分解和谱峭度的风电机组轴承故障诊断方法》一文中研究指出针对风电机组轴承故障特征提取困难的问题,将谱峭度(Spectrum Kurtosis,SK)和变分模态分解(Variational Mode Decomposition,VMD)相结合,提出一种基于VMD-SK的故障诊断新方法。首先,对采集的轴承振动信号进行VMD分解,得到若干个固有模态函数(Intrinsic Mode Function,IMF);其次,对每一个IMF分量进行傅里叶变换,并计算其平方包络;再次,利用SK的滤波特性,选取故障特征频带所在的IMF分量来构建最优包络谱;最后,通过对包络谱分析可以诊断出风力发电机轴承故障。实验结果表明,VDM-SK法可以成功地提取风电机组轴承故障的特征频率,有效区分风电机组轴承的故障类型。(本文来源于《山西电力》期刊2019年05期）
陈东毅,陈建国,李玉榕[2]（2019）在《改进经验模态分解与谱峭度法的步态信号特征分析》一文中研究指出通过对步态信号进行分析,提出基于能量矩占比与方差贡献率的改进经验模态分解和谱峭度法的步态信号特征频率分析方法.改进的经验模态分解消除了传统分解过程中存在的低频虚假本征模态分量,抑制了高频噪声的干扰.通过确定谱峭度图上的中心频率和带宽构造带通滤波器对信号进行包络解调分析,并通过实验验证了该方法能有效提取步态信号的特征频率,为步态信号的后期研究提供一条新的思路.(本文来源于《福州大学学报(自然科学版)》期刊2019年05期）
林辉翼,郝伟,郝旺身,高亚娟[3]（2019）在《快速谱峭度与全矢谱结合的滚动轴承故障诊断》一文中研究指出针对滚动轴承信号的非平稳调制特性以及单通道分析易造成信息遗漏的缺点,提出了一种基于快速谱峭度算法(Fast Kurtogram)和全矢谱技术的故障特征提取方法。首先利用快速谱峭度算法自适应地确定带通滤波器的最佳中心频率与带宽等参数,根据所选参数构建带通滤波器对双通道故障信号进行滤波,以提高其信噪比;然后对滤波后的信号进行全矢信息融合以保证故障信息的全面性;最后对信息融合后的信号进行包络解调分析以获取振动信号的故障特征信息。实验分析结果表明,该方法能有效地提取滚动轴承的故障特征频率,并提高故障诊断的准确性。(本文来源于《机械设计与制造》期刊2019年09期）
张浩,张坤,田伟康,胥永刚[4]（2019）在《基于谱峭度的同步提取变换方法及故障诊断应用》一文中研究指出提出一种基于谱峭度的SET故障诊断方法。首先利用SET求取信号时频谱,然后采用频谱均分的方法分割边际谱,再将分割所得各部分分别求取峭度值,得到连续划分的峭度图。最后利用峭度值筛选包含丰富故障信息的分量并进行包络分析,提取故障特征。仿真信号及滚动轴承外圈故障信号的处理结果证明了该方法的有效性。(本文来源于《设备管理与维修》期刊2019年16期）
田晶,王英杰,刘丽丽,张凤玲,艾延廷[5]（2019）在《基于Birge-Massart阈值降噪与EEMD及谱峭度的滚动轴承故障特征提取》一文中研究指出针对传统共振解调方法易受噪声干扰导致故障特征提取效果不佳的问题,提出了一种基于Birge-Massart策略的阈值降噪与集成经验模态分解(EEMD)和快速谱峭度算法相结合的滚动轴承故障特征提取方法。对原始故障信号进行EEMD并采用峭度准则筛选出含有故障信息的本征模态函数(IMF)分量;采用Birge-Massart策略和快速谱峭度对故障信号进行滤波降噪;对滤波后信号进行Hilbert包络解调,提取轴承故障特征。采用该方法分别对仿真信号和实验信号进行特征提取,结果表明该方法可以有效提高故障信号信噪比,清晰准确地获取轴承内、外圈故障的频率特征。利用峭度因子准则筛选IMF分量能有效保留原始故障信号中的冲击特征,去除无关IMF分量的影响。(本文来源于《航空动力学报》期刊2019年06期）
张雄[6]（2019）在《基于谱峭度类算法的滚动轴承故障特征提取及诊断研究》一文中研究指出滚动轴承作为旋转机械的“关节”,是旋转机械中应用最广泛的零部件之一,故障率高且寿命离散性大。开展滚动轴承状态监测和故障诊断研究,对于评估旋转机械运行状态,保障设备安全稳定运行具有重要的意义,同时也为设备视情维护提供了可靠依据。本文以滚动轴承为研究对象,以振动信号为分析媒介,针对目前应用最广泛的Kurtogram类共振解调预处理算法展开研究,总结了该类算法在处理滚动轴承振动信号时,面对多种常见干扰所表现出的局限性,提出了相应的解决方案。论文主要内容及创新点如下:(1)归纳了 Kurtogram 类衍生算法(Kurtogram、SE Infogram/SES Infogram)的基本构造原理,分析了时域统计特征指标(峭度、平方包络负熵)和频域统计特征指标(包络谱峭度、平方包络谱负熵)对非周期性瞬变特征、周期性循环冲击特征及噪声的敏感性,总结了 Kurtogram类算法处理叁种常见问题(谐波干扰、复合故障问题及非周期瞬态成分干扰)时所表现出的局限性。(2)针对主轴转频和齿轮啮合频率引入的特定谐波成分对频域统计特征指标定义的Kurtogram类衍生算法(Protrugram、SES Infogram)产生干扰的问题,提出一种自适应窄带陷波预处理方法。以粒子群陷波参数寻优算法对窄带陷波参数进行最优化选择,降低人为因素影响,最大限度去除谐波成分,并尽可能保留周期性冲击特征,采用波形匹配方差对陷波结果进行验证,所提方法提高了陷波效率及准确性,为后续的共振解调分析提供便利。(3)针对复合故障情况下,Kurtogram类算法在时域/频域统计特征趋于最大化的过程中,次频带易被主频带掩盖导致次频带内故障成分丢失而造成的漏诊和误诊问题,提出基于周期性故障冲击特征匹配的最大相关峭度解卷积滤波器组预处理方法和基于频带划分的变分模态分解预处理方法,对解卷积逆滤波后的滤波分量或变分模态分解后的各阶模态分量分别进行Kurtogram类算法分析,有效避免了因共振频带淹没造成的误诊和漏诊。(4)受运行环境及传递路径影响,滚动轴承振动信号中引入了强背景噪声和较大的非周期性瞬态冲击成分,而峭度/平方包络负熵等时域统计指标对非周期瞬态成分敏感,在低信噪比时鲁棒性较差,无法准确定位故障引起的周期性循环冲击特征所在频带,针对这一问题,提出了以时域teager能量负熵和频域teager能量谱负熵为统计特征指标的频带检测方法,提升对周期性循环冲击特征的检测能力,并通过计算故障状态下与正常基准状态下的TEE(Teager Energy neg-Entropy)比值构建TEERgram,进一步抑制相对稳定的强噪源干扰。(5)针对小样本且无法预知聚类种数的轴承故障类型和故障程度识别问题,提出了一种以小波包子带归一化时频TEE构建特征向量,以MS-FCM为聚类算法的故障识别方法。通过对振动信号进行小波包分解,计算各子带小波包系数的时频TEE并进行归一化离散数据处理,构建了能够反应振动信号时域、频域特征的特征向量。该特征向量能够有效表征故障特征,对类间成分具有明显的区分性。模糊C均值聚类中需要预先设定聚类数目,对于小样本且无法预知聚类数目的情况下难以准确分类,针对这一问题提出了 Meanshift辅助预处理方法,能够自适应地搜索数据概率密度分布较大区域作为初始位置,初始位置个数作为初始聚类数目,进而进行模糊C均值聚类更新隶属度和聚类中心,判定聚类类别。(本文来源于《华北电力大学(北京)》期刊2019-06-01）
钱赜彬[7]（2019）在《基于谱峭度的自适应滤波沙漠地震信号噪声消减》一文中研究指出伴随着石油和天然气的开采,作为不可再生的资源,在浅层和易开采地区的资源逐渐被消耗,那些环境复杂,开采难度较大的非常规油气藏成为了近些年油气开采研究的热点。而沙漠地区由于开采难度大,目前还有大量的油气资源没有被开采,是一种非常理想的油气资源开采地。但是由于沙漠噪声的低频特性以及噪声与信号大量的频谱混迭,导致得到的地震勘探资料极难处理,无法满足高信噪比、高分辨率、高保真度的“叁高”要求,无法在保持高信噪比要求的同时增强有效信号和消减噪声。因此,急需找到一种处理沙漠地震勘探资料的方法以便对沙漠油气资源进行有效开采。在传统的地震勘探处理中,TFPF(时频峰值滤波)、小波变换和shearlet变换都可以达到较好的去噪效果,对地震资料进行有效的处理。然而将上述方法应用于沙漠地震资料处理时,由于沙漠地震资料的复杂性,处理效果并不明显。利用带通滤波器处理沙漠地震资料虽然有一定的效果,但是需要人为寻找频带并且无法解决信号与噪声的同频混迭问题,存在的噪声依然过大,不能满足沙漠地震勘探的要求。针对以上问题,本文提出了基于谱峭度这一物理量,设计出自适应的谱峭度带通滤波器来解决上述传统滤波方法中存在的问题。该滤波器首先选择使用短时傅里叶变换(STFT)的方法求取含噪沙漠信号的谱峭度,根据谱峭度得到信号的能量变换区域,由此划分出有效信号区域和噪声信号区域。合理选择阈值,保留有效信号,舍弃噪声。将处理后的谱峭度值应用到本文所设计的滤波算法中,就可以得到去噪以后的有效信号。通过以上方法的处理,解决了人为寻找频带的问题,同时,相较于几种传统地震勘探算法的有更好的去噪效果,有效信号的幅值得也到了更好的保留。本文将上述算法应用于合成沙漠地震含噪信号和实际沙漠地震数据处理中,结果显示,本方法较好的压制了沙漠噪声的同时,对有效信号也得到了更好的保留。通过与几种传统地震去噪方法的模拟图、单道对比图、频谱分析图以及实际记录图等几种方式的对比也可以看出,本文方法更适用于沙漠含噪信号的处理。噪声压制的信噪比可以从-12.37dB提高到6.09dB。通过以上对比试验可以看出,本文方法明显优于其他传统地震去噪方法,解决了沙漠含噪信号处理的难题。(本文来源于《吉林大学》期刊2019-06-01）
王庆燕,曹生让,陈秉岩,杨忠[8]（2019）在《基于谱峭度分析和粒子群Kmeans算法的高压断路器故障诊断研究》一文中研究指出为满足电网对高压断路器高效诊断要求,提出一种谱峭度分析和粒子群K均值算法(PSO-Kmeans)相结合的故障诊断方法。该方法首先对正常状态和故障状态振动信号进行快速Kurtogram谱峭度分析,得到谱峭度指标最大中心频率和相应频率分辨率,据此设计带通滤波器对信号进行去噪;对去噪后的信号进行小波分解,提取小波包能量熵作为特征量;进一步采用PSO-Kmeans对特征量进行聚类分析。实验结果表明:改进谱峭度分析法弥补了传统带通滤波器参数确定的不足,提升去噪效果;去噪与PSO-Kmeans算法相结合的诊断方法克服了传统Kmeans易受初始聚类中心影响的缺点,聚类效果良好且精度高于传统算法,证实该方法适用于高精度高压断路器机械故障诊断。(本文来源于《高压电器》期刊2019年05期）
赵见龙,张永超,王立夫,孙鲁杰,于智伟[9]（2019）在《基于共振稀疏分解与谱峭度的滚动轴承故障诊断》一文中研究指出针对滚动轴承微弱故障特征提取困难,提出了基于共振稀疏分解与谱峭度的滚动轴承故障特征提取方法,根据滚动轴承故障振动信号中转频及谐波成分与周期性冲击成分的品质因子不同进行共振稀疏分解,得到包含转频及谐波等成分的高共振分量和包含故障特征的低共振分量,对低共振分量进行快速峭度图分析,得到包含故障特征的周期性冲击成分的频带范围,利用带通滤波器进行滤波,最后对滤波信号进行希尔伯特包络谱分析,提取出滚动轴承故障特征频率。实验结果表明该方法能有效地提取出表征滚动轴承故障特征的周期性冲击成分,剔除干扰成分,突出故障特征频率谱线,正确识别出滚动轴承的故障状态。(本文来源于《组合机床与自动化加工技术》期刊2019年04期）
胡爱军,赵军,孙尚飞,黄申申[10]（2019）在《基于谱峭度和最大相关峭度解卷积的滚动轴承复合故障特征分离方法》一文中研究指出针对振动信号中复合故障特征难以准确分离的问题,提出了一种融合谱峭度(SK)和最大相关峭度解卷积(MCKD)的复合故障分离方法。对复合故障信号做谱峭度分析,根据选择的各共振频带对信号进行带通滤波,提取出多个故障信号;对提取的各信号做包络解调分析,对能提取出单一故障特征的振动信号完成分离过程;对未提取出单一故障特征的振动信号最后做最大相关峭度解卷积处理;采用改进的轴承复合故障仿真模型验证了方法的有效性。实测滚动轴承内、外圈复合故障信号分析结果表明,该方法能够实现复合故障的准确分离。(本文来源于《振动与冲击》期刊2019年04期）
谱峭度论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
通过对步态信号进行分析,提出基于能量矩占比与方差贡献率的改进经验模态分解和谱峭度法的步态信号特征频率分析方法.改进的经验模态分解消除了传统分解过程中存在的低频虚假本征模态分量,抑制了高频噪声的干扰.通过确定谱峭度图上的中心频率和带宽构造带通滤波器对信号进行包络解调分析,并通过实验验证了该方法能有效提取步态信号的特征频率,为步态信号的后期研究提供一条新的思路.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
谱峭度论文参考文献
[1].张颖,刘新元,张超.基于变分模态分解和谱峭度的风电机组轴承故障诊断方法[J].山西电力.2019
[2].陈东毅,陈建国,李玉榕.改进经验模态分解与谱峭度法的步态信号特征分析[J].福州大学学报(自然科学版).2019
[3].林辉翼,郝伟,郝旺身,高亚娟.快速谱峭度与全矢谱结合的滚动轴承故障诊断[J].机械设计与制造.2019
[4].张浩,张坤,田伟康,胥永刚.基于谱峭度的同步提取变换方法及故障诊断应用[J].设备管理与维修.2019
[5].田晶,王英杰,刘丽丽,张凤玲,艾延廷.基于Birge-Massart阈值降噪与EEMD及谱峭度的滚动轴承故障特征提取[J].航空动力学报.2019
[6].张雄.基于谱峭度类算法的滚动轴承故障特征提取及诊断研究[D].华北电力大学(北京).2019
[7].钱赜彬.基于谱峭度的自适应滤波沙漠地震信号噪声消减[D].吉林大学.2019
[8].王庆燕,曹生让,陈秉岩,杨忠.基于谱峭度分析和粒子群Kmeans算法的高压断路器故障诊断研究[J].高压电器.2019
[9].赵见龙,张永超,王立夫,孙鲁杰,于智伟.基于共振稀疏分解与谱峭度的滚动轴承故障诊断[J].组合机床与自动化加工技术.2019
[10].胡爱军,赵军,孙尚飞,黄申申.基于谱峭度和最大相关峭度解卷积的滚动轴承复合故障特征分离方法[J].振动与冲击.2019