一、不同时频分析方法综合检测信号（论文文献综述）
张璘[1]（2021）在《相控阵机载SAR海面动目标成像算法研究》文中提出我国是一个海洋大国,对海上舰船目标的探测不仅涉及到我国经济利益,也关系着国家领主主权和海防安全。相控阵机载合成孔径雷达利用阵列天线空域结构实现等效增加空间维采样频率的目的,从而扩大海域测绘带范围,使得广域海面舰船目标的高分辨率成像成为可能。目前,相控阵机载SAR存在着天线阵列结构复杂、数据运算处理量庞大以及舰船目标成像散焦等问题,影响广域海面动目标成像效率和成像质量。因此本文围绕相控阵机载SAR动目标高分辨成像算法,对天线波束扫描模式、多天线接收数据处理算法、动目标多普勒参数估计和时频分析算法进行深入研究,所取得的主要研究成果如下:第一,针对相控阵机载SAR成像扫描方式的选择,分别采用距离俯仰向扫描和方位向扫描两种模式对宽测绘带场景进行成像。首先,以宽测绘带场景为基础建立相控阵机载SAR成像模型,在发射信号脉冲重复频率有限的条件下,通过理论公式推导出信号处理过程,并建立DBF-SCORE模式和TOPS模式两种成像模型。随后,通过仿真实验和实测数据成像,验证上述两种模式可分别实现距离向波束形成高分辨成像和方位向宽幅快速扫描成像,明确了相控阵机载SAR波束控制所采用的扫描方式,为后续广域海面成像算法研究奠定基础。第二,针对相控阵机载SAR广域海面舰船成像过程中所面临的海量数据存储运算困难的问题,本文从舰船目标分布的稀疏属性入手,提出块稀疏压缩感知动目标成像算法。首先,以传统贪婪OMP算法为基础,建立海面舰船压缩感知成像算法模型,仿真结果表明舰船满足目标稀疏性特点,可以采用压缩感知算法进行成像。随后,利用天线阵列的分集增益以及舰船目标的块稀疏分布属性,提出联合块稀疏压缩感知成像算法。仿真和实测数据成像结果表明,采用块稀疏类算法可以获得较为统一的目标分布图,较大的降低了全景区域成像时间,同时有助于消除海面的虚假目标。第三,针对舰船自身运动引起的图像散焦和模糊问题,提出多普勒参数估计So WVD算法。首先,分析多普勒参数对动目标成像效果的影响,建立多普勒参数信号估计模型。仿真结果表明,传统算法有助于校正目标运动过程中的距离徙动,补偿掉与距离空变有关的方位向相位误差,但运算时间不适用于实时估计。随后,为降低运算复杂度,提出多普勒参数估计So WVD算法。仿真实验验证了该算法的有效性,与传统参数估计算法性能相比,So WVD算法适用于相控阵机载SAR对舰船等小型目标的多普勒参数实时估计。第四,针对不同海情舰船在偏航角、俯仰角和横滚角的三维摆动下存在图像散焦模糊的问题,在动目标自聚焦和时频分析类算法聚焦成像的基础上,提出同步压缩类时频变换算法。首先,采用最大对比度/最小熵自聚焦迭代算法和分块PGA聚焦算法,对实测数据中多艘舰船的模糊图像进一步聚焦,成像结果表明该算法可以很好地降低海杂波旁瓣和海面虚影。随后,建立SAR/ISAR混合成像模型,采用传统时频分析算法对单个舰船进行瞬时时频成像,引入同步压缩类时频变换算子,获得摆动舰船在某一瞬时的聚焦图像。通过仿真实验和实测数据性能参数比较可知,同步压缩类算法可以抵消舰船摆动所造成的图像散焦和模糊,获得高清舰船图像,能够看清舰船结构、尺寸、船头船尾等细致部分。第五,针对运动舰船存在定位误差的问题,利用相控阵天线阵列结构分布均衡的特点,提出用以校正动目标方位向位置的VSAR算法。首先分析了具有径向速度的海面舰船存在方位向位置误差的原因,推导出方位位置误差的数学表达式。随后,建立VSAR算法模型,通过对天线阵列接收数据的相位差进行分析,得出目标径向速度和方位向真实位置估计。仿真实验和实测数据验证了该算法的可行性,成像结果表明VSAR算法可以对动目标进行连续动态观测,实现在多普勒频带内有效区分静动目标,提高判断舰船运动趋势及航行轨迹的能力。
任胜杰[2]（2021）在《基于卷积神经网络的螺栓松动故障诊断研究》文中研究表明螺栓连接具有可靠性高、便于安装和维护以及承载能力强等优点,被广泛应用于航空航天、土木和桥梁等工程领域中。然而,由于螺栓连接结构通常在时变负载下工作,导致服役螺栓常常发生松动,从而造成连接失效,若无法及时有效地诊断出螺栓松动,常常会造成设备精度降低、经济损失甚至人员伤亡。因此,有效检测和量化螺栓松动具有重要的工程意义。传统的机械故障诊断方法侧重于人工手动设计并提取特征,研究人员需要具有一定的先验知识,整个诊断过程效率低。而卷积神经网络可以从故障数据中自主学习并挖掘有用特征以提高诊断准确率,实现了端到端的螺栓松动故障诊断。针对卷积神经网络应用于螺栓松动故障诊断所需样本量大、准确率低的问题,建立了基于时频分析和深度迁移学习的螺栓松动故障诊断模型。首先,分析了十种典型的时频分析方法;其次,采用微调后的预训练AlexNet网络进行训练,分析比较每种时频方法的特征表达能力;最后,为了更好地理解网络学习过程,对神经元激活状态和提取特征进行可视化。为了观察模型逐层提取特征能力,采用t-SNE分别对测试样本和经过第一层卷积、第二层卷积和Softmax层后提取到的特征进行可视化。由于噪声会严重影响模型最终的诊断准确率,建立了基于一维（1D）和二维（2D）双流卷积神经网络的螺栓松动故障诊断模型（TSCNN）。首先,对传统LeNet-5网络进行改进,通过改变卷积核大小和数量、增加卷积层和池化层、采用批量归一化和Dropout等操作,分别建立一维卷积神经网络（1DCNN）和二维卷积神经网络（2DCNN）;其次,通过分析第一层宽卷积核、时频图像尺寸和网络深度对诊断结果的影响,确定了 1DCNN和2DCNN的结构参数;最后,将两种网络提取到的深度不变特征进行双流融合,以提高螺栓松动故障诊断模型的准确率。最后,在单螺栓钢板搭接、双螺栓钢板搭接和多螺栓机床导轨三种实验平台上对两种方法的有效性进行了验证。与传统方法相比,基于时频分析和深度迁移学习方法在小样本2000下就具有较高的识别准确率,TSCNN在三种实验平台上的准确率分别为100%、99.58%和99.58%。另外,测试了网络在不同噪声环境下的诊断性能,无需任何降噪预处理,TSCNN模型在不同噪声环境下表现出良好的鲁棒性和较高的识别准确率。
张楠妮[3]（2021）在《基于深度学习的方钢缺陷识别算法研究》文中研究说明目前轨道伤损的检测工作主要是通过相应的设备辅助来完成,当轨道出现损伤时,缺陷回波被转换成电信号,显示屏上将会出现不同的波形图像,检测人员通过观察显示屏上的回波信号来判断缺陷大小和位置,因此检测准确率与检测人员的经验和业务能力有关,不可避免的会出现人工误判。针对这一问题,本文提出了使用Wigner-Ville（WV）分布的时频分析方法,分析不同缺陷的时频图特征,以时频图作为深度学习的数据集,提出了一种基于ShuffleNetV2改进的网络模型,对不同形状的方钢缺陷进行分类,有效提高了工作效率,避免了人为主观判断而造成的误判。首先,在Comsol仿真软件中构建出超声导波在方钢中传播的模型,以三种典型的几何形状,方形、三角形和圆形缺陷作为研究对象,通过修改缩放因子S来改变缺陷大小得到不同的缺陷回波,使用Wigner-Ville（WV）分布对缺陷回波进行时频处理得到时频图,在Matlab中使用拟合工具箱对不同形状缺陷的时频图特征与缺陷大小进行数据拟合;在缺陷形状分类任务中,以ShuffleNetV2作为网络改进的基本模型,将MobileNetV1和MobileNetV2的结构优势和创新点应用到网络模型中,分别搭建了 SM1和SM2网络模型,通过改变Comsol仿真软件中面积缩放因子S、几何形状的边长R、缺陷在方钢中的位置和激励幅值的大小来构建不同的缺陷,对缺陷回波进行时频分析后构成缺陷数据集,在缺陷数据集上分别对比了传统的卷积神经网络模型GoogLeNet、VGG16Net和ResNet,轻量级卷积神经网络SqueezeNet、MobileNet和ShuffleNet网络模型的性能;对SM1和SM2网络模型的特征图进行了可视化操作,分析网络模型的特征提取过程。对各个数据拟合方法进行对比后,以时频图中的时间长度特征作为研究对象,对于方形缺陷和三角形缺陷,缺陷尺寸与时频图的时间宽度呈正比关系;对于圆形缺陷,随着缺陷面积增大,缺陷大小和时频图时间长度之间的规律性较差。在缺陷形状识别分类任务中,ShuffleNetV2准确率为0.97,每轮运行时间为27s,改进后的网络模型SM1和SM2的准确率分别为0.993和0.986,每轮运行时间均为19s,即提高准确率的同时减小了网络模型的参数量与运行时间,相较于人工检测,本文提出方法有效避免了人工误检,准确率更高。
杜晓瑞[4]（2021）在《高速铁路32米箱梁徐变线路段识别及发展预测研究》文中研究指明我国的高速铁路建设具有“以桥代路”的特点,大量采用32米混凝土简支箱梁的结构。箱梁徐变上拱明显降低了轨道平顺性,需要科学合理地安排养护维修作业。在箱梁区段上进行轨道成段精调或大机捣固作业的时机非常重要,最理想的维修作业应该在徐变上拱趋于稳定后。为此,本文依据轨道动态检测数据,对高速铁路32米箱梁徐变线路段识别及发展预测问题进行研究,论文主要研究工作如下:（1）分析了箱梁徐变上拱引起的轨道高低变化特征,通过比较不同类型区段上的高低幅值差异,明确了徐变上拱典型区段的概念,通过比较箱梁跨中、梁端位置处的高低时间序列变化趋势,发现在箱梁徐变上拱过程中,跨中部位的高低并未发生显着变化,梁端处的高低持续向负高低发展,提出本文将研究徐变上拱作用下梁端处的高低变化过程。（2）综合运用功率谱估计和频谱分析提出了基于组合模型的徐变上拱典型区段识别方法。将里程区段划分为相邻不重叠的单元区段,提高识别结果的线路分辨率,通过识别高低数据的周期性特征对徐变区段进行判定,依据能量阈值的判别条件对典型区段进行区分。基于案例分析从时间和空间维度检验方法的识别效果,结果表明,本文的方法能够可靠识别高铁线路中的箱梁徐变上拱典型区段。（3）综合运用小波分解、数据滤波、长度最小误差原则提出了箱梁梁端定位方法。将被判别为徐变上拱典型区段的单元区段重新合并为区段整体进行分析,通过小波分解和数据滤波初步提取箱梁徐变上拱波形,基于长度最小误差原则进行梁端里程偏差修正精确定位梁端。与短时傅里叶变换和平滑伪维格纳变换的定位结果进行对比,结果表明,本文的方法具有较高的定位精度,能够准确定位徐变上拱典型区段内的全部梁端。（4）综合运用Mann-Kendall趋势检验、AIC-ARIMA模型提出了徐变上拱状态判别方法和梁端高低预测方法。依据梁端定位结果构建梁端高低时间序列,通过检验序列的趋势判断徐变上拱状态,利用AIC准则通过动态定阶和统计分析确定预测模型的唯一最优参数,对徐变上拱继续发展的箱梁端部高低进行预测。结合梁端定位的实际案例,检验全部箱梁的徐变上拱状态,依据趋势检验结果预测高低变化,另外采用长短期记忆网络和支持向量回归进行预测对比分析。结果表明,本文的方法具有良好的适用性和较高的预测精度,能够有效判别徐变上拱状态,有效预测梁端高低变化。
丁宇鸣[5]（2021）在《基于弓网动态响应的接触网硬点诊断方法及应用研究》文中提出为积极响应时代号召,我国大力发展铁路建设。在建设客运专线和其他铁路线路的同时,还要加强既有铁路技术改造,扩大运输能力。以既有干线为重点,增建二线和电气化改造。这代表我国铁路的电化率将持续上升,电气化铁路的规模也将继续飞速扩大。在电气化铁路中,接触网是向电力机车直接输送电能的电气设备,电力机车通过受电弓从接触网中获得所需电能。由受电弓和接触网组成的电力系统就叫弓网系统。当受电弓运行通过接触线上的硬点时,常会导致弓网系统出现机械损伤,还会使其发生剧烈振动,造成弓网离线,产生燃弧,加速电器的绝缘损伤,对通信产生电磁干扰,更严重的是直接影响受流,甚至会造成供电瞬时中断,使列车丧失牵引力和制动力。针对弓网系统的特点,本文以我国电气化铁路面临的接触线硬弯、线夹异常、吊弦松弛等接触网硬点问题为导向,对弓网动态响应数据进行分析以及特征提取,并结合时频分析、综合评判等技术,提出基于弓网动态响应的接触网硬点诊断方法以及相应的指标。为能够及时发现异常值信息,避免异常值对检测数据的干扰,提出了高频弓网动态响应异常数据处理方法,包括:融合变化率和决策树的单点高频异常值滤除方法;基于相对峰值和模糊滤波器的区段异常值诊断方法;融合小波包和低频趋势信息的分片异常值滤除方法。通过对弓网动态响应数据进行分析,结果表明该方法能有效的滤除三种不同类型异常值,并且不会把正常信号误判成异常值,能完整保留正常信号。为提取数据时频特性,提出了基于CEEMDAN-SPWVD的弓网动态响应数据时频联合分析方法,并与传统时频方法进行了分析效果的对比。相比传统方法,新方法能有效抑制交叉项的干扰,验证了新时频分析方法的优势。对各种类型的典型硬点进行了时频联合分析,得到了接触线硬弯、各种零部件或其线夹状态异常、绝缘器状态异常、锚段关节过渡不平滑以及刚性接触网状态异常各自对应的响应频率范围。为后续接触网硬点诊断方法关键参数确定提供了依据。根据振动信号响应特性,提出了诊断硬点的接触网边际指数法（Catenary Marginal Index,CMI）和接触网冲击指数法（Catenary Impact Index,CII）。发现两方法分析原理相似,而且硬点诊断效果非常相近。但对同一段数据,接触网冲击指数法计算时间远小于边际指数法,计算效率得到了极大的提升,因此接触网冲击指数法明显要比边际指数法更适合工程在线应用。针对接触网冲击指数法的滑动窗长的影响和归一化的效果进行了实例分析,根据单次冲击振动衰减特征以及实例分析结果得到最优的时域滑动窗长,并且以不同窗长计算的移动有效值均具有很好的重复性。通过计算同一路段多次不同速度检测的接触网冲击指数,验证了接触网冲击指数法能够有效的消除车速对硬点诊断的影响,具备良好的稳定性。利用接触网冲击指数法评判冲击性接触网硬点对弓网性能的影响,相比以弓网动态响应数据的幅值评判,接触网冲击指数能有效减少各种随机因素对评判结果的影响。根据一般区段和绝缘器接触网冲击指数的第95百分位数,确定了不同类型区段的接触网冲击指数阈值。对基于弓网动态响应的接触网状态分析结果进行了现场实测复核,复核结果表明,提出的基于弓网动态响应的接触网硬点诊断方法能够有效的发现接触网硬点。
徐昌玲[6]（2021）在《基于卷积神经网络的轴向柱塞泵故障诊断》文中进行了进一步梳理液压系统由于其功率大、精度高、响应快等优点,广泛应用于工程机械领域,然而一旦发生故障,轻则影响企业效益,重则引起人员伤亡。液压泵作为液压系统的核心元件,其性能的好坏将会直接影响整个液压系统的运转。轴向柱塞泵具有结构紧凑、寿命长、容积效率高等优点,在液压系统中广泛应用。随着科技的发展,轴向柱塞泵的结构越来越复杂,故障形式也越来越复杂多样。因此,有必要对轴向柱塞泵进行故障诊断,从而保证液压系统的正常运转。轴向柱塞泵的典型故障包括滑靴磨损、松靴、中心弹簧失效和配流盘磨损。由于柱塞泵的故障具有突发性,成因复杂性,使用提取特征与分类器结合的传统方法对柱塞泵的故障诊断变得十分困难。故障特征提取困难,浅层模型泛化能力差、在复杂工况适用性有限,使得传统方法在柱塞泵故障诊断方面存在一定的局限性。针对以上问题,本文采用卷积神经网络（Convolutional Neural Network,CNN）对轴向柱塞泵进行诊断。本文主要开展以下几个方面的研究:（1）首先分析柱塞泵的结构和工作原理,分析柱塞泵的各个典型故障的机理以及故障带来的严重后果,从理论上分析柱塞泵各个工作状态的特征频率并将振动信号进行快速傅里叶变换,从幅频图上观察信号特征频率。（2）鉴于卷积神经网络有强大的图片分类能力,本文将柱塞泵的振动信号转化为包含信号特征的图片输入到卷积神经网络中进行故障诊断。由于柱塞泵的故障信号为非平稳信号,存在时变特性,从时间-频率二维平面的联合分析是处理非平稳信号的有力手段,因此本文采用时频分析的方法把故障信号转化成时频图。由于不同时频分析方法对柱塞泵故障特征的敏感程度不同,本文使用三种时频分析的方法,从中选出最适合轴向柱塞泵故障诊断的时频分析方法。（3）使用二维卷积神经网络进行故障诊断依然需要人工提取特征,因此本文使用一维卷积神经网络（One Dimensional Convolutional Neural Network,1DCNN）,不需要预先提取数据特征,可以将柱塞泵振动信号直接输入到模型中进行故障诊断。针对传统的1DCNN深度不足、提取特征不完善等问题,本文使用深度一维卷积神经网络（Deep One Dimensional Convolutional Neural Network,D-1DCNN）。D-1DCNN在传统的1DCNN上,增加了卷积层的层数,对信号特征提取更加完整。（4）柱塞泵的故障信号为一维时序信号,针对1DCNN提取故障信号的特征缺乏时间依赖性的问题,本文使用1DCNN与长短时间记忆网络（Long Short-Term Memory,LSTM）相结合的模型,即1DCNN-LSTM。首先由1DCNN提取特征数据,再对提取到的特征数据以序列的形式作为LSTM的输入,进行时序特征的提取,最后由分类器进行分类,完成柱塞泵的故障诊断。轴向柱塞泵的故障诊断是目前工程机械领域故障诊断的重点和难点,本文以轴向柱塞泵为研究对象,采取理论与实验相结合的方法,使用卷积神经网络进行故障诊断。本文将使用的卷积神经网络的几类模型进行分析对比,得出D-1DCNN在轴向柱塞泵的故障诊断中处于优势地位。
刘坤[7]（2021）在《高速铁路道岔动态特性分析及评价方法研究》文中提出高速铁路运输在我国交通运输体系的地位越来越重要,而高速道岔作为高速铁路的重要固定设备,又是设备管理单位的检修的重中之重。高速道岔因其结构和轮轨关系复杂,列车高速冲击使其病害主要集中在轨道几何尺寸超限、尖轨及心轨降低值超标、工电结合部间隙过大、尖轨侧磨和联结零件松动断裂等方面。高速道岔的轨道几何尺寸、间隙、钢轨表面伤损、联结零件和标志标记等问题可通过传统的保养质量评定或人工静态检查发现并处理,但对道岔通过状态下的性能难以检查与评估。利用综合检测列车检测的轨道几何和轴箱加速度等数据分析列车过岔时的动态特性,可以科学地评价道岔通过状态综合性能。然后,利用评价结果科学合理的编制年度、月度维修计划,实现综合维修和单项病害整治相结合,有利于道岔设备质量的常态保持和均衡提升,对成本最优目标的控制具有非常重要的意义。道岔区的短波和中长波病害是影响列车安全性、稳定性和平稳定的关键因素,而轴箱加速度、车体横向加速度、车体垂向加速度和构架横移等动态响应数据又是核心的关键因素。通过对综合检测列车采集的动态数据进行时频分析,分别探索轴箱加速度、车体横向加速度、车体垂向加速度和构架横移与高速道岔静态病害之间的关联关系。经过大量数据类比分析和现场复核,得到道岔区接头、钢轨擦伤掉块和波磨等是影响轴箱加速度的关键因素,高低不平顺病害对车体垂向加速度的影响较大,而轨向不平顺是车体横向加速度和构架横移的核心影响因素。通过对列车过岔的动态响应数据进行短时傅里叶变换和处理,得到了轴箱垂向振动加速度、车体横向及垂向加速度的时频分布,获得了轴箱加速度的主频及对应的道岔短波病害,验证了利用轨道冲击指数（TII）评价短波病害的可行性,获得了横向加速度和垂向加速度的主频及对应的不同波长的中长波病害,并验证了利用加权综合指标（WCI）评价中长波病害的可行性。在综合分析的基础上,利用层次分析法开展了包含短波及中长波病害的道岔状态综合性能评价。最后,利用道岔状态综合性能评价结果对道岔单元管理和检修任务的制定进行了优化。提出利用评判短波病害的轨道冲击指数（TII）和评判中长波病害的加权综合指标（WCI）得到道岔通过状态综合指数（TPCI）,并以此评判道岔的通过状态。通过国产客专18号道岔的静态病害和整治复核验证了该方法的实用性。本文的研究成果对高速道岔的检修和成本控制具有较强指导意义,同时也为道岔动态单元管理和年度生产计划、月度维修任务和周维修重点的制定提供科学的数据支持。另外,该成果对有砟道岔的通过状态性能综合评价也具有较强的借鉴意义。
邓影[8]（2021）在《基于时频广义S变换与VL-MOBP神经网络的复杂电磁环境分析与评估》文中提出复杂电磁环境是指在一定的时空和频段范围内,多种电磁信号密集拥挤,强度动态交叠变化,对抗特征突出,对电子信息系统、信息化设备和信息化效能产生影响的所有电磁现象的总和。随着现代通信技术的不断进步和发展,电磁信号日益密集,可用的频谱资源越来越少。电磁干扰造成的热效应和强电场效应可使信息化电子设备产生误动作,电子设备部分功能失效,严重时可能造成恶性事故。因此,如何有效防护电磁干扰,正确评估电子信息设备所处电磁环境的复杂度成为了国内外学者广泛关注的焦点。首先,本文分析了电磁环境信号的基本特性,探讨了短时傅里叶变换（Short Time Fourier Transform,STFT）、小波变换（Wavelet Transform,WT）及 S 变换等时频分析方法。针对S变换方法在复杂电磁环境信号分析中存在时间分辨率和频率分辨率无法同时兼顾的问题,提出一种能同时兼顾时间分辨率和频率分辨率的时频广义S变换时频占用度参数提取方法。将复杂电磁环境下受干扰的电子设备通信信号在γ>1,ρ>1,即时间分辨率高和γ<1,ρ<1,即频率分辨率高的情况下做两次时频分析,并分别提取干扰信号的时域占用度和频域占用度,随后将信号做时频广义S变换后提取干扰信号的能量占用度,最后结合电磁环境背景噪声强度一起组成评估指标。其次,针对复杂电磁环境评估定性与定量分级问题,提出了一种学习率可变动量反向传播（Variable Learning Rate Momentum Backpropagation,VL-MOBP）神经网络复杂电磁环境评估方法。解决了概率神经网络（Probabilistic Neural Network,PNN）、深度卷积神经网络（Deep Convolutional Neural Networks,DCNN）模型搭建困难,训练时间长等问题。通过将干扰信号用于复杂度评估的四个评估指标送入已经训练好的VL-MOBP神经网络,根据网络的输出,对照本文所提复杂度定级标准对干扰信号进行定量和定性评估。最后,开展了复杂电磁环境评估实验方法研究。使用任意波形发生器、频谱分析仪、收发天线及集成时频广义S变换的Lab VIEW测试系统搭建了硬件实验平台。利用任意波形发生器产生包含10dB高斯白噪声的同频欺骗式电磁干扰信号对RFID通信信号进行电磁辐射干扰,观察RFID通信信号在受到干扰后的IQ及误码率变化。通过计算受干扰通信信号IQ复信号的聚集度来对干扰信号的复杂度进行验证,并在相同环境下将本文方法与其他电磁环境复杂度时频分析方法和评估算法进行对比。实验结果显示根据受干扰通信信号IQ复信号的聚集度得到的干扰信号复杂度等级与本文所提评估方法得到的复杂度等级一致,且本文所提电磁环境复杂度评估方法与其他评估方法相比有更高的准确率,实验结果表明了本文所提评估方法在电磁环境复杂度评估上的正确性和有效性。
吴红安[9]（2021）在《改进的同步压缩变换方法及其在滚动轴承故障诊断中的应用》文中进行了进一步梳理机械设备常在复杂环境下运行,致使其不可避免地发生性能衰退,故障时有发生。因此开展复杂环境下的机械故障诊断研究,对保障机械设备安全运行具有重大意义,针对时变转速工况下机械设备关键零部件的故障诊断研究已成为研究热点。要实现复杂环境下机械设备的状态监测和故障诊断,其关键问题之一是如何对机械动态信号的非平稳特征进行有效提取和分析。同步压缩变换作为一种常见的时频分析方法,具有良好的时频聚集性和重构特性,因此在机械设备非平稳信号特征提取中得到广泛研究和应用。本文针对现有同步压缩变换在高分辨率时频表示、故障敏感频带定位以及时变转速工况下故障瞬时特征提取等方面所面临的问题,分别从理论、算法和应用三个层面出发,开展了时变转速工况下滚动轴承振动信号模型、改进窗口同步压缩变换算法、故障敏感频带定位、瞬时故障特征提取方法的研究。（1）研究分析滚动轴承基本结构和运动特性,总结描述滚动轴承故障振动机理,构建滚动轴承损伤类故障振动信号模型,并推广至变转速工况下,归纳出滚动轴承各部件表面损伤类故障特征频率理论计算公式,为后续滚动轴承故障仿真信号的模拟和实测轴承故障信号的深层次的分析奠定理论支撑。（2）针对传统时频分析方法的固定窗在分析非线性调频信号时存在时频聚集性不高、无法实现时频高分辨率表达等问题,本文在短时傅里叶变换基础上引入同步压缩理论,利用信号的局部信息特征,提出窗口伸缩优化的同步压缩变换算法,并在此基础上推导出二阶及高阶算法,新方法能够进一步体现同步压缩变换的优势,进一步锐化时频脊线,从而增强时频表示的能量聚集水平,提高信号时频分辨率,实现时变转速工况下振动信号时频域特征的高分辨率表示和转速信息的快速提取。实验仿真结果验证了所提方法的有效性与可靠性。（3）针对时变转速工况下滚动轴承损伤类故障特征在背景噪声下的分离困难的问题,提出了一种基于频域谱相关峭度图的敏感频带定位方法。该方法将频域谱相关峭度指标替代峭度指标引入到快速谱峭度图算法中并通过优化谱相关峭度值,快速定位滚动轴承常见类型故障信号所在的频率区间。仿真分析表明所提算法有效降低背景噪声和其它非故障冲击信息的干扰,实现了对时变转速工况下振动信号敏感频带的快速准确定位。（4）鉴于时变转速工况下滚动轴承振动信号的先验知识未知,利用最小信息熵准则为依据对截取信号窗口进行伸缩优化,自适应确定最优伸缩窗口参数,实现自适应窗口伸缩优化,更好地刻画时变信号的局部特性。同时,为凸显时频脊线有效信息成分,提出改进动态路径优化的脊线检测方法提取瞬时频率脊线曲线,改进现有的动态路径优化算法的脊线检测方法,快速提取瞬时频率。将改进的自适应窗口伸缩同步压缩算法应用到时变转速工况下滚动轴承故障诊断中,通过多组不同变转速条件下的实验数据分别验证所提方法的有效性。仿真信号和实测实验信号分析结果验证了改进算法相比现有同类方法的有效性和实用性,并在变转速滚动轴承故障特征频率提取中实现了理想应用,对分析变转速工况瞬时频率具有重要意义。
刘林霞[10]（2021）在《基于VMD-Teager的全地形车座椅非平稳振动特性研究》文中进行了进一步梳理工程车辆作为现代汽车制造产品中的重要组成部分,随着我国经济水平的快速提高,更多的关注点开始投入到工程车辆的研究上。由于其作业环境恶劣,时常会伴随噪声和振动的产生,车辆产生的振动往往会使人体的健康受到损伤,同时还会影响到整体乘坐舒适度。为解决上述问题,需对车辆的振动信号进行分析来为后续的舒适性改进提供理论依据。为研究工程车辆振动特性进而为车辆乘坐性能及舒适性的改进提供依据,本课题依托国家自然科学基金青年基金项目:“粘弹性缓冲系统阶变阻尼耗散机理与行为特性研究”（51805347）和中国博士后科学基金资助项目:“非接触准零刚度隔振系统振动耗散机理及工程应用”（2019M661058）,针对某型号全地形车开展如下研究:通过调研工程车辆作业环境及该类车辆的工作特性,确定了工程车辆在其作业时产生的振动信号多为时域和频域的统计特性随时间不断变化的非平稳振动信号。而非平稳信号如果借助传统的平稳信号分析方法来研究,无法揭示其蕴含的规律,而采用时频域联合分析可将非平稳信号在时域和频域的局部化特征以及全貌展现出来。通过研究变分模态分解和Teager能量算子解调的基本理论,提出新的确定变分模态分解个数K的方法。在暴露环境下开展了多种工况、不同发动机转速及车速的全地形车振动试验,通过对采集的大量全地形车振动数据进行时域和时频域的分析,发现停驶工况下由于发动机自身驱动周期的存在使得时域图中信号的幅值随时间呈周期性变化;水泥路工况下,振动信号的时域特性呈现典型非平稳特征,车速为15 km/h时,出现了包含在人体敏感频段范围的频段;越野路工况下,从时域图中看出其振动信号幅值均大于另两种工况,非平稳特征明显,且车速从5 km/h开始便出现低频振动,表明此时由于路况的改变,在速度较小的情况下,振动的影响就比较明显,而且随着车速的增大,低频振动强度增加。为方便对各类大量的实测非平稳振动数据进行时频分析以研究其振动特性,利用MATLAB的图形用户界面模块,设计了一款将数据处理、数据保存、时域分析、功率谱密度分析及时频分析等功能集为一体非平稳振动信号时频分析软件。由于时间有限,软件仅完成了1.0版本,但也极大程度的方便了后续非平稳振动数据的处理及分析,为各类工程车辆的振动信号分析提供了工具。
二、不同时频分析方法综合检测信号（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、不同时频分析方法综合检测信号（论文提纲范文）
（1）相控阵机载SAR海面动目标成像算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外相控阵雷达的研究现状及分析 |
| 1.2.1 国外相控阵雷达主要发展阶段研究 |
| 1.2.2 国内相控阵雷达发展情况 |
| 1.3 机载SAR动目标成像研究现状 |
| 1.4 本文的主要内容与结构安排 |
| 第2章 相控阵机载SAR成像机理研究 |
| 2.1 引言 |
| 2.2 SAR动目标成像基本理论及回波模型建立 |
| 2.3 DBF-SCORE波束控制成像方法 |
| 2.3.1 DBF-SCORE俯仰向波束控制原理 |
| 2.3.2 俯仰向自适应Capon谱估计法 |
| 2.3.3 方位向非均匀PRF采样重构算法 |
| 2.3.4 仿真实验与结果分析 |
| 2.3.5 实测数据与结果分析 |
| 2.4 TOPSAR方位向扫描成像方法 |
| 2.4.1 TOPSAR方位向波束控制原理 |
| 2.4.2 TOPSAR扫描模式成像算法 |
| 2.4.3 仿真实验与结果分析 |
| 2.5 本章小结 |
| 第3章 海面舰船动目标压缩感知成像算法研究 |
| 3.1 引言 |
| 3.2 舰船目标CS成像机理 |
| 3.2.1 海面舰船的正交匹配追踪算法 |
| 3.2.2 仿真实验与结果分析 |
| 3.3 块稀疏压缩感知成像算法 |
| 3.3.1 海面舰船的块稀疏BOMP成像算法 |
| 3.3.2 仿真实验与结果分析 |
| 3.4 块稀疏贝叶斯学习BSBL成像算法 |
| 3.4.1 海面舰船的块稀疏BSBL成像算法 |
| 3.4.2 仿真实验与结果分析 |
| 3.5 联合块稀疏JBOMP成像算法 |
| 3.5.1 海面舰船的联合块稀疏JBOMP成像算法 |
| 3.5.2 仿真实验与结果分析 |
| 3.5.3 实测数据与结果分析 |
| 3.6 本章小结 |
| 第4章 海面舰船动目标的多普勒参数估计及自聚焦 |
| 4.1 引言 |
| 4.2 多普勒参数估计 |
| 4.2.1 Radon-Wigner估计多普勒参数 |
| 4.2.2 SoWVD变换估计多普勒参数 |
| 4.2.3 仿真实验与结果分析 |
| 4.3 舰船目标自聚焦成像 |
| 4.3.1 最大对比度/最小熵算法 |
| 4.3.2 分块PGA自聚焦算法 |
| 4.3.3 实测数据与结果分析 |
| 4.4 舰船目标时频分析瞬态像 |
| 4.4.1 传统时频类成像法 |
| 4.4.2 仿真实验与结果分析 |
| 4.4.3 实测数据与结果分析 |
| 4.5 同步压缩时频变换成像法 |
| 4.5.1 同步压缩SST-CWT变换 |
| 4.5.2 同步压缩SST-Chirplet变换 |
| 4.5.3 同步压缩SST-STFT变换 |
| 4.5.4 同步压缩时频变换的误差分析 |
| 4.5.5 仿真实验与结果分析 |
| 4.5.6 实测数据与结果分析 |
| 4.6 本章小结 |
| 第5章 海面舰船动目标的方位向定位算法 |
| 5.1 引言 |
| 5.2 基于VSAR的海面舰船动目标定位算法 |
| 5.2.1 VSAR算法概述 |
| 5.2.2 VSAR算法运动目标成像模型 |
| 5.2.3 VSAR算法运动目标定位机理 |
| 5.3 仿真实验与结果分析 |
| 5.4 实测数据与结果分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（2）基于卷积神经网络的螺栓松动故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于物理模型的故障诊断方法 |
| 1.2.2 基于数据驱动的故障诊断方法 |
| 1.2.3 基于卷积神经网络的故障诊断方法 |
| 1.3 论文主要内容及安排 |
| 2 基于卷积神经网络的螺栓松动故障诊断原理 |
| 2.1 卷积神经网络结构 |
| 2.1.1 输入层 |
| 2.1.2 卷积层 |
| 2.1.3 激活函数 |
| 2.1.4 池化层 |
| 2.1.5 全连接层和Softmax分类器 |
| 2.2 网络训练过程 |
| 2.3 十种典型的时频分析方法 |
| 2.4 螺栓数据增强 |
| 2.5 螺栓故障诊断网络性能评价指标 |
| 2.6 本章小结 |
| 3 基于时频分析和深度迁移学习的螺栓松动故障诊断方法 |
| 3.1 深度迁移学习 |
| 3.1.1 迁移学习 |
| 3.1.2 预训练网络模型 |
| 3.2 螺栓故障诊断网络过程优化 |
| 3.2.1 不同优化算法对比分析 |
| 3.2.2 贝叶斯参数优化 |
| 3.3 Dropout和批量归一化 |
| 3.3.1 Dropout |
| 3.3.2 批量归一化 |
| 3.4 基于时频分析和深度迁移学习的螺栓松动故障诊断流程 |
| 3.5 螺栓样本数量对诊断结果的影响 |
| 3.6 可视化分析 |
| 3.7 本章小结 |
| 4 基于1D和2D双流卷积神经网络的螺栓松动故障诊断方法 |
| 4.1 1DCNN与2DCNN的滤波器滑动方式 |
| 4.2 1DCNN对诊断结果的影响 |
| 4.2.1 第一层宽卷积核对结果的影响 |
| 4.2.2 1DCNN网络结构参数 |
| 4.3 2DCNN对诊断结果的影响 |
| 4.3.1 数据预处理 |
| 4.3.2 时频图像尺寸对结果的影响 |
| 4.3.3 网络深度对结果的影响 |
| 4.3.4 2DCNN网络结构参数 |
| 4.4 基于1D和2D双流卷积神经网络的螺栓松动故障诊断流程 |
| 4.5 网络参数的比选实验 |
| 4.5.1 学习率对网络训练的影响 |
| 4.5.2 训练批量对网络训练的影响 |
| 4.6 本章小结 |
| 5 螺栓松动故障实验和诊断结果 |
| 5.1 实验内容 |
| 5.1.1 实验设备 |
| 5.1.2 实验平台搭建 |
| 5.1.3 环境配置 |
| 5.2 基于时频分析和深度迁移学习方法的实验结果 |
| 5.3 基于1D和2D双流卷积神经网络的实验结果 |
| 5.3.1 单螺栓钢板搭接实验结果 |
| 5.3.2 双螺栓钢板搭接实验结果 |
| 5.3.3 多螺栓机床导轨实验结果 |
| 5.4 与其他诊断方法对比 |
| 5.5 抗噪性能研究 |
| 5.6 本章小结 |
| 6 结论 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（3）基于深度学习的方钢缺陷识别算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 方钢缺陷检测的背景和研究现状 |
| 1.2 卷积神经网络缺陷识别的背景和研究现状 |
| 1.3 论文研究内容 |
| 2 卷积神经网络概述 |
| 2.1 卷积神经网络结构 |
| 2.1.1 卷积层 |
| 2.1.2 池化层 |
| 2.1.3 激活函数 |
| 2.2 轻量级卷积神经网络模型 |
| 2.2.1 Mobile Net |
| 2.2.2 Shuffle Net |
| 2.2.3 Squeeze Net |
| 2.3 本章小结 |
| 3 缺陷检测预处理算法设计 |
| 3.1 时频分析 |
| 3.1.1 短时傅里叶变换 |
| 3.1.2 连续小波变换 |
| 3.1.3 Wigner-Ville分布 |
| 3.2 仿真缺陷回波的特征分析 |
| 3.2.1 基于有限元的方钢超声检测缺陷回波仿真 |
| 3.2.2 缺陷回波信号的时频图特征 |
| 3.2.3 不同大小缺陷特征的数据拟合 |
| 3.2.4 拟合方法的性能对比 |
| 3.2.5 结果分析 |
| 3.3 本章小结 |
| 4 缺陷形状分类的算法设计 |
| 4.1 数据集的制作和数据预处理 |
| 4.1.1 缺陷数据集的制作 |
| 4.1.2 数据预处理 |
| 4.2 网络模型的设计 |
| 4.2.1 网络改进的基本模型 |
| 4.2.2 SM1 的网络结构 |
| 4.2.3 SM2 的网络结构 |
| 4.2.4 网络结构参数调整 |
| 4.3 本章小结 |
| 5 实验结果与分析 |
| 5.1 实验平台与环境 |
| 5.2 分类结果评价标准 |
| 5.3 各类模型分类结果及性能对比 |
| 5.3.1 传统卷积神经网络 |
| 5.3.2 轻量级卷积神经网络 |
| 5.3.3 改进后的网络模型与其他网络模型的性能对比 |
| 5.3.4 SM1 和SM2 特征图可视化 |
| 5.4 本章小结 |
| 6 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（4）高速铁路32米箱梁徐变线路段识别及发展预测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 桥梁徐变研究现状 |
| 1.3.2 轨道不平顺时频分析研究现状 |
| 1.3.3 轨道不平顺状态预测研究现状 |
| 1.3.4 国内外研究现状总结 |
| 1.4 研究内容 |
| 1.5 技术路线 |
| 2 徐变和轨道不平顺基础理论 |
| 2.1 徐变概述 |
| 2.2 轨道不平顺概述 |
| 2.3 箱梁徐变上拱引起轨道高低不平顺变化 |
| 2.3.1 周期性轨道高低不平顺波形 |
| 2.3.2 徐变上拱典型区段与非典型区段数据对比分析 |
| 2.3.3 徐变箱梁跨中与梁端高低变化对比分析 |
| 2.4 本章小结 |
| 3 32 米箱梁徐变上拱典型区段识别研究 |
| 3.1 问题描述 |
| 3.2 基于功率谱估计的徐变上拱典型区段识别 |
| 3.2.1 功率谱估计介绍 |
| 3.2.2 基于Welch谱估计的特征波长判定 |
| 3.3 基于频谱分析的徐变上拱典型区段识别 |
| 3.3.1 频谱分析介绍 |
| 3.3.2 基于频谱分析的特征波长判定 |
| 3.4 基于组合模型的徐变上拱典型区段识别 |
| 3.5 案例分析 |
| 3.5.1 案例说明 |
| 3.5.2 案例基础数据 |
| 3.5.3 不同类型徐变区段识别结果分析 |
| 3.5.4 时空维度徐变区段识别结果分析 |
| 3.6 本章小结 |
| 4 32 米箱梁徐变上拱典型区段梁端定位研究 |
| 4.1 问题描述 |
| 4.2 基于时频分析和数据滤波的梁端定位 |
| 4.2.1 时频分析和数据滤波介绍 |
| 4.2.2 基于小波分解的波形提取 |
| 4.2.3 基于滑动平均的误差过滤 |
| 4.2.4 梁端里程偏差修正 |
| 4.3 案例分析 |
| 4.3.1 案例基础数据 |
| 4.3.2 徐变箱梁梁端定位结果分析 |
| 4.4 本章小结 |
| 5 徐变上拱状态判别及梁端高低预测研究 |
| 5.1 问题描述 |
| 5.2 徐变箱梁梁端高低时间序列构建 |
| 5.3 基于趋势检验的徐变上拱状态判别 |
| 5.3.1 趋势检验介绍 |
| 5.3.2 基于Mann-Kendall检验的趋势判别 |
| 5.4 基于时间序列预测模型的徐变上拱梁端高低预测 |
| 5.4.1 时间序列预测介绍 |
| 5.4.2 基于AIC-ARIMA的梁端高低预测 |
| 5.4.3 评价指标 |
| 5.5 案例分析 |
| 5.5.1 案例基础数据 |
| 5.5.2 徐变上拱状态判别结果分析 |
| 5.5.3 徐变梁端高低预测结果分析 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）基于弓网动态响应的接触网硬点诊断方法及应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 弓网动态检测应用 |
| 1.2.2 数据异常分析及处理 |
| 1.2.3 数据特征分析 |
| 1.2.4 接触网状态评价方法 |
| 1.3 主要研究内容及技术路线 |
| 2 弓网动态响应数据异常分析及处理 |
| 2.1 高频弓网动态响应异常数据处理流程 |
| 2.2 单点高频异常值滤除方法 |
| 2.3 区段异常值滤除方法 |
| 2.4 分片异常值滤除方法 |
| 2.5 实例分析 |
| 2.6 本章小结 |
| 3 弓网动态响应时频联合分析 |
| 3.1 CEEMDAN原理 |
| 3.2 SPWVD原理 |
| 3.3 基于CEEMDAN-SPWVD的弓网动态响应时频联合分析方法 |
| 3.4 CEEMDAN-SPWVD与传统时频方法对比分析 |
| 3.5 基于弓网动态响应数据的典型硬点的时频分布特征 |
| 3.5.1 接触线硬弯 |
| 3.5.2 各种零部件或其线夹状态异常 |
| 3.5.3 绝缘器状态异常 |
| 3.5.4 锚段关节过渡不平滑 |
| 3.5.5 刚性接触网状态异常 |
| 3.6 本章小结 |
| 4 接触网硬点诊断方法 |
| 4.1 诊断硬点的接触网边际指数法 |
| 4.2 诊断硬点的接触网冲击指数法 |
| 4.2.1 基于FFT-IFFT的带通滤波方法 |
| 4.2.2 有效值快速计算方法 |
| 4.3 接触网冲击指数法与边际指数法的比较 |
| 4.4 接触网冲击指数法关键参数的影响规律分析 |
| 4.4.1 滑动窗长的影响 |
| 4.4.2 归一化的效果 |
| 4.5 接触网冲击指数阈值选取方法 |
| 4.6 本章小结 |
| 5 接触网冲击指数法应用实例分析 |
| 5.1 接触线硬弯 |
| 5.2 接触线扭面 |
| 5.3 接触线划伤 |
| 5.4 吊弦线夹或吊弦状态异常 |
| 5.5 接触线接头线夹状态异常 |
| 5.6 电连接或其线夹状态异常 |
| 5.7 中心锚结线夹或锚结绳状态异常 |
| 5.8 本章小结 |
| 6 结论与展望 |
| 6.1 主要结论 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的科研成果 |
| 学位论文数据集 |
（6）基于卷积神经网络的轴向柱塞泵故障诊断（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题的目的和意义 |
| 1.2 国内外研究动态 |
| 1.2.1 基于人工的诊断方法 |
| 1.2.2 基于数学模型的诊断方法 |
| 1.2.3 基于信号处理的诊断方法 |
| 1.2.4 基于人工智能的诊断方法 |
| 1.3 深度学习应用于故障诊断研究现状 |
| 1.4 本文研究的主要内容 |
| 1.4.1 研究思路 |
| 1.4.2 主要研究内容与章节安排 |
| 第2章 柱塞泵故障诊断试验系统与故障诊断模型 |
| 2.1 实验对象 |
| 2.2 轴向柱塞泵的故障机理 |
| 2.3 轴向柱塞泵特征频率 |
| 2.4 轴向柱塞泵故障诊断实验系统 |
| 2.4.1 轴向柱塞泵故障试验台介绍 |
| 2.4.2 传感器的布设以及采集参数设置 |
| 2.4.3 实验运行软件与环境配置 |
| 2.5 卷积神经网络 |
| 2.5.1 二维卷积神经网络 |
| 2.5.2 一维卷积神经网络 |
| 2.5.3 卷积神经网络的特性 |
| 2.6 本章小结 |
| 第3章 基于CNN的轴向柱塞泵故障诊断 |
| 3.1 柱塞泵不同工作状态的振动信号 |
| 3.2 信号处理理论 |
| 3.2.1 短时傅里叶变换 |
| 3.2.2 小波变换 |
| 3.2.3 维格纳-威尔分布 |
| 3.3 基于CNN的轴向柱塞泵故障诊断 |
| 3.3.1 样本长度的选择 |
| 3.3.2 时频图样本 |
| 3.3.3 卷积神经网络故障诊断流程 |
| 3.3.4 卷积神经网络参数调试 |
| 3.3.5 不同时频图对准确率的影响 |
| 3.4 深度学习中其他算法对斜盘式轴向柱塞泵的故障诊断 |
| 3.4.1 深度置信网络 |
| 3.4.2 堆叠自动编码器 |
| 3.4.3 实验过程与结果 |
| 3.5 本章小结 |
| 第4章 基于D-1DCNN的轴向柱塞泵故障诊断 |
| 4.1 基于D-1DCNN的轴向柱塞泵故障诊断 |
| 4.1.1 D-1DCNN网络构建与参数设置 |
| 4.1.2 D-1DCNN网络参数调节 |
| 4.1.3 实验结果 |
| 4.2 基于1DCNN的轴向柱塞泵故障诊断 |
| 4.2.1 1DCNN的参数设置 |
| 4.2.2 1DCNN网络参数调节 |
| 4.2.3 实验结果 |
| 4.3 实验结果对比 |
| 4.4 本章小结 |
| 第5章 基于1DCNN-LSTM的轴向柱塞泵故障诊断 |
| 5.1 基于1DCNN-LSTM的轴向柱塞泵故障诊断 |
| 5.1.1 长短时间记忆网络 |
| 5.1.2 1DCNN-LSTM结构 |
| 5.1.3 1DCNN-LSTM具体参数 |
| 5.1.4 dropout参数调节 |
| 5.1.5 实验结果 |
| 5.2 基于LSTM的轴向柱塞泵故障诊断 |
| 5.2.1 LSTM结构与具体参数 |
| 5.2.2 实验结果对比 |
| 5.3 CNN模型性能对比 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文的主要工作与结论 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（7）高速铁路道岔动态特性分析及评价方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 高速铁路道岔发展现状 |
| 1.2.1 国外高速道岔发展现状 |
| 1.2.2 我国高速道岔发展现状 |
| 1.3 道岔评价及时频分析 |
| 1.3.1 道岔评价 |
| 1.3.2 时频分析 |
| 1.4 主要研究内容 |
| 2 高速道岔常见病害统计分析 |
| 2.1 高速道岔常见病害类型概述 |
| 2.1.1 道岔几何尺寸病害分析及整治 |
| 2.1.2 尖轨、可动心轨降低值超限分析及整治 |
| 2.1.3 转辙器、辙叉部位离缝分析及整治 |
| 2.1.4 道岔其他病害及整治 |
| 2.2 典型道岔病害及列车过岔动力特性关系分析 |
| 2.2.1 道岔几何不平顺的动力特性分析 |
| 2.2.2 降低值超限的动力学特性分析 |
| 2.2.3 道岔短波冲击病害的动力学特性分析 |
| 2.3 本章小结 |
| 3 高速道岔短波病害分析 |
| 3.1 道岔典型短波病害及车辆动态响应时频特性分析 |
| 3.1.1 绝缘接头病害的车辆动态响应数据特性 |
| 3.1.2 钢轨掉块区域的车辆动态响应数据特性 |
| 3.1.3 钢轨擦伤区域的车辆动态响应数据特性 |
| 3.1.4 波磨区域的车辆动态响应数据特性 |
| 3.2 道岔短波状态评价方法 |
| 3.2.1 道岔短波病害的评判步骤 |
| 3.2.2 短波病害评判应用实例 |
| 3.3 本章小结 |
| 4 高速道岔中长波病害分析 |
| 4.1 典型中长波病害及车辆动态响应时频特性分析 |
| 4.1.1 轨向不平顺的车辆动态响应数据特性 |
| 4.1.2 高低不平顺的车辆动态响应数据特性 |
| 4.2 高速道岔中长波状态评价方法 |
| 4.2.1 车体/构架动态响应指标及特性 |
| 4.2.2 道岔中长波通过性能评价 |
| 4.2.3 中长波病害评判应用实例 |
| 4.3 本章小结 |
| 5 基于车辆动态响应的高速道岔综合评价 |
| 5.1 层次分析法 |
| 5.1.1 建立层次结构模型 |
| 5.1.2 构造成对比较矩阵 |
| 5.1.3 层次排序及一致性检验 |
| 5.2 基于层次分析法的高速道岔综合评价 |
| 5.2.1 道岔综合评价模型 |
| 5.2.2 Sigmoid函数及指标归一化 |
| 5.2.3 构造成对比较矩阵和权系统确定 |
| 5.2.4 基于综合评价的不良道岔筛选效果 |
| 5.3 本章小结 |
| 6 高速道岔维修管理及整治案例分析 |
| 6.1 道岔单元管理优化及运用 |
| 6.1.1 道岔单元评价模型优化 |
| 6.1.2 动态单元管理运用 |
| 6.2 重点道岔病害复核及综合整治 |
| 6.2.1 不良道岔病害复核 |
| 6.2.2 道岔病害综合整治 |
| 6.3 本章小结 |
| 7 结论与展望 |
| 7.1 主要结论 |
| 7.2 展望 |
| 参考文献 |
| 作者简历及攻读学位期间取得的科研成果 |
| 学位论文数据集 |
（8）基于时频广义S变换与VL-MOBP神经网络的复杂电磁环境分析与评估（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电磁环境信号分析方法 |
| 1.2.2 电磁环境评估指标选取 |
| 1.2.3 电磁环境评估方法 |
| 1.3 本文研究创新点和主要内容安排 |
| 第二章 基于时频广义S变换的复杂电磁环境评估指标提取方法 |
| 2.1 复杂电磁环境构成 |
| 2.1.1 自然电磁辐射 |
| 2.1.2 民用电磁辐射 |
| 2.1.3 武器装备的自扰和互扰 |
| 2.1.4 敌军有意电磁干扰 |
| 2.1.5 核电磁辐射 |
| 2.1.6 辐射传播因素 |
| 2.2 复杂电磁环境评估指标提取方法 |
| 2.2.1 短时傅里叶变换(STFT) |
| 2.2.2 小波变换(WT) |
| 2.2.3 S变换 |
| 2.2.4 时频广义S变换 |
| 2.3 基于时频广义S变换的电磁环境评估指标提取方法 |
| 2.3.1 电磁背景环境电平门限 |
| 2.3.2 受干扰电子设备通信信号指标提取 |
| 2.4 本章小结 |
| 第三章 基于VL-MOBP神经网络的复杂电磁环境评估方法 |
| 3.1 传统电磁环境评估定级标准 |
| 3.2 VL-MOBP神经网络的确定 |
| 3.2.1 VL-MOBP神经网络原理 |
| 3.2.2 VL-MOBP神经网络学习算法 |
| 3.2.3 VL-MOBP神经网络结构的确定 |
| 3.3 基于VL-MOBP神经网络的复杂电磁环境评估 |
| 3.3.1 VL-MOBP神经网络的训练及测试 |
| 3.3.2 不同干扰信号复杂度评估 |
| 3.4 本章小结 |
| 第四章 电磁干扰实验及性能分析 |
| 4.1 实验硬件平台 |
| 4.2 电磁干扰实验 |
| 4.3 干扰效果与IQ星座聚集度评价 |
| 4.4 性能分析 |
| 4.4.1 不同时频分析方法时频分辨率对比分析 |
| 4.4.2 不同评估算法准确率对比分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 论文中的不足与展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（9）改进的同步压缩变换方法及其在滚动轴承故障诊断中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究概况及发展趋势 |
| 1.2.1 滚动轴承故障诊断技术的研究概况和现状 |
| 1.2.2 时频分析方法研究现状 |
| 1.2.3 时频分析方法在变转速滚动轴承故障特征提取中的应用 |
| 1.3 论文的主要研究内容与结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 研究目标 |
| 1.3.3 论文技术路线和结构安排 |
| 第2章 变转速工况下滚动轴承故障信号模型及特征提取研究 |
| 2.1 引言 |
| 2.2 滚动轴承结构与运动特性 |
| 2.2.1 滚动轴承基本结构 |
| 2.2.2 滚动轴承运动产生的特征频率 |
| 2.3 滚动轴承故障机理与振动信号模型研究 |
| 2.3.1 滚动轴承故障振动机理 |
| 2.3.2 滚动轴承故障振动信号模型研究 |
| 2.4 变转速工况下滚动轴承非平稳振动信号模型分析 |
| 2.5 本章小结 |
| 第3章 同步压缩及其高阶变换在时频域瞬时特征提取中的研究 |
| 3.1 引言 |
| 3.2 基于短时傅里叶的同步压缩变换方法基本理论概述 |
| 3.2.1 短时傅里叶变换 |
| 3.2.2 同步压缩短时傅里叶变换 |
| 3.2.3 二阶和高阶同步压缩短时傅里叶变换 |
| 3.3 窗口伸缩优化的同步压缩短时傅里叶算法研究 |
| 3.3.1 基于窗口伸缩优化短时傅里叶变换的振动信号时频表示 |
| 3.3.2 基于窗口伸缩优化同步压缩短时傅里叶变换的振动信号时频表示 |
| 3.4 仿真信号分析 |
| 3.5 实测蝙蝠信号分析 |
| 3.6 本章小结 |
| 第4章 基于频域谱相关峭度图的敏感频带定位方法 |
| 4.1 引言 |
| 4.2 快速谱峭度图方法 |
| 4.2.1 谱峭度原理 |
| 4.2.2 快速谱峭度图方法 |
| 4.3 基于频域相关峭度改进谱峭度图的故障敏感频带定位 |
| 4.3.1 谱峭度图方法的不足 |
| 4.3.2 频域相关峭度 |
| 4.3.3 故障敏感频带的定位 |
| 4.4 滚动轴承仿真信号的分析与验证 |
| 4.5 本章小结 |
| 第5章 自适应窗口伸缩同步压缩算法在变转速工况下滚动轴承故障特征提取中的应用 |
| 5.1 引言 |
| 5.2 自适应窗口伸缩时频同步压缩理论研究 |
| 5.2.1 自适应窗口伸缩的同步压缩短时傅里叶变换 |
| 5.2.2 最优伸缩窗口参数的自适应确定 |
| 5.3 故障敏感频带的故障特征时频脊线检测方法 |
| 5.3.1 基于改进动态路径优化的脊线检测方法提取瞬时频率 |
| 5.3.2 基于自适应窗口伸缩同步压缩算法分析故障敏感频带 |
| 5.4 改进的算法在变转速工况下滚动轴承故障特征提取中的应用 |
| 5.4.1 多分量仿真信号的分析与验证 |
| 5.4.2 滚动轴承仿真信号的分析与验证 |
| 5.4.3 实测滚动轴承振动信号的故障诊断分析与验证 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间发表的学术论文 |
| 附录2 攻读硕士学位期间参与的科研项目 |
（10）基于VMD-Teager的全地形车座椅非平稳振动特性研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 非平稳信号简介及研究现状 |
| 1.3 时频分析法现状 |
| 1.3.1 线性时频分析法 |
| 1.3.2 非线性时频分析法 |
| 1.4 全地形车振动特性研究现状 |
| 1.5 选题意义 |
| 1.6 主要研究内容 |
| 第二章 非平稳振动信号分析基本理论 |
| 2.1 非平稳信号时频分析基本理论 |
| 2.1.1 变分模态分解 |
| 2.1.2 分解个数的确定方法 |
| 2.1.3 Teager能量算子解调 |
| 2.2 改进的VMD-Teager时频分析法 |
| 2.3 算例验证 |
| 2.3.1 含噪声信号复合信号分析 |
| 2.3.2 含间断信号复合信号分析 |
| 2.3.3 含脉冲信号复合信号分析 |
| 2.3.4 三组算例的时频分析 |
| 2.4 本章小结 |
| 第三章 全地形车座椅振动试验与分析 |
| 3.1 座椅振动信号采集试验 |
| 3.1.1 停驶工况实验 |
| 3.1.2 水泥路工况实验 |
| 3.1.3 越野路工况实验 |
| 3.2 振动信号处理及分析 |
| 3.2.1 振动信号处理 |
| 3.2.2 停驶工况座椅底板振动信号分析 |
| 3.2.3 水泥路工况座椅底板振动信号分析 |
| 3.2.4 越野路工况座椅底板振动信号分析 |
| 3.3 本章小结 |
| 第四章 非平稳信号时频分析软件 |
| 4.1 图形用户界面(GUI)介绍 |
| 4.2 非平稳信号时频分析软件设计 |
| 4.2.1 输入信号模块 |
| 4.2.2 判断K值模块 |
| 4.3 非平稳信号时频分析软件测试 |
| 4.3.1 输入数据模块功能测试 |
| 4.3.2 判断K值模块功能测试 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文及参与科研项目 |
四、不同时频分析方法综合检测信号（论文参考文献）
- [1]相控阵机载SAR海面动目标成像算法研究[D]. 张璘. 哈尔滨工业大学, 2021(02)
- [2]基于卷积神经网络的螺栓松动故障诊断研究[D]. 任胜杰. 西安理工大学, 2021
- [3]基于深度学习的方钢缺陷识别算法研究[D]. 张楠妮. 西安理工大学, 2021(01)
- [4]高速铁路32米箱梁徐变线路段识别及发展预测研究[D]. 杜晓瑞. 北京交通大学, 2021(02)
- [5]基于弓网动态响应的接触网硬点诊断方法及应用研究[D]. 丁宇鸣. 中国铁道科学研究院, 2021(01)
- [6]基于卷积神经网络的轴向柱塞泵故障诊断[D]. 徐昌玲. 太原理工大学, 2021(01)
- [7]高速铁路道岔动态特性分析及评价方法研究[D]. 刘坤. 中国铁道科学研究院, 2021(01)
- [8]基于时频广义S变换与VL-MOBP神经网络的复杂电磁环境分析与评估[D]. 邓影. 合肥工业大学, 2021(02)
- [9]改进的同步压缩变换方法及其在滚动轴承故障诊断中的应用[D]. 吴红安. 武汉科技大学, 2021(01)
- [10]基于VMD-Teager的全地形车座椅非平稳振动特性研究[D]. 刘林霞. 太原科技大学, 2021(01)