硕士论文网第2020-09-30期，本期硕士论文写作指导老师为大家分享一篇
机械论文文章《复杂噪声背景下基于非线性滤波的机械设备故障诊断方法研究》，供大家在写论文时进行参考。
本文是一篇机械硕士论文，本文利用 GPU 的高性能并行计算能力，在 GPU 平台上对 CRPF 算法的并行性能进行了分析研究，并提出了一种基于多 GPU 平台的并行 CRPF 故障诊断方法。
第1章 绪 论
1.1 课题的研究背景与意义
随着大型机械工程应用系统及智能化技术的发展，风力发电设备、航空发动机、高档数控机床等大型机械设备正在朝着高精度、集成化、智能化方向发展，其组成和结构日趋复杂，设备各部分之间的联系、耦合更加紧密，其中一个部件出现故障，可能引起连锁反应，影响后续生产，以至于中断整个生产流程，造成巨大经济损失及人员伤亡事故[1, 2]。对于大型复杂机械设备，由于其本身运行机理复杂、参数和结构不确定、动态时变特性以及强耦合性，使得这些设备的故障通常表现为复杂性、不确定性、相关性、层次性等特点[3]，导致大型复杂设备的故障诊断要求高、难度大。因此，机械设备故障诊断是当前的重要研究课题之一。《国家中长期科学和技术发展规划纲要（2006-2020年）》和《机械工程学科发展战略报告(2011～2020 年)》，将重大设施运行可靠性、安全性、可维护性关键技术列为重点研究方向。可见，有效、可靠的故障诊断技术对于保障机械设备的安全可靠运行具有非常重要的意义。 经过几十年的研究，线性系统故障诊断技术已获得了较为丰富的成果，但对于非线性系统的故障诊断技术还处于探索研究中[4]。而实际上，几乎所有的大型机械工程应用系统均属于非线性或者强非线性系统。首先，这些非线性系统均具有复杂性和多样性的特点，参数多且各参数和变量之间的关系复杂，很难建立准确的数学模型；其次，非线性系统运行中存在各种扰动和随机噪声，影响故障诊断的准确性。由于建模误差、各种扰动和随机噪声的存在，为复杂大型机械设备的故障诊断带来了很大的困难。
1.2 国内外研究现状
故障诊断技术发展至今，针对机械设备（如风电机组、航空发电机、运载火箭、水下机器人等）的故障诊断已提出了大量的理论和方法。按照已有的研究成果和故障诊断的发展趋势，将故障诊断方法可以划分为基于模型的方法、基于数据的方法和基于知识的方法三种，该分类方法也得到了很多研究者的认同[5, 6]。故障诊断方法的具体分类如图1.1所示。
随着计算机技术和人工智能技术的快速发展，尤其是专家系统以及人工神经网络的发展，基于知识的方法在故障诊断领域中获得了重要的应用。此方法不需要建立系统的数学模型，具有很强的推理能力和良好的鲁棒性等优点，能够较好的适用于各种大型的复杂非线性系统。基于知识的故障诊断的方法主要包括：专家系统故障诊断方法、模糊故障诊断方法和神经网络故障诊断方法等。
第 2 章 复杂噪声情况下的粒子滤波算法研究
2.1 引言
基于模型故障诊断的准确性很大程度上依赖于模型的准确性，但在实际应用中，由于非线性系统的复杂性、结构和参数的不确定性、动态时变特性以及严重的强耦合性，很难实现准确建模，必然存在系统模型误差和参数偏差等误差，再加上复杂系统的非线性、非高斯特性，并且受环境因素和人为干扰的影响，噪声的统计特性无法准确获取，并且可能是随时间变化的。目前的研究中多数假设噪声服从已知的高斯分布，并采用 EKF 实现故障状态的估计[104, 10 5]，噪声特性与实际不符，导致状态估计性能下降，难以满足复杂噪声环境下诊断系统对滤波精度的要求。针对非高斯噪声情况的状态估计，文献[81]基于粒子学习方法提出了一种自适应粒子滤波的参数估计方法，解决状态噪声和量测噪声统计特性未知的情况下的突变参数估计问题，但是在实际应用中很难合理确定粒子学习滤波的充分统计量。文献[106]针对闪烁噪声情况对 PF 的量测噪声进行建模，但无法解决对于未知时变噪声所引起的模型漂移问题。目前的研究中，对于非高斯、复杂噪声影响下的状态估计问题研究不多，对噪声的合理估计和建模是建立准确的滤波算法的重要基础，也是影响诊断精度的重要因素。 针对以上问题，本章主要针对噪声统计特性的未知时变性以及时间相关或空间相关性，从噪声的分布情况、噪声的更新、噪声联合概率的分解、噪声相关情况下最优建议分布函数的推导等方面出发，分别对未知时变噪声下的粒子滤波算法和噪声相关情况下的粒子滤波算法进行研究，为故障诊断提供准确的滤波算法。
2.2 粒子滤波算法
粒子滤波是一种基于蒙特卡洛思想的近似贝叶斯滤波算法。通过计算样本集合的均值实现参数估计，是一种概率统计的算法。粒子滤波的核心思想是用一组离散的随机采样点（即粒子集合）来近似表示系统随机变量的概率密度函数，并以样本均值代替积分运算，由此获得状态的最小方差估计，当样本数量 N趋向于正无穷大时，可以逼近任何形式的概率密度分布。 可见，粒子滤波核心思想就是利用样本集合的均值作为滤波器的估计值。如果集合内的所有粒子都能够紧密地分布在真实值的周围，那么计算得到的均值必定接近真实值，此时均值与真实值的误差最小，是粒子滤波估计的理想情况。样本集合的分布如果不能很好地覆盖真实值，滤波器经过多次迭代必然会出现滤波发散的现象。
第 3 章 强噪声背景下智能优化的自适应 CRPF 算法
3.1 引言
3.2 代价评估粒子滤波
3.3 智能优化的自适应 CRPF 算法
3.4 实验结果与分析
3.5 本章小结
第 4 章 基于自适应阈值和智能优化自适应 CRPF 的故障诊断方法
4.1 引言
4.2 非线性系统状态空间模型
4.3 基于残差的故障检测
4.4 自适应阈值设计
4.5 基于智能优化的自适应 CRPF 算法的故障诊断
4.6 实验结果与分析
4.7 本章小结
第 5 章 基于 GPU 并行的 CRPF 故障诊断方法研究
5.1 引言
5.2 GPU 的通用计算技术
5.3 基于 CUDA 的并行加速 CRPF 算法
5.4 并行加速 CRPF 算法的故障诊断
5.5 结论
5.6 本章小结
第 6 章 基于多 GPU 并行的 CRPF 故障诊断方法研究
6.1 引言
6.2 单 GPU 中实现多模型故障诊断的流程
6.3 存在的不足
6.4 基于多 GPU 的双层并行 CRPF 算法
6.5 多 GPU 并行 CRPF 算法在 DFIG 中的故障诊断
6.6 实验结果与分析
6.7 结论
6.8 本章小结
第 7 章 总结与展望
随着智能化技术的发展，现代大型机械设备具有高精度、运行机理高度复杂以及运行过程的高效性等特点，对在线诊断的精确性和实时性提出了更高的要求。各种智能优化算法的研究和高性能计算的快速发展，为滤波技术的发展注入了新的活力，使得非线性滤波在航空航天、生物医学、目标跟踪、视频监控、故障诊断等领域研究中成为一种经典且主流的方法之一，对于复杂设备的高性能、快速的在线诊断的研究更具有现实意义。本文围绕复杂噪声环境下非线性滤波的故障诊断方法展开研究，综合应用状态估计理论和智能计算等多学科知识，研究了复杂噪声环境下故障诊断的关键技术，提高了故障诊断的准确性和实时性，丰富了故障诊断研究的理论体系，为推动机械设备故障诊断的进一步发展提供了一种理论支撑。本论文的研究工作总结如下：
1.分析了国内外机械设备故障诊断及非线性滤波方法的相关研究现状，提出了研究中存在的核心问题和需要解决的关键技术，结合复杂机械设备故障诊断中存在的问题，分析并研究了复杂噪声环境下的粒子滤波方法。对噪声统计特性未知且时变的粒子滤波算法进行研究，分析了未知噪声的联合分布形式，通过对未知及时变的噪声统计特性进行实时估计和更新，提高了复杂噪声环境下非线性非高斯系统状态估计的准确性；通过分析过程噪声与测量噪声以及它们之间的相关性，给出了噪声相关情况下的系统状态模型和噪声联合概率密度的分解表达式，并以高斯相关噪声为背景，在重要性权重条件最小方差意义下推导了噪声相关情况下的最优建议分布函数，提出了噪声相关粒子滤波器，通过仿真验证了本文方法的有效性。
2.通过分析 CRPF 算法在未知噪声背景下状态估计的特点和存在的问题，引入智能优化重采样算法，同时考虑算法实时性问题，依据 CRPF 算法特点设计优化策略，增加了粒子多样性，并使粒子能够更加充分的覆盖后验分布区域，同时减小了重采样的耗时。依据观测值和先验状态之间的相关性，设计了相关性判别函数，根据噪声和状态误差的大小自适应调节状态转移密度协方差，提高了算法对未知时变噪声的适应力。通过对非高斯噪声、非线性系统的状态估计实验，与 PF、UPF、CRPF 算法进行了对比分析，通过对两组不同噪声下的仿真结果可以看出，本文方法的平均有效粒子数分别从优化前的 12.356 和 13.831 提高至20.837 和 21.436；平均绝对误差分别从优化前的 1.5189 和 1.2217 降低至 0.75676和 0.5436。实验结果证明该方法在强噪声环境下能够提高状态估计的性能。
3. 针对未知噪声环境中的故障诊断，基于 IOCRPF 算法建立了多模型的故障检测和分离系统方案，设计了基于残差的故障诊断策略。研究了残差自适应阈值的设计方法，通过引入滑动窗，求区间均值代替基于参数置信区间自适应阈值的均值和方差，在保证故障诊断准确性的前提下减小计算复杂度。通过对不同噪声环境下的燃油机组汽包水位传感器故障诊断实例分析，漏报率分别从 0.0047、0.0063 减小为 0.0037、0.0046，表明该方法在复杂噪声环境下故障诊断的准确性得到了提高，同时减少了计算时间。
该论文为收费论文，请扫描二维码添加客服人员购买全文。
以上论文内容是由
硕士论文网为您提供的关于《复杂噪声背景下基于非线性滤波的机械设备故障诊断方法研究》的内容，如需查看更多硕士毕业论文范文，查找硕士论文、博士论文、研究生论文参考资料，欢迎访问硕士论文网机械论文栏目。
首页
毕业论文
硕士论文
博士论文
学位论文
在职硕士
职称论文
研究生论文
留学生论文