导读:本文包含了最大相关方法论文开题报告文献综述及选题提纲参考文献，主要关键词:齿轮,轴承,诊断,复合故障
最大相关方法论文文献综述
吕轩,胡占齐,周海丽,王强[1]（2019）在《自适应最大相关峭度反褶积方法诊断齿轮轴承复合故障》一文中研究指出为了解决传统最大相关峭度反褶积(maximum correlated kurtosis deconvolution,MCKD)在故障诊断中容易出现因参数选择不当而影响诊断效果的问题,该文提出了一种基于量子遗传算法(quantum genetic algorithm,QGA)的自适应最大相关峭度反褶积方法(maximum correlated kurtosis deconvolution with quantum genetic algorithm,QMCKD)用于齿轮和轴承复合故障诊断。通过量子遗传算法自适应选择最大相关峭度反褶积的2个关键参数滤波器长度(L)和反褶积周期(T)。使用QMCKD处理原始振动信号,提取复合故障信号中的所有单个故障信号,分别对单个故障信号进行频谱分析从而识别故障特征。在对齿面磨损-滚动轴承外圈损伤复合故障诊断中,QMCKD能够识别齿轮故障频率及其2～4倍频,识别轴承故障频率及其2～6倍频,且主要频率成分周围干扰谱线很少,故障类型容易识别。与直接频谱分析和变分模态分解(variational mode decomposition,VMD)相比,该方法在诊断效果上具有优越性。在对齿根裂纹-轴承滚动体损伤复合故障诊断中,QMCKD能够突出齿轮故障频率及其2～5倍频,突出轴承故障频率及其2～8倍频,齿轮和轴承故障特征明显,验证了方法的稳定性。试验结果表明QMCKD能够有效识别复合故障中齿轮和轴承的故障特征,可用于齿轮箱的齿轮、轴承复合故障诊断。(本文来源于《农业工程学报》期刊2019年12期）
张力,李宝万[2]（2019）在《基于迭代滤波和最大相关峭度解卷积的滚动轴承故障诊断方法》一文中研究指出针对噪声环境下滚动轴承故障特征提取的难题,提出了基于迭代滤波和最大相关峭度解卷积的滚动轴承故障诊断方法。首先对轴承振动信号进行迭代滤波分解,然后通过相关系数和峭度准则筛选出敏感的内禀模态分量,对敏感的内禀模态分量进行最大相关峭度解卷积降噪,最后对降噪的信号进行频谱分析完成轴承故障诊断。对轴承仿真信号和滚动轴承故障振动试验信号进行了分析,结果表明文中方法能有效地应用于滚动轴承故障诊断。(本文来源于《组合机床与自动化加工技术》期刊2019年03期）
胡爱军,赵军,孙尚飞,黄申申[3]（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）
刘文朋,廖英英,杨绍普,刘永强,顾晓辉[4]（2019）在《一种基于多点峭度谱和最大相关峭度解卷积的滚动轴承故障诊断方法》一文中研究指出针对最大相关峭度解卷积(MCKD)方法需要预知准确的滚动轴承故障特征周期的不足,提出一种多点峭度谱(Mkurt spectrum)和MCKD相结合的滚动轴承故障诊断方法。利用多点峭度谱对采样信号进行处理,通过比较不同周期下解卷积结果输出的信号的多点峭度谱,对预先估计的故障特征周期进行修正,再将优化得到的故障周期的精确取值输入到MCKD算法中,增强原信号中周期性故障冲击特征,并通过包络解调来诊断故障类型。通过对仿真信号、6205轴承外圈故障和铁路货车轮对轴承复合故障的试验信号的分析表明:即使在未知准确转速的条件下,该方法依然可以有效地实现滚动轴承的故障诊断,具有较高的工程应用价值。(本文来源于《振动与冲击》期刊2019年02期）
赵洪山,李浪[5]（2018）在《基于最大相关峭度解卷积和变分模态分解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难以提取的问题,提出一种基于最大相关峭度解卷积(maximum correlatedkurtosis deconvolution,MCKD)和变分模态分解(variational mode decomposition,VMD)的轴承故障诊断方法。首先利用MCKD算法对轴承振动信号进行降噪,然后对降噪后的信号进行VMD分解,并利用峭度指标筛选出敏感本征模态函数(intrinsic mode function,IMF),最后通过分析敏感IMF包络谱中幅值突出的频率成分判断故障类型。仿真和实验分析结果表明该方法可成功地提取出故障特征频率,实现风电机组轴承故障的有效诊断。(本文来源于《太阳能学报》期刊2018年02期）
范胜召,李子怿,肖启战,张景云,王尚平[6]（2018）在《基于最大保持频谱提取天线扫描周期的自相关方法》一文中研究指出针对电子战操作员通过观察最大保持频谱变化来发现重要频率信号的需要,提出了一种基于最大保持频谱提取天线扫描周期的自相关处理方法。针对实测频谱数据的四种典型形态,利用自相关函数的周期性完成了对固定频率机械扫描雷达的天线扫描周期提取,实验表明该算法可用于多目标和噪声信号混迭的场景,并在实际多组频谱样本数据测试中达到了平均80%的准确率,可以帮助操作员发现感兴趣频率信号。(本文来源于《电子信息对抗技术》期刊2018年01期）
郭翠娟,李德冲,荣锋,刘晓勇[7]（2017）在《基于最大相关波形延拓改进的EEMD方法》一文中研究指出针对经验模态分解(empirical mode decomposition,EMD)中出现的端点效应和模态混迭现象问题,提出了利用最大相关波形延拓改进聚合经验模态分解(ensemble empirical mode decomposition,EEMD)方法。利用最大相关波形法对原始信号的两端进行延拓,实现延拓数据在原信号边界处的平滑过渡,减小端点处包络线的拟合误差。针对EEMD中参数无法自动获取的问题,采用自适应EEMD对新信号进行分解,提高信号的分解精度。通过仿真分析和转子不平衡故障诊断实例研究表明,改进的EEMD方法不仅能够明显减少虚假模态分量、有效抑制模态混迭现象,而且较好地改善了端点效应引起的分解失真问题。同时与基于极值点对称延拓改进方法及基于镜像延拓改进方法相比,所提方法具有较高的分解精度。(本文来源于《重庆邮电大学学报(自然科学版)》期刊2017年06期）
陈江鹏[8]（2017）在《基于最大相关最小冗余朴素贝叶斯分类器的肿瘤分类方法研究》一文中研究指出目的利用基因表达谱数据研究肿瘤的发生发展机理,有助于肿瘤的诊断与个性化治疗。然而,基因芯片检测的基因数量巨大,检测费用也较高加之样本收集的困难,造成了基因表达谱数据高维小样本的特点。此外,基因表达数据还存在高噪声、高冗余及样本分布不均衡等特点,传统分类方法已不再适用,高维数据的分类问题正面临前所未有的挑战。特征选择与分类器相结合是解决这类问题的一种思路,本文以最大相关最小冗余朴素贝叶斯分类器(Na?ve Bayes classifier based on the Maximum Relevance Minimum Redundancy feature selection method,m RMR-NBC)为例,将其应用于模拟数据、公开的基因表达谱数据以及实际临床肿瘤样本的基因表达谱数据,并与常用分类方法进行对比研究,证明该思路的优越性,以期为实际临床肿瘤样本分类提供理论依据。方法(1)进行高维数据模拟研究,将m RMR-NBC应用于高维数据分类问题中,并将其与支持向量机、极限学习机与随机森林进行比较,探讨样本量、基因数以及信噪比对分类准确率的影响;(2)应用公开的结肠癌与肺癌基因表达谱数据,分别采用m RMR-NBC、支持向量机、极限学习机与随机森林进行比较研究,验证模拟研究结果;(3)从GEO数据库下载人类非小细胞肺癌基因表达数据集(GSE10245),共获得40例肺腺癌和18例肺鳞癌组织的基因表达谱数据。进行预处理后,采用m RMR-NBC进行分析,选取特征基因;利用迪杰斯特拉算法进行最短路径分析,筛选候选基因;利用DAVID软件进行GO与KEGG富集分析。采用文献回顾法分析对分类有贡献的基因在肿瘤发生发展中的作用。结果(1)在模拟数据中,m RMR-NBC的综合分类准确率达到96.71%,与支持向量机分类准确率相当,依次高于随机森林与极限向量机。上述几种方法的分类准确率与样本量的相关系数,均具有统计学意义(P<0.05)。其中,m RMR-NBC、支持向量机与极限学习机的分类准确率与样本量为负相关,而随机森林的分类准确率则与样本量呈正相关。随机森林的分类准确率还与基因数呈负相关(P<0.05),而暂未发现m RMR-NBC的分类准确率与基因数间的相关性。对m RMR-NBC的分类准确率进行析因设计的方差分析结果显示,仅样本量对分类准确率有影响(P<0.05)。(2)应用m RMR-NBC分析结肠癌与肺癌基因表达谱数据显示,当纳入基因数分别为15与12时分类准确率最高分别达到95.16%与97.26%,m RMR-NBC仅使用极少的属性参与分类就能得到非常好的分类效果,且随着纳入分析的基因增多分类效果逐渐趋于稳定。支持向量机在结肠癌与肺癌数据集上分类准确率分别达到90.32%与94.52%;极限学习机则分别为82.26%与69.86%;随机森林分别为81.98%与77.62%。(3)运用m RMR-NBC筛选特征基因8个;最短路径分析筛选候选基因21个,其中AURKA、SLC7A2基因分别在最短路径中出现3、2次。富集分析后发现,上述基因主要涉及卵母细胞减数分裂、细胞周期调控、癌症通路等信号通路。结论m RMR-NBC适用于处理高维小样本数据的分类问题;能在仅有极少属性参与分类时,得到较高的分类准确率,优于随机森林、极限学习机等方法;能较为准确地筛选肿瘤相关基因,这将有助于了解基因在肿瘤发生发展中的作用,推动精准医学与个性化治疗的发展。(本文来源于《重庆医科大学》期刊2017-05-01）
吕中亮,汤宝平,周忆,孟杰[9]（2016）在《基于网格搜索法优化最大相关峭度反卷积的滚动轴承早期故障诊断方法》一文中研究指出针对环境噪声下滚动轴承早期故障信号微弱难以检测的问题,提出了基于网格搜索法优化最大相关峭度反卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)滚动轴承早期故障诊断方法。并针对MCKD方法受滤波器阶数和周期影响的问题,提出了利用网格搜索法优化最大相关峭度反卷积参数。首先,早期微弱故障信号集成经验模态分解后,采用相关系数以及峭度准则重构原信号;然后,以小波Shannon熵作为目标函数采用网格搜索法搜寻最优滤波器阶数以及周期,采用自适应MCKD方法对重构信号中故障脉冲冲击成分进行加强,最后通过包络谱、包络功率谱提取微弱故障特征。实验表明,该方法能够对早期微弱故障中冲击成分进行自适应增强,有效检测出被噪声淹没的微弱故障,实现滚动轴承故障的精确诊断。(本文来源于《振动与冲击》期刊2016年15期）
王学滨,张楠,潘一山,杜亚志[10]（2016）在《单轴压缩湿土样最大剪切应变场数字图像相关方法结果的统计分析》一文中研究指出研究了单轴压缩湿土样沿剪切带方向的最大剪切应变的均值和标准差以及剪切局部化区域尺寸的演变规律。为了深入揭示土样剪切带萌生的过程,根据纵向应变较高时清晰剪切带所处位置在土样上布置测线,对由数字图像相关方法获得的结果进行双叁次样条插值,从而获得测线上光滑性较好的最大剪切应变分布。研究发现,随着纵向应变的增加,沿剪切带方向的最大剪切应变由低值多峰向高值少峰转变。测线上最大剪切应变发生突增的点、局部高值点及低值点均有可能发展成为主峰。测线上最大剪切应变的均值和标准差随纵向应变的演变规律在总体上均呈上凹形,但当纵向应变较低时,二者均呈线性。以上述两种统计量线性规律丧失所对应的平均最大剪切应变作为剪切带萌生的条件。随着纵向应变的增加,土样中发生剪切局部化的区域越来越大。欲达到相同的剪切局部化区域尺寸,含水率高的土样所要求的纵向应变较高。当纵向应变较高时,含水率高的土样的剪切局部化区域尺寸比含水率低的土样要大,这与其塑性变形阶段较长有关。(本文来源于《岩土工程学报》期刊2016年06期）
最大相关方法论文开题报告
（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：
针对噪声环境下滚动轴承故障特征提取的难题,提出了基于迭代滤波和最大相关峭度解卷积的滚动轴承故障诊断方法。首先对轴承振动信号进行迭代滤波分解,然后通过相关系数和峭度准则筛选出敏感的内禀模态分量,对敏感的内禀模态分量进行最大相关峭度解卷积降噪,最后对降噪的信号进行频谱分析完成轴承故障诊断。对轴承仿真信号和滚动轴承故障振动试验信号进行了分析,结果表明文中方法能有效地应用于滚动轴承故障诊断。
（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。
最大相关方法论文参考文献
[1].吕轩,胡占齐,周海丽,王强.自适应最大相关峭度反褶积方法诊断齿轮轴承复合故障[J].农业工程学报.2019
[2].张力,李宝万.基于迭代滤波和最大相关峭度解卷积的滚动轴承故障诊断方法[J].组合机床与自动化加工技术.2019
[3].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
[4].刘文朋,廖英英,杨绍普,刘永强,顾晓辉.一种基于多点峭度谱和最大相关峭度解卷积的滚动轴承故障诊断方法[J].振动与冲击.2019
[5].赵洪山,李浪.基于最大相关峭度解卷积和变分模态分解的风电机组轴承故障诊断方法[J].太阳能学报.2018
[6].范胜召,李子怿,肖启战,张景云,王尚平.基于最大保持频谱提取天线扫描周期的自相关方法[J].电子信息对抗技术.2018
[7].郭翠娟,李德冲,荣锋,刘晓勇.基于最大相关波形延拓改进的EEMD方法[J].重庆邮电大学学报(自然科学版).2017
[8].陈江鹏.基于最大相关最小冗余朴素贝叶斯分类器的肿瘤分类方法研究[D].重庆医科大学.2017
[9].吕中亮,汤宝平,周忆,孟杰.基于网格搜索法优化最大相关峭度反卷积的滚动轴承早期故障诊断方法[J].振动与冲击.2016
[10].王学滨,张楠,潘一山,杜亚志.单轴压缩湿土样最大剪切应变场数字图像相关方法结果的统计分析[J].岩土工程学报.2016