有色噪声的特征提取及其在电动机故障诊断中的应用
|
摘要
电动机是所有大型机械设备的动力源装置。为了保证工农业生产的正常进行，需要对电动机的健康状况进行密切监视。当电动机发生故障时，将会表现出各种异常现象，其中发出的噪声信号的差异是比较明显的特征之一。
本文针对电动机在不同状态下发出的噪声的不同，以不同的噪声信号的特征值作为电动机故障诊断的依据。分析和对比了噪声的分类方式、性质以及各种特征提取方法，得到自然界中的任何噪声都是有色噪声以及小波变换，特别是小波包变换，是提取有色噪声特征的有效工具的结论；对伪白噪声和粉红噪声进行了深入的分析和研究，提出了伪白噪声的白化模型和粉红噪声的ARMA模型生成法，并且利用本文提到的有色噪声的特征提取方法对构建的两个模型进行仿真，验证了模型的效果；利用在有色噪声的研究中取得的理论成果进行电动机的故障诊断。
本文设计了一个将信号的检测方法，信号的分析与特征提取方式以及神经网络故障诊断技术相结合的电动机故障诊断系统。其基本过程是：由信号采集模块对电动机产生的有色噪声信号进行检测；利用小波包分解技术对采集到的信号进行分析和特征提取；再利用RBF神经网络技术对提取的信号的特征进行识别和判断，对电动机的运行状态进行决策。
以型号为Y90S—4的中型电动机为实际对象，利用该故障诊断系统对模拟设置的几种常见的电动机故障信号进行实时检测和诊断，并进行了相关的仿真实验。由Matlab仿真实验的结果可知，该系统在电动机故障诊断过程中取得极好的效果。同其他故障诊断系统相比，它具有许多优势，例如诊断速度快，精确度高，结构简单，成本低廉等。因此，它具有更好的发展前景和广阔的市场空间，可以被大量地应用于工农业生产实践中。
The motor is the power source device of all large mechanical equipment. Inorder to ensure the normal production of industry and agriculture, the healthstatus of the motor need to be closely monitored to avoid the occurrence of thefault. When the motor is at fault, it will show all kinds of anomalies. Duringthese anomalies, noise signal is one of the more obvious characteristics.
In this paper, in view of the difference of the noise emitted by the motor indifferent states, some characteristic values of different noise signal can be usedas the standard of the motor fault diagnosis. Analyzing and comparing noiseclassification, nature and a variety of feature extraction methods, the conclusioncan be drawn that any noises which exist in nature are colored noise and wavelettransform, especially wavelet packet transform, is an effective tool to extractcolored noise characteristics; doing some further analysis and study aboutpseudo white noise and pink noise, putting forward pseudo white noisewhitening model and pink noise ARMA model generation method, and using thecolored noise feature extraction method which is mentioned in this paper tosimulate these two models, so as to test their effect; according to these theoreticalresults obtained in the study process of colored noise, doing the research of themotor fault diagnosis.
This paper designs a motor fault diagnosis system which combines signaldetection methods, signal analysis and feature extraction methods as well asneural network fault diagnosis technology. Its basic process is: using the signalacquisition module to detect the colored noise signal generated by the motor; byusing wavelet packet decomposition technology to analyze and extract acquiredsignals’ features; then making use of RBF neural network technology to identifyand judge the character of the extracted signal, and doing some decision-makingabout the motor running state.
By using a medium-sized motor whose model is Y90S―4as the actual object, this fault diagnosis system is applied to detect and diagnosis severalcommon motor fault signals of the simulation setting in real time, and somerelated simulation experiments can be done. According to the simulation resultsof Matlab, it is shown that this system can achieve excellent effect. Comparingwith other fault diagnosis system, it has many advantages, such as fasterdiagnostic speed, higher accuracy, simpler structure, lower cost and so on.Therefore, it has better development prospect and broader market space and canbe greatly used into the practice of industrial and agricultural production.
本文针对电动机在不同状态下发出的噪声的不同，以不同的噪声信号的特征值作为电动机故障诊断的依据。分析和对比了噪声的分类方式、性质以及各种特征提取方法，得到自然界中的任何噪声都是有色噪声以及小波变换，特别是小波包变换，是提取有色噪声特征的有效工具的结论；对伪白噪声和粉红噪声进行了深入的分析和研究，提出了伪白噪声的白化模型和粉红噪声的ARMA模型生成法，并且利用本文提到的有色噪声的特征提取方法对构建的两个模型进行仿真，验证了模型的效果；利用在有色噪声的研究中取得的理论成果进行电动机的故障诊断。
本文设计了一个将信号的检测方法，信号的分析与特征提取方式以及神经网络故障诊断技术相结合的电动机故障诊断系统。其基本过程是：由信号采集模块对电动机产生的有色噪声信号进行检测；利用小波包分解技术对采集到的信号进行分析和特征提取；再利用RBF神经网络技术对提取的信号的特征进行识别和判断，对电动机的运行状态进行决策。
以型号为Y90S—4的中型电动机为实际对象，利用该故障诊断系统对模拟设置的几种常见的电动机故障信号进行实时检测和诊断，并进行了相关的仿真实验。由Matlab仿真实验的结果可知，该系统在电动机故障诊断过程中取得极好的效果。同其他故障诊断系统相比，它具有许多优势，例如诊断速度快，精确度高，结构简单，成本低廉等。因此，它具有更好的发展前景和广阔的市场空间，可以被大量地应用于工农业生产实践中。
The motor is the power source device of all large mechanical equipment. Inorder to ensure the normal production of industry and agriculture, the healthstatus of the motor need to be closely monitored to avoid the occurrence of thefault. When the motor is at fault, it will show all kinds of anomalies. Duringthese anomalies, noise signal is one of the more obvious characteristics.
In this paper, in view of the difference of the noise emitted by the motor indifferent states, some characteristic values of different noise signal can be usedas the standard of the motor fault diagnosis. Analyzing and comparing noiseclassification, nature and a variety of feature extraction methods, the conclusioncan be drawn that any noises which exist in nature are colored noise and wavelettransform, especially wavelet packet transform, is an effective tool to extractcolored noise characteristics; doing some further analysis and study aboutpseudo white noise and pink noise, putting forward pseudo white noisewhitening model and pink noise ARMA model generation method, and using thecolored noise feature extraction method which is mentioned in this paper tosimulate these two models, so as to test their effect; according to these theoreticalresults obtained in the study process of colored noise, doing the research of themotor fault diagnosis.
This paper designs a motor fault diagnosis system which combines signaldetection methods, signal analysis and feature extraction methods as well asneural network fault diagnosis technology. Its basic process is: using the signalacquisition module to detect the colored noise signal generated by the motor; byusing wavelet packet decomposition technology to analyze and extract acquiredsignals’ features; then making use of RBF neural network technology to identifyand judge the character of the extracted signal, and doing some decision-makingabout the motor running state.
By using a medium-sized motor whose model is Y90S―4as the actual object, this fault diagnosis system is applied to detect and diagnosis severalcommon motor fault signals of the simulation setting in real time, and somerelated simulation experiments can be done. According to the simulation resultsof Matlab, it is shown that this system can achieve excellent effect. Comparingwith other fault diagnosis system, it has many advantages, such as fasterdiagnostic speed, higher accuracy, simpler structure, lower cost and so on.Therefore, it has better development prospect and broader market space and canbe greatly used into the practice of industrial and agricultural production.
引文
[1]钟秉林，黄仁．机械故障诊断学(第3版)[M]．北京：机械工业出版社，2007：5-9．
[2]王江萍．机械设备故障诊断技术及应用[M]．西安：西北工业大学出版社，2002：8-20．
[3]赵玲．旋转机械系统故障特征提取中的分形方法研究[D]．重庆：重庆大学，2010．
[4] Vilas N.Ghate，SanJay V.Dudul．Optimal MLP Neural Network Classifier for FaultDetection of Three Phase Induction Motor[J]．Expert Systems with Applications，2010，37：3468-3481．
[5]肖琳君．电机故障振声诊断系统的研究[D]．广东：广东工业大学，2007．
[6]周强．基于噪声分析的造纸软测量理论方法研究和应用[D]．西安：西安交通大学，2010．
[7]麦世基．欧洲工程机械噪声控制现状及未来发展[J]．工程机械，2003，(9)：56-59．
[8]刘小玲，王旭，郭莹等．国外振动噪声有源控制技术发展现状[J]．舰船科学技术，2011，33(4)：151-155．
[9]姜鹏明，郭宇春．我国噪声与振动防治行业的发展与市场需求[J]．中国环保产业，2011，(11)：18-22．
[10]任文堂．噪声控制技术和设备的发展现状和展望[J]．应用声学，1999，18(6)：1-5．
[11] Javier Sanz，Ricardo Perera and Consuelo Huerta．Fault Diagnosis of Rotating MachineryBased on Auto-associative Neural Networks and Wavelet Transforms [J]．Journal ofSound and Vibration，2007，302(1)：981-999．
[12] Saeki T，Tamesue T，Yamaguchi S et al．Selection of Meaningless Steady Noise forMasking of Speech[J]．Applied Acoustics，2004，(65)：203-210．
[13] Wittkop T，Hohmann V．Strategy-selective Noise Reduction for Binaural Digital HearingAids[J]．Speech Communication，2003，(39)：111-138．
[14] Suzuki S，Kawada T，Ogawa M et al．Sleep Deepening Effect of Steady Pink Noise[J]．Journal of Sound and Vibration，1991，151(3)：407-414．
[15] Xin P，Kawada T，Yokiaki S et al．Habituation of Sleep to Road Traffic Noise Assessedby Polygraphy and Rating Scale [J]．Journal of Occupational Health，2000，(42)：20-26．
[16]范世忠．噪声的利用[J]．发明与创新，2005，(7)：11．
[17] Bao W，Zhou R，Yang JG et al． Anti-aliasing Lifting Scheme for Mechanical VibrationFault Feature Extraction [J]．Journal of Sound and Vibration，2003，268(1)：115-129．
[18]曹翌佳，王靖岱，阳永荣．声波信号多尺度分解与固体颗粒质量流率的测定[J]．化工学报，2007，58(6)：1404-1409．
[19]祁家堃．音响设备开发使用中应进退取舍[J]电声技术，2008，32(3)：34-36．
[20]徐玉秀，原培新．复杂分形机械故障诊断的分形与小波方法[M]．北京：机械工业出版社，2002：7-10．
[21]鄢玉．电机故障诊断及小波基函数的选择[D]．山西：太原理工大学，2006．
[22]魏伟，王琳．电机故障诊断技术研究现状与发展趋势[J]．微电机，2009，42(10)：66-68．
[23]张玲华，郑宝玉．随机信号处理[M]．北京：清华大学出版社，2007：38-45．
[24]王智国，吴及，戴礼荣等．一种对加性噪声和信道函数联合补偿的模型估计方法[J]．声学学报，2008，33(3)：238-243．
[25]褚东升，张征．带乘性噪声的一类非线性系统的滤波算法[J]．中国海洋大学学报，2006，36(4)：569-572．
[26]程利军，张英堂，齐子元等．基于排气噪声的柴油机各缸工作不均匀故障诊断[J]．内燃机工程，2009，30(3)：57-61．
[27] Aizenberg I，Butakoff C．A Windowed Gaussian Notch Filter for Quasi-periodic NoiseRemoval[J]．Image and Vision Computing，2008，26(10)：1347-1353．
[28]张庆华，王太勇，徐燕申．小波分析在压缩机噪声信号去除趋势项处理中的应用[J]．中国制造业信息化，2003，32(2)：114-116．
[29] Fang W，Ngan HW．Enhancing Small Signal Power System Stability by CoordinatingUnified Power Flow Controller with Power System Stabilizer[J]．Electric Power SystemsResearch，2003，65(2)：91-99．
[30]申艳，王新民，陈后金等．数字高斯白噪声的频域和时域特性分析[J]．北京大学学报，2011，35(3)：94-98．
[31] Zhang Y，Wan Q，Wang MH et al．A Partially Sparse Solution to The Problem ofParameter Estimation of CARD Model[J]．Signal Processing，2008，88(10)：2483-2491．
[32]刘本永．非平稳信号分析导论[M]．北京：国防工业出版社，2006：35-40．
[33] Li P，VISAKAN K．Fault Detect and Isolation in Non-linear Stochastic System：ACombined Adaptive Montc Carlo Filtering and Likelihood Ratio Approach[J]．International Journal of Control，2004，77(12)：1101-1114．
[34]虞贵财，邵玉斌，肖笛．产生高斯白噪声的研究与实现[J]．电子科技，2006，(11)：16-19．
[35] Wikipedia．Colors of Noise[EB/OL]．http://en．wikipedia．org/wiki/Colors_of_noise，2011-02-06/2011-02-07．
[36]黄松华，马静，邱小军．数字粉红噪声生成研究[J]．电声技术，2006，(11)：56-58．
[37]谢勇．如何用Cool Edit Pro作声场频率特性试[EB/OL]．http://www．xycad．cn/action-viewnews-itemid-79，2006-02-04/2010-12-25．
[38]胡广书．数字信号处理——理论、算法与实现[M]．第二版．北京：清华大学出版社，2003：512-529．
[39]鞠萍华．旋转机械早期故障特征提取的时频分析方法研究[D]．重庆大学，2010．
[40] Treetrong J，Sinha JK，Gu F et al．Bispectrum of Stator Phase Current for Fault Detectionof Induction Motor[J]．ISA Transactions，2009，48(3)：378-382．
[41] Aguilar JR，Arenas JP，Salinas R．Friction Noise Technique for The Measurement ofSurface Roughness of Papers[J]．Applied Acoustics，2009，70(9)：1235-1240．
[42] Shahid S，Walker J．Cepstrum of Bispectrum—A New Approach to Blind SystemReconstruction[J]．Signal Processing，2008，88(1)：19-32．
[43]黄伟国．基于振动信号特征提取与表达的旋转机械状态监测与故障诊断研究[D]．安徽：中国科学技术大学，2010．
[44]蒋永华．旋转机械非平稳信号微弱特征提取方法研究[D]．重庆：重庆大学，2010．
[45]何慧龙．机电设备微弱特征提取与诊断方法研究[D]．天津：天津大学，2006．
[46]唐向宏，李齐良．时频分析与小波变换[M]．北京：科学出版社，2008：118-160．
[47] Grossman A，Morlet J．Decomposition of Hardy Functions into Square IntegrableWavelets of Constant Shape[C]．SIMA J.Math.Anal，1984，15：723-736．
[48]秦前清，杨宗凯．实用小波分析[M]．西安：西安电子科技大学，1994：35-60．
[49]张德丰．MATLAB小波分析[M]．北京：机械工业出版社，2009：158-206．
[50]吴永辉，计科峰，郁文贤．极化白化滤波器的一种多通道扩展[J]．电子与信息学报，2006，28(9)：1590-1593．
[51] Vimal B，Bernard M．Non-parametric Likelihood Based Channel Estimator for GaussianMixture Noise[J]．Signal Processing，2007，(87)：2569–2586．
[52]杜军，刘据，桑胜举．色噪声环境下基于子空间的白化滤波器参数估计方法[J]．计算机应用，2009，29(12)：3442-3447．
[53]谢锦辉，黄载禄，万发贵．一种新颖的有色噪声的白化方法[J]．电子学报，1990，18(5)：109-111．
[54]王汝夯，黄建国，张群飞．基于分数阶傅里叶变换的LFM混响空时预白化方法[J]．系统工程与电子技术，2011，33(7)：1523-1526．
[55] Ramkumar B，Schoen M P，Lin F．Hybrid Enhanced Continuous Tabu Search and GeneticAlgorithm for Parameter Estimation in Colored Noise Environments[J]．Expert Systemswith Applications，2011，38：3909-3917．
[56]查代奉，邱天爽．稳定分布多项式自回归有色噪声及其白化方法[J]．电子学报，2005，33(12)：2144-2148．
[57] Babak A，Hossein-Zadeh G-A，Soltanian-Zadeh H．Nonparametric Trend Estimation inThe Presence of Fractal Noise：Application to FMRI Time-series Analysis [J]．Journal ofNeuroscience Methods，2008，(171)：340–348．
[58] WHITTLE R．DSP Generation of Pink (1／f) Noise [EB/OL]．http://www.Firstpr.com.au/dsp/pink-noise/，2006-03-27/2011-05-15．
[59]徐小兵，沈勇，邬宁．IIR数字粉红噪声滤波器的优化设计[J]．电声技术，2005，(12)：56-59．
[60]薛年喜．MATLAB在数字信号处理中的应用[M]．第二版．北京：清华大学出版社，2003：290-297．
[61]韩清凯，于晓光．基于振动分析的现代机械故障诊断原理及应用[M]．北京：科学出版社，2007：1-30．
[62]孙旭东，王善铭．电机学[M]．北京：清华大学出版社，2006：207-271．
[63]赵德胜，刘士华，刘明治等．电机主要常见故障原因分析及其预防处理措施[J]．机械，2004，31(z1)：183-184．
[64]王晓东，王艳丽．浅谈电机定子铁芯故障产生的原因及处理方法[J]．中国新技术新产品，2010，(22)：110．
[65]张增耀．三相异步电动机常见故障的分析和处理[J]．机械与电子，2011，(7)：68-69．
[66]张健．机械故障振动技术[M]．北京：机械工业出版社，2008：124-146．
[67]吕锋，王秀青．电机设备故障诊断技术的新进展[J]．2001，22(3)：1-4．
[68] Bo-Suk Yang，Tian Han，Yong-Su Kim．Integration of ART-Kohonen Neural Network andCase-based Reasoning for Intelligent Fault Diagnosis[J]． Expert Systems withApplication，2004，26：387-395．
[69]石磊．在PC平台上的语音信号采集和处理[J]．科技资讯，2008，(8)：101-102．
[70]徐靖涛，王金根．基于MATLAB的语音信号分析和处理[J]．重庆科技学院学报(自然科学版)，2008，10(1)：132-136．
[71]段晨东，何正嘉，姜洪开．非线性小波变换在故障特征提取中的应用[J]．振动工程学报，2005，18(1)：129-132．
[72]候志祥，申群太，李河清．电机设备的现代故障诊断方法[J]．电力系统及其自动化学报，2003，15(6)：61-64．
[73] Czeslaw T.Kowalski，Teresa Orlowska-Kowalska．Neural Networks Application forInduction Motor Faults Diagnosis[J]．Mathematics and Computer in Simulation，2003，63：435-448．
[74]张梅军．机械状态检测与故障诊断[M]．北京：国防工业出版社，2008：163-226．
[75]胡良明，徐诚，李万平．基于案例推理的自行火炮故障诊断专家系统[J]．火炮发射与控制学报，2006，(2)：53-57．
[76] X.Z.Gao， S.J.Ovaska．Soft Computing Methods in Motor Fault Diagnosis[J]．AppliedSoft Computing，2001，(1)：73-81．
[77] Javier Sanz，Ricardo Perera，Consuelo Huerta．Fault Diagnosis of Rotating MachineryBased on Auto-associative Neural Networks and Wavelet Transforms[J]．Journal ofSound and Vibration，2007，302：981-999．
[78]高隽．人工神经网络原理及仿真实例[M]．第二版．北京：机械工业出版社，2007：43-78．
[79]王光研，许宝杰．RBF神经网络在旋转机械故障诊断中的应用[J]．机械设计与制造，2008，(9)：57-58．
[80]王旭东，邵惠鹤．RBF神经网络理论及其在控制中的应用[J]．信息与控制，1997，26(4)：272-284．
[81]朱明星，张德龙．RBF网络基函数中心选取算法的研究[J]．安徽大学学报(自然科学版)，2000，24(1)：72-78．
[82]葛超，孙丽英，张淑卿等．RBF神经网络中心选取算法[J]．河北理工大学学报(自然科学版)，2007，29(4)：95-97．
[83]葛哲学，孙志强．神经网络理论与MATLAB R2007实现[M]．北京：电子工业出版社，2007：67-124．
[84]叶银忠，朱建山．电机故障诊断实验系统的开发[J]．控制过程，2007，14(S1)：88-89．
[2]王江萍．机械设备故障诊断技术及应用[M]．西安：西北工业大学出版社，2002：8-20．
[3]赵玲．旋转机械系统故障特征提取中的分形方法研究[D]．重庆：重庆大学，2010．
[4] Vilas N.Ghate，SanJay V.Dudul．Optimal MLP Neural Network Classifier for FaultDetection of Three Phase Induction Motor[J]．Expert Systems with Applications，2010，37：3468-3481．
[5]肖琳君．电机故障振声诊断系统的研究[D]．广东：广东工业大学，2007．
[6]周强．基于噪声分析的造纸软测量理论方法研究和应用[D]．西安：西安交通大学，2010．
[7]麦世基．欧洲工程机械噪声控制现状及未来发展[J]．工程机械，2003，(9)：56-59．
[8]刘小玲，王旭，郭莹等．国外振动噪声有源控制技术发展现状[J]．舰船科学技术，2011，33(4)：151-155．
[9]姜鹏明，郭宇春．我国噪声与振动防治行业的发展与市场需求[J]．中国环保产业，2011，(11)：18-22．
[10]任文堂．噪声控制技术和设备的发展现状和展望[J]．应用声学，1999，18(6)：1-5．
[11] Javier Sanz，Ricardo Perera and Consuelo Huerta．Fault Diagnosis of Rotating MachineryBased on Auto-associative Neural Networks and Wavelet Transforms [J]．Journal ofSound and Vibration，2007，302(1)：981-999．
[12] Saeki T，Tamesue T，Yamaguchi S et al．Selection of Meaningless Steady Noise forMasking of Speech[J]．Applied Acoustics，2004，(65)：203-210．
[13] Wittkop T，Hohmann V．Strategy-selective Noise Reduction for Binaural Digital HearingAids[J]．Speech Communication，2003，(39)：111-138．
[14] Suzuki S，Kawada T，Ogawa M et al．Sleep Deepening Effect of Steady Pink Noise[J]．Journal of Sound and Vibration，1991，151(3)：407-414．
[15] Xin P，Kawada T，Yokiaki S et al．Habituation of Sleep to Road Traffic Noise Assessedby Polygraphy and Rating Scale [J]．Journal of Occupational Health，2000，(42)：20-26．
[16]范世忠．噪声的利用[J]．发明与创新，2005，(7)：11．
[17] Bao W，Zhou R，Yang JG et al． Anti-aliasing Lifting Scheme for Mechanical VibrationFault Feature Extraction [J]．Journal of Sound and Vibration，2003，268(1)：115-129．
[18]曹翌佳，王靖岱，阳永荣．声波信号多尺度分解与固体颗粒质量流率的测定[J]．化工学报，2007，58(6)：1404-1409．
[19]祁家堃．音响设备开发使用中应进退取舍[J]电声技术，2008，32(3)：34-36．
[20]徐玉秀，原培新．复杂分形机械故障诊断的分形与小波方法[M]．北京：机械工业出版社，2002：7-10．
[21]鄢玉．电机故障诊断及小波基函数的选择[D]．山西：太原理工大学，2006．
[22]魏伟，王琳．电机故障诊断技术研究现状与发展趋势[J]．微电机，2009，42(10)：66-68．
[23]张玲华，郑宝玉．随机信号处理[M]．北京：清华大学出版社，2007：38-45．
[24]王智国，吴及，戴礼荣等．一种对加性噪声和信道函数联合补偿的模型估计方法[J]．声学学报，2008，33(3)：238-243．
[25]褚东升，张征．带乘性噪声的一类非线性系统的滤波算法[J]．中国海洋大学学报，2006，36(4)：569-572．
[26]程利军，张英堂，齐子元等．基于排气噪声的柴油机各缸工作不均匀故障诊断[J]．内燃机工程，2009，30(3)：57-61．
[27] Aizenberg I，Butakoff C．A Windowed Gaussian Notch Filter for Quasi-periodic NoiseRemoval[J]．Image and Vision Computing，2008，26(10)：1347-1353．
[28]张庆华，王太勇，徐燕申．小波分析在压缩机噪声信号去除趋势项处理中的应用[J]．中国制造业信息化，2003，32(2)：114-116．
[29] Fang W，Ngan HW．Enhancing Small Signal Power System Stability by CoordinatingUnified Power Flow Controller with Power System Stabilizer[J]．Electric Power SystemsResearch，2003，65(2)：91-99．
[30]申艳，王新民，陈后金等．数字高斯白噪声的频域和时域特性分析[J]．北京大学学报，2011，35(3)：94-98．
[31] Zhang Y，Wan Q，Wang MH et al．A Partially Sparse Solution to The Problem ofParameter Estimation of CARD Model[J]．Signal Processing，2008，88(10)：2483-2491．
[32]刘本永．非平稳信号分析导论[M]．北京：国防工业出版社，2006：35-40．
[33] Li P，VISAKAN K．Fault Detect and Isolation in Non-linear Stochastic System：ACombined Adaptive Montc Carlo Filtering and Likelihood Ratio Approach[J]．International Journal of Control，2004，77(12)：1101-1114．
[34]虞贵财，邵玉斌，肖笛．产生高斯白噪声的研究与实现[J]．电子科技，2006，(11)：16-19．
[35] Wikipedia．Colors of Noise[EB/OL]．http://en．wikipedia．org/wiki/Colors_of_noise，2011-02-06/2011-02-07．
[36]黄松华，马静，邱小军．数字粉红噪声生成研究[J]．电声技术，2006，(11)：56-58．
[37]谢勇．如何用Cool Edit Pro作声场频率特性试[EB/OL]．http://www．xycad．cn/action-viewnews-itemid-79，2006-02-04/2010-12-25．
[38]胡广书．数字信号处理——理论、算法与实现[M]．第二版．北京：清华大学出版社，2003：512-529．
[39]鞠萍华．旋转机械早期故障特征提取的时频分析方法研究[D]．重庆大学，2010．
[40] Treetrong J，Sinha JK，Gu F et al．Bispectrum of Stator Phase Current for Fault Detectionof Induction Motor[J]．ISA Transactions，2009，48(3)：378-382．
[41] Aguilar JR，Arenas JP，Salinas R．Friction Noise Technique for The Measurement ofSurface Roughness of Papers[J]．Applied Acoustics，2009，70(9)：1235-1240．
[42] Shahid S，Walker J．Cepstrum of Bispectrum—A New Approach to Blind SystemReconstruction[J]．Signal Processing，2008，88(1)：19-32．
[43]黄伟国．基于振动信号特征提取与表达的旋转机械状态监测与故障诊断研究[D]．安徽：中国科学技术大学，2010．
[44]蒋永华．旋转机械非平稳信号微弱特征提取方法研究[D]．重庆：重庆大学，2010．
[45]何慧龙．机电设备微弱特征提取与诊断方法研究[D]．天津：天津大学，2006．
[46]唐向宏，李齐良．时频分析与小波变换[M]．北京：科学出版社，2008：118-160．
[47] Grossman A，Morlet J．Decomposition of Hardy Functions into Square IntegrableWavelets of Constant Shape[C]．SIMA J.Math.Anal，1984，15：723-736．
[48]秦前清，杨宗凯．实用小波分析[M]．西安：西安电子科技大学，1994：35-60．
[49]张德丰．MATLAB小波分析[M]．北京：机械工业出版社，2009：158-206．
[50]吴永辉，计科峰，郁文贤．极化白化滤波器的一种多通道扩展[J]．电子与信息学报，2006，28(9)：1590-1593．
[51] Vimal B，Bernard M．Non-parametric Likelihood Based Channel Estimator for GaussianMixture Noise[J]．Signal Processing，2007，(87)：2569–2586．
[52]杜军，刘据，桑胜举．色噪声环境下基于子空间的白化滤波器参数估计方法[J]．计算机应用，2009，29(12)：3442-3447．
[53]谢锦辉，黄载禄，万发贵．一种新颖的有色噪声的白化方法[J]．电子学报，1990，18(5)：109-111．
[54]王汝夯，黄建国，张群飞．基于分数阶傅里叶变换的LFM混响空时预白化方法[J]．系统工程与电子技术，2011，33(7)：1523-1526．
[55] Ramkumar B，Schoen M P，Lin F．Hybrid Enhanced Continuous Tabu Search and GeneticAlgorithm for Parameter Estimation in Colored Noise Environments[J]．Expert Systemswith Applications，2011，38：3909-3917．
[56]查代奉，邱天爽．稳定分布多项式自回归有色噪声及其白化方法[J]．电子学报，2005，33(12)：2144-2148．
[57] Babak A，Hossein-Zadeh G-A，Soltanian-Zadeh H．Nonparametric Trend Estimation inThe Presence of Fractal Noise：Application to FMRI Time-series Analysis [J]．Journal ofNeuroscience Methods，2008，(171)：340–348．
[58] WHITTLE R．DSP Generation of Pink (1／f) Noise [EB/OL]．http://www.Firstpr.com.au/dsp/pink-noise/，2006-03-27/2011-05-15．
[59]徐小兵，沈勇，邬宁．IIR数字粉红噪声滤波器的优化设计[J]．电声技术，2005，(12)：56-59．
[60]薛年喜．MATLAB在数字信号处理中的应用[M]．第二版．北京：清华大学出版社，2003：290-297．
[61]韩清凯，于晓光．基于振动分析的现代机械故障诊断原理及应用[M]．北京：科学出版社，2007：1-30．
[62]孙旭东，王善铭．电机学[M]．北京：清华大学出版社，2006：207-271．
[63]赵德胜，刘士华，刘明治等．电机主要常见故障原因分析及其预防处理措施[J]．机械，2004，31(z1)：183-184．
[64]王晓东，王艳丽．浅谈电机定子铁芯故障产生的原因及处理方法[J]．中国新技术新产品，2010，(22)：110．
[65]张增耀．三相异步电动机常见故障的分析和处理[J]．机械与电子，2011，(7)：68-69．
[66]张健．机械故障振动技术[M]．北京：机械工业出版社，2008：124-146．
[67]吕锋，王秀青．电机设备故障诊断技术的新进展[J]．2001，22(3)：1-4．
[68] Bo-Suk Yang，Tian Han，Yong-Su Kim．Integration of ART-Kohonen Neural Network andCase-based Reasoning for Intelligent Fault Diagnosis[J]． Expert Systems withApplication，2004，26：387-395．
[69]石磊．在PC平台上的语音信号采集和处理[J]．科技资讯，2008，(8)：101-102．
[70]徐靖涛，王金根．基于MATLAB的语音信号分析和处理[J]．重庆科技学院学报(自然科学版)，2008，10(1)：132-136．
[71]段晨东，何正嘉，姜洪开．非线性小波变换在故障特征提取中的应用[J]．振动工程学报，2005，18(1)：129-132．
[72]候志祥，申群太，李河清．电机设备的现代故障诊断方法[J]．电力系统及其自动化学报，2003，15(6)：61-64．
[73] Czeslaw T.Kowalski，Teresa Orlowska-Kowalska．Neural Networks Application forInduction Motor Faults Diagnosis[J]．Mathematics and Computer in Simulation，2003，63：435-448．
[74]张梅军．机械状态检测与故障诊断[M]．北京：国防工业出版社，2008：163-226．
[75]胡良明，徐诚，李万平．基于案例推理的自行火炮故障诊断专家系统[J]．火炮发射与控制学报，2006，(2)：53-57．
[76] X.Z.Gao， S.J.Ovaska．Soft Computing Methods in Motor Fault Diagnosis[J]．AppliedSoft Computing，2001，(1)：73-81．
[77] Javier Sanz，Ricardo Perera，Consuelo Huerta．Fault Diagnosis of Rotating MachineryBased on Auto-associative Neural Networks and Wavelet Transforms[J]．Journal ofSound and Vibration，2007，302：981-999．
[78]高隽．人工神经网络原理及仿真实例[M]．第二版．北京：机械工业出版社，2007：43-78．
[79]王光研，许宝杰．RBF神经网络在旋转机械故障诊断中的应用[J]．机械设计与制造，2008，(9)：57-58．
[80]王旭东，邵惠鹤．RBF神经网络理论及其在控制中的应用[J]．信息与控制，1997，26(4)：272-284．
[81]朱明星，张德龙．RBF网络基函数中心选取算法的研究[J]．安徽大学学报(自然科学版)，2000，24(1)：72-78．
[82]葛超，孙丽英，张淑卿等．RBF神经网络中心选取算法[J]．河北理工大学学报(自然科学版)，2007，29(4)：95-97．
[83]葛哲学，孙志强．神经网络理论与MATLAB R2007实现[M]．北京：电子工业出版社，2007：67-124．
[84]叶银忠，朱建山．电机故障诊断实验系统的开发[J]．控制过程，2007，14(S1)：88-89．
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |