一、Pseudo bearing sequence analysis(论文文献综述)
蒋梦雪[1](2018)在《多变量时间序列结构化预测方法及应用研究》文中认为多变量时间序列数据广泛存在于空气质量预测、股票走势分析、机械结构可靠性评估等各种实际工程中。通过同时对多个影响因素构建预测模型,多变量时间序列预测可有效提高单一变量时间序列的预测效果。然而,传统的多变量时间序列预测方法常忽略变量间的结构化信息,从而限制其预测精度和数值稳定性的提高。时间序列结构化预测的关键在于寻找序列间结构化信息,鉴于此,本文针对空气质量预测和轴承衰退趋势预测的实际问题,从数据分布特点出发,分别采用单步预测和递归预测两种方案,同时引入时间序列聚类算法,充分挖掘变量序列之间的相似度信息,构建两类多变量时间序列结构化预测方法。主要工作和贡献如下:(1)针对空气质量预测应用中多变量时间序列预测方法未考虑序列之间相似性关系、从而影响预测效果的问题,提出一种基于异常序列剔除的多变量时间序列预测算法。该算法利用多维支持向量回归机(Multi-dimensional Support Vector Regression,MSVR)内在的结构化输出特性,选取具有相似性的多个变量序列进行联合预测。首先,对已知序列进行基于模糊熵的层次聚类,实现对相似序列的初步划分;其次,求出类中所有序列的主曲线,根据序列到主曲线的距离计算各个序列的异常因子,从而进一步剔除聚类结果中的异常序列;最后,将选取到的相似变量序列作为输入,利用MSVR进行预测。通过理论分析,证明本文算法在理论上存在模型可靠度下界和信息损失上界,进而说明本文算法的合理性与可行性。将该算法应用于实际的空气质量预测问题,在2002年到2006年澳门气象数据上进行对比实验,结果表明,与现有多个代表性方法相比,本文算法可有效挖掘多变量时间序列的内在结构信息,预测精度更高,数值稳定性更好。(2)在利用时间序列预测方法预测轴承衰退趋势时,由于目标轴承故障走势无法提前获取,而采用递归预测方法需将上一步的预测输出值作为下一步的模型输入,因此极易造成误差快速累积增大。针对该问题,本文提出一种基于PSW度量的多变量序列结构化递归预测方法。该方法通过离线提取具有相似性的轴承故障序列数据,作为包含领域信息的元数据,构建递归预测模型,实现对目标轴承衰退趋势的在线预测。首先,在离线阶段,引入相空间曲变(phase space warping,PSW),将故障数据转化为一系列的跟踪矩阵,对其计算动态时间规整(Dynamic time wraping,DTW)距离度量,进行时间序列层次聚类,得到轴承衰退趋势的相似性划分;其次,构建每一类轴承故障序列的主曲线,提取得到该类序列的元数据;最后,在在线阶段,引入每类序列的元数据作为衰退趋势的先验知识,采用最小二乘支持向量机构建预测模型,实现对目标轴承故障衰退趋势的递归预测。将该方法应用于轴承剩余寿命预测问题,在PHM 2012轴承数据上进行仿真实验,结果表明,所提方法通过利用轴承数据间的内在结构信息,可有效降低对目标轴承衰退趋势的递归预测误差。本文的研究结果从结构化信息表示和预测的角度,为多变量时序数据分析和处理提供了新的解决方案,具有显着的理论与实际工程应用价值。
张峻宁,张培林,张云强,杨望灿,华春蓉[2](2017)在《融合字典学习的滑动轴承摩擦故障趋势自记忆预测》文中研究指明将自记忆模型引入到滑动轴承的接触摩擦故障发展趋势预测中,针对一般形式的多变量自记忆模型的不足,提出一种基于字典学习的滑动轴承摩擦故障趋势的多变量自记忆预测方法。首先,构建多变量字典,利用稀疏编码筛选出影响系统演化的主要变量。然后通过误差平方和最小原则更新不同作用形式的变量字典,确定变量影响系统演化的最佳作用形式和影响系数,最终得到多变量的系统动力核函数,解决了系统动力核与多变量关系难处理问题。最后,引入自记忆函数,将所得的系统动力核反演成一个微分-差分方程,由此得到滑动轴承的多变量自记忆预测模型。应用到实例中,有效地预测了故障的发展趋势,为滑动轴承摩擦退化趋势预测提供了一种新的途径。
徐永智,夏新涛,南翔[3](2015)在《基于混沌理论滚动轴承振动稳健化试验数据的动态分析》文中指出提出改进的Huber M方法是以中位数和Huber M方法两种稳健化处理相融合的一种对数据进行稳健化处理的方法.用中位数和数据平均值相似度判断数据是否有变异,根据变异率变化趋势确定变异率.发现在0%10%变异率范围内,滚动轴承振动数据的连续性和可信度随着变异率的增加而增强.用混沌理论分析滚动轴承的动态特性,发现同一批次的滚动轴承振动有相同的时间延时、嵌入维数、最大Lyapunov指数,其中最大Lyapunov指数均大于0即属于混沌特征,进一步计算最大可预测周期,最大可预测周期为667个单位.滚动轴承振动时间序列物理空间的中位数和相空间的估计关联维数为非线性非单调性的内在运行机制,为滚动轴承振动的动态分析进一步提供可靠的依据.
彭玉楼,何怡刚,彭玉旭[4](2009)在《基于小波谱的轴承加工故障诊断》文中提出极大重叠离散小波变换(MODWT)在时间序列分析中具有对起点不敏感的特点,并能够按照尺度分解过程的方差,在随机过程的分析中有着广泛的应用。本文利用MODWT算法的数据冗余性分析轴承零件加工中的故障,通过对轴承加工过程中小波谱的分析,判定加工故障类型。实验结果表明,小波谱分析对轴承加工过程的方差故障和均值漂移的诊断是可行的和有效的,是小波分析在轴承加工中故障诊断的有效尝试。
二、Pseudo bearing sequence analysis(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、Pseudo bearing sequence analysis(论文提纲范文)
(1)多变量时间序列结构化预测方法及应用研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 多变量时间序列预测方法 |
1.2.2 滚动轴承衰退趋势结构化预测 |
1.3 论文主要内容及创新点 |
1.3.1 研究内容 |
1.3.2 研究的创新点 |
1.4 论文的组织结构 |
第二章 相关理论介绍 |
2.1 SVM相关介绍 |
2.1.1 支持向量机 |
2.1.2 多维支持向量回归机 |
2.1.3 最小二乘支持向量回归机 |
2.2 层次聚类方法 |
2.3 时间序列相似性度量 |
2.4 主曲线 |
2.5 相空间重构 |
2.5.1 单变量相空间重构 |
2.5.2 多变量相空间重构 |
2.6 本章小结 |
第三章 基于异常序列剔除的多变量时间序列结构化预测方法研究 |
3.1 多变量时间序列结构化预测方法 |
3.1.1 定义 |
3.1.2 基于模糊熵的时间序列聚类方法 |
3.1.3 基于主曲线的异常序列的检测 |
3.1.4 M-SVR建模 |
3.1.5 算法描述 |
3.2 理论分析 |
3.2.1 异常序列剔除过程信息损失 |
3.2.2 模型可靠度 |
3.3 仿真实验 |
3.3.1 混沌时间序列预测 |
3.3.2 UCI公共数据集 |
3.3.3 澳门气象数据集 |
3.4 本章小结 |
第四章 基于PSW度量的多变量序列结构化递归预测方法 |
4.1 相空间曲变 |
4.2 轴承衰退趋势递归预测算法 |
4.2.1 基于PSW的时间序列聚类 |
4.2.2 基于主曲线的元数据提取 |
4.2.3 LS-SVM建模 |
4.2.4 算法描述 |
4.3 仿真实验 |
4.3.1 PHM 2012 Data Challenge数据集介绍 |
4.3.2 数据预处理 |
4.3.3 实验结果 |
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 |
攻读学位期间的科研成果 |
(2)融合字典学习的滑动轴承摩擦故障趋势自记忆预测(论文提纲范文)
引言 |
1 自记忆原理 |
2 多变量的系统动力核函数反演 |
2.1 变量选取对系统动力核函数的影响 |
2.2 引入字典算法的思想 |
2.3 基于字典的系统动力核函数求解 |
2.3.1 变量字典构建 |
2.3.2 基于误差平方和最小原则更新字典 |
3 滑动轴承摩擦故障趋势自记忆预测建模步骤 |
4 应用实例 |
5 结论 |
(3)基于混沌理论滚动轴承振动稳健化试验数据的动态分析(论文提纲范文)
1数学模型 |
1.1基本定义 |
1.1.1数学描述 |
1.1.2用互信息方法求出τ |
1.1.3用Cao方法求出嵌入维数q |
1.2滚动轴承振动动态分析 |
1.2.1最大Lyapunov指数 |
1.2.2奇怪吸引子 |
1.2.3关联维数 |
2试验及数据分析 |
2.1滚动轴承振动数据稳健化处理 |
2.2滚动轴承振动动态特征分析 |
2.2.1滚动轴承的时间延时及嵌入维数 |
2.2.2滚动轴承振动奇怪吸引子 |
2.2.3振动数据时间序列的关联维数分析 |
3讨论 |
4结论 |
四、Pseudo bearing sequence analysis(论文参考文献)
- [1]多变量时间序列结构化预测方法及应用研究[D]. 蒋梦雪. 河南师范大学, 2018(01)
- [2]融合字典学习的滑动轴承摩擦故障趋势自记忆预测[J]. 张峻宁,张培林,张云强,杨望灿,华春蓉. 振动工程学报, 2017(03)
- [3]基于混沌理论滚动轴承振动稳健化试验数据的动态分析[J]. 徐永智,夏新涛,南翔. 航空动力学报, 2015(08)
- [4]基于小波谱的轴承加工故障诊断[A]. 彭玉楼,何怡刚,彭玉旭. 2009中国仪器仪表与测控技术大会论文集, 2009