冯长建[1]2002年在《HMM动态模式识别理论、方法以及在旋转机械故障诊断中的应用》文中认为本文以国家自然科学基金项目“基于隐Markov模型的旋转机械故障诊断新方法的研究”(编号:50075079)为基础,提出的博士学位论文题目为“HMM动态模式识别理论、方法以及在旋转机械故障诊断中的应用”。本文以大型旋转机械为研究对象,研究了HMM动态模式识别理论与方法在旋转机械故障诊断中的应用,开辟了旋转机械计算机辅助故障诊断的新途径。全文主要研究内容如下: 第一章:介绍了旋转机械振动监测和诊断的概况;综述了多变量动态模式识别理论的发展和研究现状;结合国家自然科学基金提出了本文的研究内容;最后,给出了本文的总体框架和创新之处。 第二章:介绍了Markov链基本理论,并通过一个简单的实例把它扩展到了隐Markov模型(HMM);然后重点介绍离散HMM的基本理论、算法以及在实际应用中的改进措施。 第叁章:根据离散HMM(DHMM)的基本理论,提出了旋转机械振动幅值谱矢量的标量量化方法,并在此基础上提出了基于DHMM的故障诊断方法;利用转子升速过程的振动模式验证了DHMM故障诊断方法的有效性。 第四章:在连续隐Markov模型(CHMM)的基本理论基础上,提出了直接利用振动信号AR系数特征矢量序列建立混合密度CHMM的故障诊断新方法,并对转子升速过程的振动模式进行了成功的识别;对DHMM和CHMM故障诊断方法进行了对比分析,指出DHMM方法具有算法稳定、计算速度快、识别精度高等特点,对于CHMM方法只要通过合理选择特征参数也能得到高的识别精度。 第五章:利用SOM神经网络对多传感器的振动信息特征进行降维、压缩与编码,首次提出了基于多通道振动信息融合的HMM故障诊断方法,拓展了监测对象的观测范围,从而能够对旋转机械的整体运行状态做出综合识别,并对提出的方法进行了实验研究。 第六章:首次把AR系数矢量引入到Kalman滤波器和HMM中,得到了两种自适应描述非平稳动态时间序列的在线模型—Kalman-AR和HMM-AR模型;描述连续状态变化的Kalman-AR滤波模型为描述离散状态变化的HMM-AR模型提供了一个良好的初始化方法和给出过程状态转移点的先验信息,从而使HMM-AR模型能够对非平稳过程进行状态分割和分类;仿真和实验结果表明,提出的该旋转机械运行状态在线监测方法,能够实现对旋转机械运行的状态进行成功地分割和分类。 第七章:基于多变量动态模式识别的理论和方法,在混合编程环境下开发了HMM的旋转机械故障诊断应用软件;介绍了软件系统的开发环境、开发工具以及Matlab和C++混合编程的接口实现方法;介绍了整个软件系统的基本组成和功能。 第八章:给出了全文研究内容的总结;并对HMM理论在旋转机械故障诊断方面的进一步应用提出了展望。
焦卫东[2]2003年在《基于独立分量分析的旋转机械故障诊断方法研究》文中认为本文以国家自然科学基金项目“基于独立分量分析的旋转机械故障诊断新方法的研究”(编号:50205025)和浙江省自然科学基金项目“基于盲源分离的机械噪声故障诊断技术研究”(编号:5001004)为基础提出,论文题目为“基于独立分量分析的旋转机械故障诊断方法研究”。本文提出了一个基于源分离的故障诊断新架构,探索了独立分量分析(ICA)理论方法在旋转机械故障诊断中的可能应用。全文主要内容如下: 第一章:首先概述了故障诊断研究的多学科交叉发展历程,分析了现有故障诊断理论方法的不足之处。接着,总结了独立分量分析(ICA)理论方法及其应用的国内外研究现状,分析了ICA应用于机械故障诊断的可行性。由此,提出了一个基于源分离的故障诊断新架构。最后,给出了本论文的主要研究内容、技术路线及创新点。 第二章:首先给出ICA模型及其模型估计性质,并从参照函数和优化算法两方面对一般ICA算法进行了概略总结。接着,对后续将用到的重要ICA(BSS)算法,特别是基于神经网络的自适应算法做了详细介绍。另外,还给出了基于带通滤波的改进BSS算法。验证改进算法的实验部分,将在第叁章加以详细介绍。 第叁章:研究了基于BSS的机械振动、声源分离问题,包括前分析处理、BSS源分离及后分析处理等环节。其中,也包括改善ICA算法收敛性能的某些策略及解决ICA(BSS)自身不确定性问题的某些可能措施。由此,形成了一个机械源分离的整体解决方案。最后,通过实验对该方案的可行性和有效性进行了验证。 第四章:特征提取是故障诊断的关键所在。本章从模式识别角度,研究了ICA应用背景下机械状态特征提取问题,给出了几种新颖有效的ICA基特征提取策略,并对某些传统特征提取方法如小波等进行了适当改进。 第五章:在ICA特征提取基础上,研究了几种典型神经网络如基于误差反传的多层感知器、径向基函数网络和自组织映射网络,以及支持向量机分类器在机械故障模式识别与分类中的应用,并进行了大量的故障分类对比实验。 第六章:在Matlab5.3编程环境下,开发了两个应用软件:BSS基机械源盲分离软件和ICA基故障诊断软件,作为整个论文、特别是第叁、第四和第五章相关研究成果的总结。理想地,BSS基干扰消除技术、ICA基特征提取及模式分类方法,可以与通用的数字信号采集器共同整合为一个实用的机械状态监测与故障诊断系统。但是,其中有许多问题需要解决。例如,系统的数据通讯、接口以及实时性要求等。本章最后,利用实验台实测数据及ICA基诊断软件开展了故障诊断综合实验。 第七章:对全文的研究内容进行了总结,并对未来可能的研究方向和内容做了初步探讨与展望。
涂靖之[3]2013年在《基于变分贝叶斯隐Markov模型的机械故障诊断方法研究》文中研究指明本论文在国家自然科学基金(51075372,50775208),江西省教育厅科技计划项目(No. GJJ12405)和湖南省机械设备健康维护重点实验室开放基金(201204)资助下,针对传统静态独立分量分析在机械源信号盲源分离中存在的不足,即在观测数据获取过程中,要求混合系统保持不变,并且独立源的数量和统计特征必须保持稳定,因而无法对非平稳时变信号进行有效盲分离。结合变分贝叶斯独立分量分析理论(VbICA)在噪声环境下的对平稳信号的优秀盲分离性能,将隐Markov模型(HMM)引入到VbICA源模型中,提出了基于变分贝叶斯隐Markov模型的机械故障源分离新方法,并取得了很好的创新性成果。本文主要包括以下几个方面的内容:第一章,论述了本课题的提出及其意义;讨论了静态ICA在故障诊断领域的研究现状及其不足之处,以及动态ICA的研究现状及其在各领域中的应用状况,特别是在故障诊断领域的应用发展;在此基础上,提出了本论文的主要内容及主要创新点。第二章,论述了适于动态过程时间序列建模并具有强大的时序模式分类能力的隐Markov模型理论和基本算法。论述了变分贝叶斯理论体系,主要包括贝叶斯推论和变分近似逼近算法。本章内容是整篇论文的理论基础。第叁章,针对传统静态ICA方法存在的不足,提出了一种基于变分贝叶斯隐Markov模型的机械故障源分离新方法,该方法是基于VbICA方法发展起来的,它继承了VbICA方法优秀盲分离性能的优点,同时通过隐Markov模型的引入,弥补了VbICA对动态时序信号盲分离的不足。该方法的特点是利用隐Markov模型善于采集潜在数据生成过程状态动态变化,在信号存在动态和非线性的特性的情况下,能够捕捉信号中一系列与时间有关的时序信息,提高盲分离的准确性。仿真研究表明,对非平稳时变信号,本文提出的方法的盲分离效果明显优于传统的静态ICA方法,分离误差大幅度降低。最后通过轴承故障盲分离实验进一步验证了该方法的有效性。第四章,提出了一种结合变分贝叶斯隐Markov模型和自相关测定的信号源数估计方法,该方法的基本思路是将隐Markov模型与贝叶斯推论结合起来,在贝叶斯推论的模型比较下,通过自相关测定推断出最佳的隐藏信源数目。仿真和实验研究结果表明,该方法能够有效的估计出信源个数,并在噪声环境下具有很好的鲁棒性。第五章,结合局域均值分解(LMD)方法和VbHMM理论各自的性能特点,提出一种基于LMD-VbHMM的机械故障盲源分离方法。在该方法中,首先对动态混合得到的观测信号进行LMD分解,剔除接近零向量的残量,得到一系列的PF分量,然后将PF分量和原观测信号组成新的观测信号,并考虑噪声因素,最后用VbHMM方法对其进行盲分离,得到估计的信号源。该方法的特点是将源信号进行动态随机混合,既能对非平稳时变信号进行有效盲分离,又能解决欠定条件下的盲分离问题。该方法克服了传统LMD-BSS方法在噪声环境下对时变混合信号盲分离的不足。对于噪声环境下非平稳性强,动态时变混合的观测信号的盲分离,通过仿真和实验研究结果都验证了该方法的有效性。第六章,全面总结了本文的研究工作内容,并对有必要进一步开展研究的工作进行了展望。
田春花[4]2007年在《隐马尔科夫模型及其在机械故障模式识别中的应用》文中指出隐马尔科夫模型(Hidden Markov Model,简称作HMM)是一种新的模式识别技术,其基本方法是通过对训练信号进行特征值提取和标量量化,建立具有相应状态数和观测值数的隐Markov模型,然后利用该模型计算待诊断信号与训练信号的相似概率,根据相似概率的差异判断信号状态的变化,达到信号模式分类的目的。本文的主要研究工作是利用HMM进行机械设备运行状态识别和故障诊断,包括叁项研究内容:1)在深入学习HMM理论基础上,探讨HMM的技术实现方法,编制Matlab环境下的HMM实现程序;2)研究振动信号特征提取方法,开发基于LabVIEW的希尔伯特变换和倒频谱分析程序;3)应用HMM对于汽轮机和齿轮等两种典型旋转机械设备运行状态进行分析识别。对于汽轮机设备,以其振动信号频谱中基频处的幅值作为HMM训练的特征值,建立汽轮机升负荷过程的HMM,进行设备状态变化分析;对于齿轮箱设备,建立运行过程振动信号的HMM模型,根据相似概率的变化识别齿根裂纹故障的生成及发展趋势,两个应用案例都给出满意的结果。
曾承志[5]2016年在《大型双馈风电机组传动系统故障诊断与故障失效预测技术研究》文中研究表明随着世界各国越来越重视可再生能源的开发和利用,风能这种清洁能源的利用得到了迅速发展。而风力发电机组是将风能转换成电能的关键设备,其运行状态的好坏直接影响到风力发电效率。大型双馈风电机组传动系统轴承与齿轮等关键零部件,由于长期运行在变速变载荷的复杂工况下,同时要承受由于地形高低起伏、风速风向多变、机组尾流效应、湍流以及极端气温变化等环境因素影响,容易受到损害和出现故障,会导致传动系统无法运转。研究实用、可靠的传动系统关键零部件故障诊断和故障预测技术,实现主动的故障预测,是预防故障、保持传动系统轴承与齿轮等关键零部件完好性的技术基础,其研究意义重大。论文针对大型双馈风电机组传动系统关键零部件存在故障诊断方法和故障预测方法两方面存在的不足,分析了传动系统中轴承与齿轮的主要故障机理与故障演化规律,对其故障演化规律进行建模分析;在此基础上深入研究了基于D-S算法的多源信息融合的故障诊断方法和基于遗传算法的改进型HMM故障失效预测方法。研究成果对于风电机组传动系统轴承与齿轮等零部件故障预测能力的提高具有重要的推动作用。论文主要完成了以下研究内容,包括:1、风电机组传动系统故障机理分析与建模研究系统地分析了风电机组传动系统轴承与齿轮等关键零部件的主要故障模式、失效机理及其故障全周期的演化规律,利用故障演化过程中退化状态与HMM都是通过观测值来感知其状态的共同特点及HMM能合理地描述故障演化过程退化状态驻留时间这一特性,研究传动系统轴承齿轮故障演化规律的HMM模型,为退化状态识别与故障失效预测方法研究提供理论基础。2、基于D-S算法的多源信息融合的风电机组传动系统故障诊断方法研究研究基于D-S算法的多源信息融合的故障诊断方法。该方法基于D-S算法和多源信息融合技术,将风电机组传动系统轴承齿轮冲击、振动、温度等变量以及运行工况信息进行融合,形成传动系统故障诊断的综合决策,从而提高故障诊断的准确性。3、基于遗传算法的改进型HMM的风电机组传动系统故障预测方法研究克服了经典HMM方法中采用的Baum-Welch算法进行参数迭代优化时,算法过于复杂,结果易收敛于局部最优的缺点,提出一种基于遗传算法的改进型HMM故障预测方法,并研究传动系统轴承齿轮各退化状态驻留时间的计算方法,实现对其失效概率和剩余使用寿命的预测。4、试验研究以滚动轴承为试验研究对象,在北京唐智科技发展有限公司轴承故障检测机上进行滚动轴承故障诊断和失效预测的试验研究,并用试验数据以及现场获取的风电机组冲击、振动和温度数据,验证本文所提方法的可行性与有效性。
李全[6]2010年在《基于HMM的轴承故障诊断方法》文中提出滚动轴承是旋转机械中最常见也是最易损坏的部件之一。滚动轴承故障会导致机器产生异常振动和噪声,甚至引起机器损坏和人员伤亡等重大事故。因此研究轴承的故障诊断与监测具有十分重要的意义。因此,本文采用一种近些年在语音识别技术中发展较快的模式识别技术——隐马尔可夫模型(Hidden Markov Model, HMM)来对滚动轴承的故障进行检测和诊断。它具有模式分类能力强、训练样本少、计算速度快等特点,比较适合非平稳滚动轴承故障振动信号分析。HMM实现的基本方法通过对振动信号进行特征提取,训练具有相应状态数的隐马尔可夫模型,然后计算待检测信号的相似概率,根据相似概率中的最大值及相应模型判断信号的状态,从而达到信号模式分类目的。本文的主要工作是利用HMM进行滚动轴承的故障诊断,包括四项研究内容:1.在学习和研究HMM理论的基础上,探讨了HMM叁种经典算法在故障诊断中的实际功能,并编制了基于MATLAB的实现程序,从而验证了HMM理论在滚动轴承故障诊断中的可行性。2.针对滚动轴承振动信号的非平稳性、调制以及易受背景噪声干扰等特点,采用小波变换对振动信号进行分解,提取一维信号中低频系数作为故障特征值。对提取后的特征值可根据矢量量化(Vector Quantization, VQ)原理对其进行转化,或利用高斯概率密度函数修正HMM参数,最后输入HMM进行判别。实验证明小波分析提取特征值并结合HMM进行判断在实际应用中是可行的。3.使用非平稳信号分析的新方法—希尔伯特黄变换(Hilbert-Huang Transform)提取故障特征值,结合离散隐马尔可夫模型进行轴承状态判别。由于HHT提取的特征值简单,所以加快了HHT的训练和诊断速度,最终较好地提高了诊断精度。4.在学习和研究上述理论的基础上,利用MATLAB GUI设计了滚动轴承故障特征提取与诊断的虚拟系统,并采用仿真和实验信号测试了该系统的有效性和实用性,为滚动轴承故障诊断系统的开发提供了一个范例。
郑荣书[7]2014年在《隐Markov模型在球磨机齿轮故障诊断中的应用研究》文中认为针对传统齿轮故障诊断方法停留在静态观测的基础之上,这往往忽略了故障发生前后的上下文信息。随着隐马尔科夫模型在旋转机械中的应用研究的展开,本文尝试了将HMM故障诊断方法应用在球磨机齿轮故障诊断中,在一个动态的环境中对球磨机齿轮减速器设备进行观测、评估。在发电及其他选矿行业中,球磨机是很关键的磨煤设备,保证它的正常运行,间接保证了企业的经济效益,因此对球磨机齿轮的故障诊断研究是很有必要和有意义的。本文首先对球磨机齿轮诊断研究现状及球磨机齿轮振动信号的特征进行了简单的阐述,为后文振动信号的特征提取提供了理论依据。重点介绍了HMM的基本理论、算法学习以及DHMM在球磨机齿轮中进行故障诊断的流程。并进行了五种故障模型诊断实验,对获取的振动信号进行特征提取,归一化,标量量化得到量化序列集合,再对量化序列集合进行DHMM参数重估或利用Viterbi算法计算最大模型概率,从而建立DHMM模型库或进行故障诊断。实验结果表明DHMM故障诊断方法在球磨机齿轮中应用具有较高的分类精度。第四章对多通道的振动信号进行了融合,介绍了SOM聚类编码的基本理论和算法,利用SOM聚类编码的方法实现了信号的降维、编码,建立了单双通道的DHMM模型,单双通道的故障分类进行对比,实验结果表明双通道信息融合后的故障分类效果较单通道的高。最后为了方便对球磨机齿轮振动信号进行快速的分析,研究了基于Qt与matlab的HMM故障诊断软件,介绍了本文的开发环境、开发工具、以及接口的实现方法。
李劲播[8]2010年在《基于HMM和微粒群优化算法的核电设备机械故障诊断技术的研究》文中研究指明本文针对核电设备冗余多、系统复杂、所积累的资料和故障样本少以及核电设备运行过程中的振动信号具有信息量大、非平稳、重复再现性不佳等特点,引入PSO优化HMM,建立基本模型和识别工具,实现核电机械装备状态在线监测,系统能够及时、准确地诊断出故障,并采取相应的对策,保证和提高核电设备的安全性和可靠性。本文研究了HMM、PSO和QPSO基本原理、常用模型以及相关算法;建立基于HMM和QPSO的核电设备系统故障诊断模型;设计基于QPSO算法优化HMM的核电设备故障诊断系统,通过一系列采集数据对故障诊断系统的测试,验证了该诊断方法的可行性和准确性。本文主要研究内容如下:第一章介绍核电设备机械故障技术的国内外研究现状和研究意义;分析基于QPSO优化HMM的核电装备故障诊断的可行性;最后提出本论文研究的主要内容及论文总体框架和创新之处。第二章论述几种常见的非平稳信号特征提取方法;根据核电装备振动信号的特点,应用一种时频域特征提取新方法——基于优化局域均值分解(LMD)技术的特征提取方法研究。第叁章研究HMM和PSO的基本理论;介绍改进PSO的基本算法;简要介绍PSO算法的实际应用。提出QPSO算法优化HMM的核电设备机械故障诊断方法。第四章研究量子微粒群优化算法和特点,较深入地研究基于QPSO算法优化CGHMM模型,将建立相应的核电机械设备故障诊断模型。第五章通过实验对前面提出的各种理论、方法进行了验证,给出具体的实验方案和实验结果,并对实验结果进行了分析。第六章总结全文研究成果,并对今后的工作提出了展望。本项研究对于促进核电装备状态在线监测与故障诊断技术的进步,对于保证核电装备系统安全可靠地运行、提高国防战斗力都具有重要的理论意义和实际应用价值。
柳长昕[9]2009年在《基于二维隐马尔科夫模型的离心泵故障诊断方法研究》文中研究说明设备故障诊断是一门各学科交叉的新技术,近年来,得到了迅速发展并产生了巨大的经济效益。离心泵的故障易使设备产生振动,振动信号中包含了丰富的泵体运行状态信息,且易于拾取便于诊断。由于离心泵故障振动信号是非平稳信号,因此有必要选择恰当的适合于非平稳信号分析的信号处理方法。常用的时频分析方法如窗口傅立叶变换、小波变换等都有各自的局限性。隐Markov模型(Hidden Markov Model,HMM)克服了传统诊断方法只停留在静态观测的缺陷,非常适合于描述短时平稳的非平稳信号,经验证其故障信号分类结果优于其它信号处理方法。二维隐Markov模型(2D-HMM)作为HMM的一般化模型,它由外部HMM和基于外部HMM各状态的内部HMM两部分组成。因而它具有HMM的优点,且从时域和频域两个角度全面地描述信号,非常适合于处理离心泵运行过程中出现的非平稳性强、重复再现性不佳的信号。本论文研究以基于2D-HMM的离心泵故障诊断方法为目的,结合吉林省教育厅科学技术研究项目(No.2007047),采用理论研究与实验测试相结合的方法,提出基于2D-HMM的振动信号分析与故障识别,并通过2BA-6A离心泵试验系统验证了该方法的有效性。首先,简要介绍了本论文研究背景,选题意义及2BA-6A离心泵试验系统中各设备的参数、性能及具体的实验设置、实验方法。其次,从标准的HMM基本理论和算法入手,描述了2D-HMM的主要类型、参数和拓扑结构,并讨论了它的主要算法和实际应用中遇到的问题及解决策略,同时对HMM和2D-HMM从模型结构、参数描述和算法复杂度叁个方面进行对比。接着,提出基于2D-HMM故障诊断方法,归纳其可行性及特点,并介绍利用其进行诊断的基本步骤和实现方法。在总结离心泵常见故障及其振动特征的基础上,给出2D-HMM在离心泵故障诊断中的模型选取等参数设置。最后,在介绍本论文所采用的几种信号特征提取方法的基础上,结合2BA-6A离心泵试验系统,对离心泵振动信号进行分析与分类,验证了基于2D-HMM的离心泵故障诊断方法的有效性。
于昊[10]2012年在《基于LMD和HMM的转子故障诊断方法》文中认为在故障诊断过程中,故障信号特征量提取和故障模式识别是整个过程的关键步骤。基于此,本文将一种新的时频分析方法局部均值分解(Local MeanDecomposition,简称LMD)和另一种基于统计学的模式识别技术隐Markov模型(hidden Markov model,简称HMM)应用于转子系统的故障诊断中。本文模拟了转子试验台常见故障,为提高特征提取的信息量,采用基于LMD的方法对故障信号进行特征提取,同时,使用了统计理论十分严谨的HMM方法进行故障模式识别。围绕试验台提取的多种故障信号数据,用以上理论以及算法,本文做出的主要工作和结论如下:(1)在转子试验台上分别模拟出四种典型转子故障振动信号,对故障信号的振动机理和过程进行了深入研究,并且进行了小波滤波消噪和频谱分析。实验证明,小波消噪后得到的信号比较平滑,频谱图的各频率成分十分明显,很适合转子系统的数据处理,可以为特征提取提供原始数据。(2)提出了一种基于LMD和近似熵的故障特征提取新方法,LMD的局域化特征方法可以自适应分解信号为多个有用的乘积函数(Product function,简称PF)和一个余量之和,再结合改进的快速近似熵计算方法计算出每个PF的近似熵作为故障特征值,综合所有故障特征值组合为特征向量集。实验结果表明,基于LMD和近似熵的故障特征向量集可以准确反映故障信号特征,并且适于输入至HMM分类器进行故障分类。(3)以构造最优分类器为目标,针对HMM找到全局最优点的概率相对较低的问题,提出了一种经粒子群算法(Particle Swarm Optimization,简称PSO)优化的HMM的模式分类器。该方法可以优化HMM训练模型,使之准确寻找全局最优概率。将齿轮箱故障数据提取的幅值作为特征向量输入到该分类器中进行数据分类,实验表明,收敛误差较小,并可以成功识别齿轮箱故障。(4)提出基于LMD近似熵和PSO优化的HMM诊断方法,对转子试验台上采集的故障信号进行故障特征提取和模式识别,该方法能自适应分解原始故障信号,提取出故障特征后输入至分类器进行故障识别便可实现多故障识别与诊断。通过实验数据分析,并与经典HMM的对比实验,说明了该方法的有效性。
参考文献:
[1]. HMM动态模式识别理论、方法以及在旋转机械故障诊断中的应用[D]. 冯长建. 浙江大学. 2002
[2]. 基于独立分量分析的旋转机械故障诊断方法研究[D]. 焦卫东. 浙江大学. 2003
[3]. 基于变分贝叶斯隐Markov模型的机械故障诊断方法研究[D]. 涂靖之. 南昌航空大学. 2013
[4]. 隐马尔科夫模型及其在机械故障模式识别中的应用[D]. 田春花. 华北电力大学(北京). 2007
[5]. 大型双馈风电机组传动系统故障诊断与故障失效预测技术研究[D]. 曾承志. 沈阳工业大学. 2016
[6]. 基于HMM的轴承故障诊断方法[D]. 李全. 昆明理工大学. 2010
[7]. 隐Markov模型在球磨机齿轮故障诊断中的应用研究[D]. 郑荣书. 郑州大学. 2014
[8]. 基于HMM和微粒群优化算法的核电设备机械故障诊断技术的研究[D]. 李劲播. 南华大学. 2010
[9]. 基于二维隐马尔科夫模型的离心泵故障诊断方法研究[D]. 柳长昕. 东北电力大学. 2009
[10]. 基于LMD和HMM的转子故障诊断方法[D]. 于昊. 兰州理工大学. 2012
标签:自动化技术论文; 故障诊断论文; hmm论文; 特征提取论文; 机械振动论文; 旋转变换论文; 动态模型论文; ica论文; v模型论文;