机械故障诊断学钟秉林第3章动态系统特性的时域分析10569.pptx

《机械故障诊断学钟秉林第3章动态系统特性的时域分析10569.pptx》由会员分享，可在线阅读，更多相关《机械故障诊断学钟秉林第3章动态系统特性的时域分析10569.pptx（49页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第3章 动态系统特性的时域分析 l 概述l 随机过程和时间序列l 时间序列的统计分析l 线性时间序列模型及其应用l 工况状态变化趋势性模型分析机械故障诊断理论与方法机械故障诊断理论与方法2023/3/101特征分析的目的：去伪存真 去粗取精特征分析的手段：时域 频域及其各种变换域 时频域1、概述、概述2023/3/102涉及：数字信号处理、概率论与数理统计、随机过程随机过程、时间序列分析时间序列分析、信息理论、图像处理及人工智能等 随机过程的基本概念：实现、随机过程、随机变量 2、随机过程和时间序列、随机过程和时间序列2023/3/103l 实现(Realizaition)：在时间tT范围内，

2、每进行一次实验所得的观测结果，称为一次实现。多次实现记为若为一次实现简记为 ，离散数据序列通常都是一次实现，简记为 。2、随机过程和时间序列、随机过程和时间序列2023/3/104l 随机过程(Stochastic process)：在时间tT范围内，k次实验的总体样本函数称为随机过程。其中，离散数据序列记为2、随机过程和时间序列、随机过程和时间序列2023/3/105l 随机变量(Stochastic variable)：每次实现的观测值称为随机过程在该时刻的随机变量。每次观测到的结果是不相同的，它表明了随机过程的观测值不能重复（重要事实）实现、随机过程、随机变量 三者的关系样本空间上的随机

3、变量2023/3/106 随机变量的分布函数 随机变量xt的分布函数：若存在非负函数p(x)，使得x0时：对任意的x(-,+)成立，则称p(x)为随机变量 xt的概率密度函数。正态分布的概率密度函数：2023/3/107 随机过程的数字特征 随机过程在各时刻对应的随机变量的联合概率密度函数可以完整地描述随机过程的性质。但对于工程领域中的随机过程，其各其各时时刻随机刻随机变变量的概率密度函数以及量的概率密度函数以及过过程本身的程本身的联联合概率合概率密度函数通常密度函数通常难难以确定以确定，因此有必要引入随机过程的某些数字特征进行描述。2023/3/10800 stt+stt-xtt903060

4、120150时间 t 0.80.60.40.2 -0.2 -0.4-0.8xtq 均值与方差2023/3/109意义：意义：随机变量的均值反映了 的随机变化中心，方差则反应了随机变量不同的样本函数对均值的平均偏离程度。k 阶原点矩 k 阶中心矩q 矩函数2023/3/1010由定义可见，随机变量的均值均值即为一阶原点矩，方差方差即为二阶中心距。l自相关函数（系数）q 自协方差函数和自相关函数l自协方差函数 2023/3/1011二元对称工程中，通常对随机变量进行零均值处理，此时：q 高阶自协方差函数和高阶自相关函数2023/3/1012平稳过程：随机过程的分布函数或概率密度函数(若存在)不随时

5、间t的变化而变化。平稳平稳随机过程及其性质严平稳过程：和与t无关。2023/3/1013宽平稳随机过程条件：一般，随机过程的严平稳性严平稳性与宽平稳性宽平稳性没有确定的因果关系，严平稳性条件通常较宽平稳性条件严格，若严平稳过程具有二阶矩，则其也必为宽平稳过程。特别地，对于正态随机过程，严平稳与宽平稳相互等价。2023/3/1014均值：二阶原点矩：自协方差：具有遍历性的随机过程必为平稳过程；但平稳过程未必是遍历的；遍历性是工程信号统计分析方法的基础。q 平稳随机过程的遍历性 所谓随机过程的遍历性，通俗地说，就是：在下标集T上，随机过程按其分布函数遍历 其所有的可能状态。对遍历性随机过程而言，过

6、程的集合平均等 于其任何一个样本在时间T上的平均 2023/3/10153、时间序列的统计分析、时间序列的统计分析统计统计分析分析：基于时间序列的平稳性和遍历性假设，根据观测样本对时间序列的各种数字特征或分布函数作出某种切合实际的估计。时间序列时间序列：按时间顺序排列的一组数据。在时间序列分析领域，通常指一组时间或空间有序的随机数据，为深入分析，偶尔也涉及确定性数据。2023/3/1016 均值和方差估计 自协方差（相关）函数估计 高阶自协方差（相关）函数估计2023/3/1017设 为平稳平稳遍历时间序列的观测样本 K值可正可负 偏度系数和峭度系数012345-1-2-3-4-500.10.

7、20.30.40.5p(x)g111 0gg 0=0 x偏度系数：2023/3/1018012345-1-2-3-4-500.20.40.60.8g23g23 g23=xp(x)峭度系数：2023/3/1019 概率密度函数的估计xx+x0 x(t)t1t2t3t4tT0 xp(x)2023/3/1020区间的数目：2023/3/10214、线性时间序列模型分析及其应用、线性时间序列模型分析及其应用 动态过程十分复杂，从观测数据不能直接分析系统的变化规律数学模型。动态过程状态的变化，反映在其数学模型的结构、参数和特征函数的变化。模型可以用于对系统的未来状态和发展趋势进行预报和控制。研究动态系统

8、时域模型是研究动态系统时域模型是工况监视与故障诊断工况监视与故障诊断的重要方法和手段之一的重要方法和手段之一根据观测值直接建模根据观测值直接建模,无需知道无需知道系统输入系统输入和和传递传递函数函数2023/3/10224.1 时间序列模型的结构特征观测数据特点(机械设备运行中)动态过程是随机过程系统的输入无法确知机械系统相互耦合时间序列模型（时间序列模型（time series modeling）时间序列数据有一个时间上的顺序是指仅用它的过去值及随机扰动项所建立起来的模型模型，其一般形式为 Xt=F(Xt-1,Xt-2,t)建立具体的时间序列模型，需解决如下三个问题：(1)模型的具体形式(2

9、)时序变量的滞后期(3)随机扰动项的结构2023/3/10234.2 时间序列建模方法主要时序模型自回归滑动平均模型自回归滑动平均模型(ARMA模型模型):平稳正态双线性模型:门限自回归模型:非线性自激振荡指数自回归模型:复现非线性现象状态依赖模型:预处理平稳性检验正态性检验随机趋势检验和处理2023/3/10244.3 自回归过程(Auto-regressive model,AR)如果一个随机过程可表达为如果一个随机过程可表达为其中其中i,i=1,n 是自回归参数，是自回归参数，ut是白噪声是白噪声（指功率谱密度在整个频域内均匀分布的噪声）过程，则称过程，则称xt为为n阶自回阶自回归过程，用

10、归过程，用AR(n)表示。表示。xt 是由它的是由它的n个滞后变量的加权和个滞后变量的加权和以及以及ut 相加而成。相加而成。若用滞后算子表示若用滞后算子表示 其中其中 称为特征多项式或称为特征多项式或自回归算子。自回归算子。2023/3/1025与自回归模型常联系在一起的是平稳性问题。对于自回归过程AR(p)，如果其特征方程 的所有根的绝对值都大于1，则AR(n)是一个平稳的随机过程。AR(n)过程中最常用的是AR(1)、AR(2)过程，xt=1 xt-1+ut 保持其平稳性的条件是特征方程 (1-1 B)=0 根的绝对值必须大于1，满足|1/1|1，也就是：|1|1，即|i|m,如果AR部

11、分具有n个不相等的特征根，则：格林函数：2023/3/1035q 自协方差函数与格林函数的关系2023/3/10364.5 自协方差函数的估计检测数据是有限的,只能从有限长度的样本值xt来求自协方差函数的估计值 和自相关函数:自协方差函数:2023/3/1037 AR(n)、MA(m)、ARMA(n,m)模型的估计方法较多，大体上分为大体上分为3类：类：（1）最小二乘估计；）最小二乘估计；（2）矩估计；）矩估计；（3）利用自相关函数的直接估计）利用自相关函数的直接估计。结构阶数模型识别确定估计参数4.6 时间序列模型的估计2023/3/1038五、工况状态变化趋势性及其预报时间，t时间，t时间

12、，t时间，tx(t)x(t)x(t)x(t)线性趋势多项式趋势衰减的周期趋势多项式与周期趋势发现隐含趋势的形成和发展,预知工况状态的变化2023/3/1039时间序列的典型趋势性q 适用于含确定性趋势序列的组合模型非平稳观测时序确定性趋势序列平稳随机序列2023/3/1040q 适用于含随机趋势序列的ARIMA(自回归-求和-滑动平均)模型ARIMA型季节性乘积模型：特征多项式含有形如 的因子，或者说，这类模型具有一个或多个分布在单位圆上的特征根。随机季节性趋势,适于季节性变化趋势随机多项式趋势,适于多项式变化趋势2023/3/1041q 平稳时间序列的预报:从现在和过去的行为预测其未来发展趋

13、势tt+llttxltx+)(let)tx过去过去未来现在现在实际数据曲线实际数据曲线)(lxt)95%95%置信限置信限95%95%置信限置信限2023/3/1042时间序列预报的出发点是使预报误差均方值误差均方值达到最小。并称相应的预报值为平稳线性最小方差预报。2023/3/1043上式中，A部分包含了未来时刻的白噪声at+l,at+l-1,at+l-2,at+1，在当前时刻 t 无法对未来的白噪声进行预测，即A属于不可预测部分。而B部分所含的白噪声均为确定的、可以计算的。因此，B部分即为xt+l的预报值 。易见，向前 l 步的预测误差为未来 l 个白噪声的线性组合。预测误差方差为：202

14、3/3/1044可以证明上述预报结果为最小方差预报。易见，向前 l 步的预报误差仅与预报步距 l 有关，而与预报的起点无关。这一点说明了时间序列预报的平稳性，还可看出步距 l 愈大，预报误差也愈大。可以证明：最小方差长期预报值趋于零，即趋于时间序列 xt 的均值。长期预报误差的方差等于时间序列本身的方差。2023/3/1045对于ARMA(n,m)模型：2023/3/1046ARMA(n,m)模型的预报方程对Ext+l-n求期望对Eat+l-m求期望2023/3/1047按照上式可以得到l=1,m的各步预报:令m0，则根据ARMA(n,m)模型的预报公式可直接获得AR(n)模型得最小方差预报：即：2023/3/1048谢谢观看/欢迎下载BY FAITH I MEAN A VISION OF GOOD ONE CHERISHES AND THE ENTHUSIASM THAT PUSHES ONE TO SEEK ITS FULFILLMENT REGARDLESS OF OBSTACLES.BY FAITH I BY FAITH