柴油机振动信号盲分离组合算法

由于机械系统的振动信号能有效反映系统特征,对其进行盲解卷积能提供由混合信号中分离出源信号的可能性,为此提出机械系统振动卷积模型;将多通道盲最小均方差与缩减盲源方法结合提出MBLMS-TDS组合算法,且利用该算法对卷积混合信号进行盲解卷积验证算法的合理性;用该算法对柴油机表面混合振动信号进行分离,获得活塞撞击缸体信号与柴油机燃烧信号。     

基于FIR滤波器矩阵代数的多通道盲解卷积算法

通过FIR滤波器矩阵代数将盲源分离算法扩展为多通道盲解卷积算法,得到了多通道盲解卷积的自然梯度算法和等变自适应算法.然后,分别对两纯亚高斯信号的卷积混合信号和两纯超高斯信号的卷积混合信号进行盲解卷积分离,给出了分离滤波器和全局滤波器的脉冲响应以及描述算法性能的ICI、ISI和MC-ISI指标,仿真结果表明基于滤波器矩阵代数的多通道盲解卷积自然梯度算法对同系信号的分离和解卷积均具有很好的效果.     

机械振动信号非线性混叠的盲源分离

设备状态信号的处理是状态监测及故障诊断的基础.在实际运行环境中,通过传感器检测的信号有可能是振源信号的非线性混合、畸变信号.传统的振动信号处理方法对此种非线性混合信号处理效果并不理想.非线性盲源分离技术由于自身独特的盲处理优势,可以有效的去除外来干扰并分离出源信号,有助于提高诊断的准确性.针对直升机齿轮箱振动信号的非线性混叠进行盲源分离,分离出轴承故障振动信号,表明盲源分离技术是机械故障诊断领域的一个有效的信号处理方法.     

基于两个频点的水声信号盲源分离

实际水声环境中声纳接收到的信号是卷积混合信号。文章中将两个频点盲源分离原理应用到水声信号的盲源分离中，从而有效克服信号频域解卷积过程中的排序和幅度不确定性。仿真实验结果表明该方法对水声卷积混合信号具有良好的分离效果?文章中进一步研究了水声信号在不同信噪比条件下，基于两个频点盲源分离方法的分离性能。     

柴油机振动信号的四阶盲识别分析研究

针对柴油机振动信号特征参数的识别提取比较困难,本文运用四阶盲识别的方法分析研究柴油机的振动信号。把基于FOBI(四阶盲识别)算法的盲源分离方法引入到柴油机振动信号的处理中,建立仿真模型对该算法进行验证,并对一组采用北京东方所振动测试仪器在柴油机上实测的振动信号进行分离实验,分离结果表明不同特征的振动信号可以被分离,且最大限度地保留了源振动信号的信息,该算法可以作为柴油机振动信号的预处理方法。     

宽带盲波束形成与卷积混合盲源分离

盲波束形成是在不知道阵形，目标方位以及阵元响应等信息的情况下，只根据阵元输出恢复源信号。现有盲波束形成对窄带信号研究比较多。而对宽带信号盲波束形成论述较少。本文从信号模型，系统框图。处理的三方面说明盲波束形成与盲源分离近似，并指出卷积混合模型盲源分离完全可以作为解决宽带信号盲波束形成问题的一种通用方法。     

基于WOA-VMD改进的信号盲源分离研究及应用EI北大核心CSCD

准确有效识别出水电站厂房振动信号的各个振源,对于水电站长期安全稳定运行有重要指导意义,盲源分离(blind source separation,BSS)是进行信号分解与振源识别的一种有效方法。为了实现水电站厂房复杂环境下振动信号的盲源分离,建立一种基于鲸鱼算法变分模态分解(whale optimization algorithm and variational mode decomposition,WOA-VMD)降噪改进的信号盲源分离模型。采用WOA-VMD和相关法对观测信号进行降噪处理,确保盲源分离结果的准确性;求解多维降噪信号的协方差矩阵并进行奇异值分解,采用优势特征值法进行源数估计;最后对降噪信号进行中心化、白化前处理,通过联合近似对角化算法得到分离矩阵,实现观测信号的盲源分离。仿真结果表明:相较于传统盲源分离模型,改进模型将分离信号与源信号的相关系数分别提升了9.1%,7.1%,8.3%,分离信号主频误差也均有所降低。将该方法运用到水电站厂房振动工程实例,也取得了较好的分离效果。     

基于移不变稀疏编码的单通道机械信号盲源分离EI北大核心CSCD

针对特征反复出现的机械信号,提出了一种使用移不变稀疏编码的单通道盲源分离方法。移不变稀疏编码将原始信号看成多个基与系数的卷积,能够根据信号的统计分布,利用信号自身特征自适应地学习到匹配的基和稀疏的系数。在恒定工况下,不同的信号源具有不同的特征,同一信号源的特征结构相似,将学习到的不同特性的基分别重构即可得到相应的源信号。将该方案应用于仿真的齿轮故障和轴承故障振动信号盲源分离问题中,以及用来提取实测的液压泵压力脉动。结果显示,这种方法较其他方法有所改进,所需人工经验少、抗噪能力强、信号恢复精度高、鲁棒性好,适用于单通道机械信号盲源分离,为单通道信号盲源分离提供了一种新思路。     

基于EFICA的混合语音盲分离时域算法

卷积混合语音进行盲源分离时,不能直接应用独立分量分析（ICA）算法。文中采用一种新的卷积混合语音模型,对多通道混合语音使用近来提出时域EFICA的算法进行盲分离,然后利用聚类和重构算法来恢复源信号。通过真实语音实验表明,文中提出的算法能够有效的分离混合语音信号。     

基于盲解卷积和聚类的机械弱冲击声信号提取

针对对比函数和紧缩方法的时域盲解卷积算法在分离机械弱冲击信号时,其结果易受解卷积滤波器长度影响的缺点,提出结合分层聚类的改进算法.该算法通过设置一个变长度滤波器组,对获得的多个盲解卷积结果进行聚类分析,解决了单次盲解卷积结果不确定问题,获得了可靠性高的估计信号.计算机仿真和实际环境下故障轴承声信号提取实验验证了算法的有效性.