基于核形态成分分析的齿轮箱复合故障诊断研究

形态成分分析（MCA）是最新提出的一种基于稀疏表示的信号和图像分解(分离)方法,该方法的主要思想是利用信号组成成分的形态差异性（可以由不同的字典稀疏表示）进行分离。结合核函数把基于MCA的线性盲分离方法拓展到非线性混叠情况,给出了一种非线性混叠信号盲分离算法。该算法通过非线性映射将混叠信号投影到高维特征空间,将样本空间的非线性混叠问题转化成高维特征空间的线性混叠问题,然后应用MCA算法对高维特征空间中的混叠信号进行分离。通过对齿轮齿根裂纹、轴承内圈、外圈复合故障的实验信号的分析,表明该方法能有效地分离出齿轮箱的复合故障。     

基于核独立分量分析的齿轮箱故障诊断

：独立分量分析是近几年发展起来的基于信号高阶统计特性的分析方法,它是指从多个源信号的线性混合信号中分离出源信号的技术,但目前的算法在处理非线性变化的信号时还有一定的局限,而基于非线性函数空间的ICA方法—KICA,即核独立成分分析,可以解决这一问题。与传统的ICA方法相比,KICA方法具有更好的灵活性和鲁棒性。文章介绍了核独立分量的基本原理,并进行了仿真说明,最后结合包络阶次方法对齿轮箱实测的瞬态声音信号进行了分析,找到了故障特征,验证了该方法的有效性。     

基于变分贝叶斯算法和MLP网络的后非线性混合盲源分离方法研究

传统的后非线性模型往往要求其后非线性函数是可逆的,否则无法进行源信号的分离。然而在实际中,这一要求并不完全满足。针对此不足,结合变分贝叶斯推论和多层感知器网络,提出一种改进的多层感知器后非线性模型,它通过多层感知器来模拟后非线性函数,实现对不可逆后非线性函数混合的盲分离。仿真和实验结果表明该方法是有效的。     

一种改进的盲解卷积算法在轴承声学诊断中的应用

针对时域盲解卷积算法滤波器长度估计困难的缺点,提出一种基于遗传算法优化的改进算法。该算法利用遗传算法搜索最佳时延,解决了盲解卷积结果不确定问题,并改进了信号分量的聚类指标,采用峭度作为独立分量间距离测度,提高了信号分量聚类的准确性,获得了可靠的估计信号。计算机仿真和实际环境中故障轴承声信号提取实验验证了该算法的有效性。     

一种强干扰下超弱水声信号自适应盲分离的快速算法

许多盲源分离算法对超弱信号收敛速度变慢甚至失效。文章提出一种算法 ,用FASTICA算法所得的分离矩阵作为一种基于输出去相关自适应盲分离算法的初始值 ,算法的收敛速度得到明显改善。算法的学习速率通过一种自适应算法选取 ,从而降低了算法收敛速度对学习步长的依赖。仿真结果表明 ,文中提出的算法对超弱信号特别有效 ,算法收敛速度大大增强。该算法可以用于分离强干扰下的弱水声信号     

基于噪声水平自适应估计的往复压缩机振动信号局部投影降噪方法

局部投影降噪算法在其应用过程中,邻域的选择对降噪效果有较大影响。提出了改进算法以解决传统算法中邻域难以选取的问题。该方法利用小波包分解技术,依据频带能量的差异将原始信号分解为噪声频带和系统信号频带,将噪声频带能量占原始信号能量的比值估计为噪声水平。在一定程度内逐步增加分解层数,直至该噪声水平收敛。根据收敛时的噪声水平估计相空间中相点的邻域半径,此外利用该噪声水平可实现对原始信号的盲信噪比估计。对含噪的Lorenz和Rossler序列进行数值仿真,结果表明该方法的降噪效果优于一些传统方法和基于定量递归分析的局部投影降噪算法。对实测往复压缩机振动信号的降噪研究,进一步表明了该方法的有效性。     

基于Littlewood-Paley小波支持向量机的故障诊断

提出一种基于Littlewood-Paley小波支持向量机(LPWSVM)的旋转机械故障诊断模型。首先将故障信号EMD分解为平稳IMF分量,再选择表征故障调制特征的IMF分量并构造瞬时幅值Shannon熵作为故障特征矢量输入到LPWSVM中进行故障识别。EMD分解可自适应分离故障调制信号;瞬时幅值Shannon熵矢量的不同拉大了各类故障的互异性;Littlewood-Paley小波核是一种具有平移正交性的多维允许支持向量核函数,可以其正交性逼近二次可积空间上的任意函数,具有良好的非线性映射能力,因而LPWSVM在同等条件下比一般最小二乘支持向量机的学习精度和自适应识别能力要高,更适用于故障诊断等复杂模式识别问题。一个滚动轴承故障诊断实例说明该模型的有效性。     

基于改进形态-小波阈值降噪的轴承复合故障声学诊断

现场采集的滚动轴承复合故障声学信号存在噪声来源复杂、背景噪声强、非线性等特点,导致已知的自适应多尺度形态滤波不能很好的适用于轴承复合故障的盲分离。针对上述问题,提出一种基于改进的自适应多尺度多结构形态滤波(IAMSCMF)、改进的小波阈值降噪方法(IWTDM)和稀疏量分析(SCA)相结合的滚动轴承复合故障特征盲提取方法。首先利用IAMSCMF和IWTDM构造滤波器进行滤波及提高信噪比(SNR);其次利用SCA分离信号;最后用FFT进行频谱分析。仿真分析和滚动轴承现场采集声学信号分析结果均清晰的提取出了轴承故障特征,验证了算法的有效性。     

基于盲分离技术的双目标辨识与定位方法研究

研究了利用盲分离技术对水下目标辐射噪声信号进行辨识和定位，指出了在水声信号盲分离过程中。自然梯度算法具有不稳定收敛的不足，通过构建新的非线性函数和学习因子等。提出了自然梯度算法的改进方法，经实船信号的盲分离实验表明．该算法在稳定性方面有改进。在对目标信号盲分离的同时。估计了目标信号到达基阵的时延，完成了双目标的辨识与定位。     

一种基于阶比域的AR模型盲辨识算法

摘要：结合阶比分析和现有时序模型盲辨识方法各自的优点,提出了一种基于阶比域的AR模型盲辨识算法。该方法是将时域采样所得的非稳态信号按等角度重采样,从而得到阶域中的稳定信号,对其建立AR模型进行盲辨识。该方法继承了现有的时序模型盲辨识方法的所有优点,同时克服了现有时序模型盲辨识方法在处理非平稳信号的不足。仿真结果表明,该方法是有效的,可很好地处理非平稳信号。     

基于核典型相关分析的非线性相关源盲分离方法研究

针对传统的相关源盲分离方法的不足,提出了一种基于核典型相关分析的非线性相关源盲分离方法。该方法是利用了核方法来处理数据之间的非线性问题,同时还利用信号源之间的相关性来进行分离。提出的方法与传统的相关源盲分离方法进行对比分析。仿真结果表明,提出的方法明显优于传统的相关源盲分离方法,并从分离性能指标上得到了充分的反映。最后,将该方法应用到转子不对中和碰摩故障的盲分离中,实验结果进一步验证了该方法的有效性。     

基于二阶盲辨识的双跨转子故障信号分离研究

将盲分离理论应用于消噪处理,其关键是分离噪声,因此在分离噪声时不损失有效信号,为消噪处理提供了一种新方法。提出了一种基于二阶盲辨识的去除干扰的自提取方法,在原有的自提取算法中引入了梯度变化率的概念,有效降低了噪声。通过仿真和对实际转子振动数据的处理表明,这种算法有效地遏制了噪声,提高采样数据的准确性。     

基于多个时间点联合解相关的卷积盲源分离

实际信号的混合均为卷积混合,且信号是非平稳的。盲源分离的目标就是找到一组分离滤波器,使得源信号的估计信号互相统计独立。结合信号的非平稳性,利用二阶解相关原理,文章阐明了一种在频域实现卷积混合的盲源分离算法,并且考虑了噪声对分离性能的影响。为了避免频点排列次序的不确定性,利用了多阶段盲源分离思想。利用该算法,对两路混合的实录水声信号进行盲分离,得到了两路源信号的估计信号,通过对估计信号的分析,利用信噪比提高率这一标准,验证了该算法的有效性。该算法收敛速度快,精度高,可用于浅海环境下实录水声混合信号的盲分离。     

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.     

Approach to blind image deconvolution by multiscale subband decomposition and independent component analysis

A single-frame multichannel blind image deconvolution technique has been formulated recently as a blind source separation problem solved by independent component analysis (ICA). The attractive feature of this approach is that neither origin nor size of the spatially invariant blurring kernel has to be known. To enhance the statistical independence among the hidden variables, we employ multiscale analysis implemented by wavelet packets and use mutual information to locate a subband with the least dependent components, where the basis matrix is learned by means of standard ICA. We show that the proposed algorithm is capable of performing blind deconvolution of nonstationary signals that are not independent and identically distributed processes. The image poses these properties. The algorithm is tested on experimental data and compared with state-of-the-art single-frame blind image deconvolution algorithms. Our good experimental results demonstrate the viability of the proposed concept.     

用慢特征分析算法实现水声信号盲分离

在常规的水声信号盲处理研究中,通常都是用独立成分分析算法分离线性混合信号,而对于较复杂的非线性混合信号,独立成分分析算法无能为力。针对这种情况,提出将慢特征分析(Slow Feature Analysis,SFA)算法应用于水声信号非线性盲源分离领域。一般而言,对源信号做非线性混合变换后输出混合信号较源信号变化较快,而采用SFA算法可以从复杂的非线性混合信号中提取出变化缓慢的信号,通过仿真实验,分别对简单信号和复杂水声信号的非线性混合信号进行分离,通过将源信号与分离信号对比,发现SFA算法输出信号与源信号高度相似,验证了SFA算法在非线性盲源分离领域应用的有效性和可行性。     

基于声压幅度比的多声源分离定位决策研究

利用声压幅度比模型,提出了一种基于声压幅度比的多声源分离定位方法,该方法利用盲信号分离算法实现混合声源信号的分离,根据谱估计的相似度确定接收信号中各声源的分配情况,结合幅度差异因子获得传感器的声源信号分布,再通过单声源的声压幅度比模型确定声源位置,实现多声源定位。由于盲信号分离算法比较成熟,且实际中的声源信号大多为非高斯,因而满足盲信号分离条件。该方法具有实用强、应用性广等特点,对其它分离、定位问题也有借鉴作用。     

一种改进的波达方向盲估计算法

文章在一种基于盲分离技术的波达方向估计算法的基础上,提出了一种改进算法。通过对改进算法和原算法在角度估计性能的一系列比较,证明这种改进的算法在角度估计性能的很多方面都要优于原算法,仿真实验和水池实验验证了这一点。