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.     

基于EMD和CICA的单通道盲源分离方法用于齿轮箱混合故障诊断研究

针对传统的独立分量分析难以解决齿轮箱混合故障诊断中存在的欠定盲分离问题,提出了基于EMD和CICA(约束独立分量分析)的单通道盲源分离方法。通过单通道加速度传感器采集齿轮箱混合故障信号,对其进行EMD分解以实现降噪及单通道扩展,采用基于白噪声统计特性和峭度值结合的方法选取有效的IMF分量,将其作为盲源分离的输入信号,通过CICA方法提取目标振动信号,识别故障特征。通过对齿轮箱轴承与齿轮混合故障的仿真及实验研究,验证了该方法的有效性和可行性。     

基于粒子群算法优化的独立分量分析算法

通过两组模拟信号对三种主流独立分量分析算法-JADE、FastICA、扩展Infomax算法的性能进行了对比分析,结果表明三种算法均无法完全分离超高斯源与亚高斯源形成的混合信号,FastICA算法对能量强弱差别大的混合信号失效。基于这一现象,提出了一种新的独立分量分析算法,以粒子群算法为优化工具,以分离矩阵为优化变量,最小化分离信号联合概率与边缘概率乘积的差值,并给出了具体的计算流程。仿真实验结果表明,该算法的性能显著优于上述三种独立分量分析算法。同时,新提出算法实施过程中不需要任何先验知识,相比其他三种ICA算法,更适合解决工程实际问题。最后,将该算法应用于对滚动轴承实验台实测信号的处理,通过对分离信号的分析实现了对滚动轴承故障类型的准确识别,进一步证明了算法的有效性。     

基于DSS和FSWT的欠定信号识别方法研究

针对旋转机械信号分析时产生的欠定信号盲源分离问题,建立了一种基于频率切片小波变换(Frequency Slice Wavelet Transformation,FSWT)和去噪源分离(Denoising Source Separation,DSS)的欠定信号分析方法(FSWT-DSS),首先通过FSWT反变换重构出新的混合信号,有效解决欠定盲分离维数不足的问题,再应用DSS分离得到源信号,解决了欠定盲分离问题,同时解决了单独应用FSWT时进行时频分析的不足。算法仿真和应用实例验证了FSWT-DSS方法在实测故障信号分析中的有效性。     

基于新概率密度函数的ICA盲源分离

基于独立分量分析(Independent Component Analysis,ICA),利用极大似然估计法,研究了超高斯和亚高斯的混合信号的盲源分离(Blind Sources Separation,BSS)问题.文中构造了一种新的、不同于以往文章中用来分离混合信号的概率密度函数(Probability Density Function,PDF).新构造的PDF无需改变函数中的参数值,可用来对于超高斯和亚高斯信号的概率密度进行估计(假设未知源信号是相互独立的).数值实验验证了新构造的PDF的可行性,与原算法相比,收敛时间和分离效果都得到了较大的改善.     

一种功能增强的信号源盲分离新算法

提出了一种新的信号源盲分离算法，该算法不仅能够有效地求解源信号中同时存在超高斯信号和亚高斯信号的杂系混合（hybrid mixture)的信号源盲分离问题，而且能够准确地估计未知信号源的数目，因而具有比一般盲分离算法更广得多的应用范围，对于杂系混合盲分离问题，一般的盲分离算法往往不能求解，现有的绝大多数盲分离算法总是假设信号源的数目是已知的，这在多数背景下是不适用的，从而大大限制了信号源盲分离这一信号处理方法的实际应用范围，通过利用概密度函数估计的核函数法对信号源盲分离算法中的评价函数（score function)直接进行估计，并利用混合信号样本自相关矩阵的秩数与未知信号源数目的内在联系，使这两个关键性的问题在所提出的盲分离新算法中都得到了非常成功地解决，算例证实了算法的有效性。     

基于改进频域压缩感知的轴承复合故障欠定盲提取

针对旋转机械复合故障频域盲提取算法的不足,为提高欠定盲提取分离结果精度,提出基于多尺寸多结构元素的闭-开组合形态滤波、遗传模拟退火聚类及频域压缩感知重构算法相结合的(C-OACMF-GASA-CS)故障特征欠定盲提取方法。利用形态滤波滤除背景噪声及提取冲击信号;利用遗传模拟退火算法估计混合矩阵;用估计矩阵重构传感矩阵,并用正交匹配追踪基频域压缩感知重构分离信号。实验仿真及双通道滚动轴承故障加速度振动信号分析结果表明,该方法能有效分离提取滚动轴承故障特征。     

基于EMMD的欠定旋转机械振动信号盲源分离

传统盲源分离算法通常基于观测信号数不小于源信号数的假设, 当观测信号数小于源信号数时, 盲源分离效果较差, 而欠定的甚至单通道信号的盲源分离问题普遍存在于旋转机械中, 针对该问题, 提出一种基于极值域均值分解的欠定旋转机械振动信号盲源分离算法。首先把欠定的观测信号进行极值域均值分解得到一系列本征模函数, 将欠定观测信号和其本征模函数组成多维信号, 作为新的观测信号实现升维;然后利用奇异值分解和贝叶斯准则进行源数估计, 最后利用基于四阶累积量的特征矩阵联合对角化方法实现信号的盲分离。仿真结果表明, 该方法能够有效地解决欠定观测信号的盲源分离问题。     

基于FSDPC_Otsu算法的滚动轴承故障研究

针对振动源数未知且观测信号小于振动源数量的欠定盲源问题,提出一种改进快速寻找密度峰值聚类(FSDPC)的方法。首先将混合信号投影到多维空间上并计算每点的密度值,在此基础上利用最大类间方差法(Otsu)对点密度进行阈值分割,去除干扰点对聚类准确率的影响;然后根据数据的密度峰值确定聚类中心,估计混合矩阵;最后通过L1范数最小化对混合信号进行分离并进行包络谱分析,实现轴承故障诊断。FSDPC_Otsu方法可在源数和聚类中心初值未知的条件下估计混合矩阵,且保证混合矩阵精度。实验结果表明,应用FSDPC_Otsu方法的稀疏成分分析能够对轴承多故障信号进行欠定盲分离,进而实现故障识别与诊断。     

基于EMD的高压燃气管道泄漏信号欠定盲分离方法

为能将城市高压燃气管道泄漏产生的应力波信号中混有多种干扰振动及噪声的有效泄漏信号与多源混合振动信号分离,提出基于EMD的泄漏信号欠定盲分离方法。对传感器采集的混合信号进行经验模态分解;对各固有模态函数归一化峭度特征进行分析,选取含主要泄漏信息的固有模态函数进行重构;构造由重构信号及观测信号组成的矩阵,用扩展联合对角化算法实现信号分离,以解决欠定情况下的盲分离问题。实验结果表明该方法能较好实现有效泄漏信号的提取。     

延伸奇异值分解包及其在高速列车轮对轴承故障诊断中的应用

结合多分辨奇异值分解包的分解结构和对滚动轴承故障信号的Hankel矩阵的奇异值分布特性研究,提出了延伸奇异值分解包。该算法的核心包括矩阵递推构造和矩阵重构。以分量信号能量为指标,提出了有效分量信号的筛选准则,并基于该准则,进一步提出了延伸奇异值分解包的快速算法。仿真结果表明,延伸奇异值分解包对信号中共振频带分量信号具有很好的分解能力,方法具有强鲁棒性,同时极大地改善了奇异值分解包中出现的模态混叠。应用高速列车轮对轴承试验数据对该方法进行试验验证,结果表明,该方法能有效分离高速列车轮对轴承复合故障信号的不同共振频带信号,对筛选的有效分量信号进行包络分析,可有效提取不同类型的故障特征频率及其谐波,对共振频带的聚集性和故障的表征力相比奇异值分解包均有显著提高。     

基于信息融合与FastICA的轴承故障提取方法

针对振动传感器监测信号易受噪声干扰的问题,提出一种基于FastICA算法与信息融合的轴承故障诊断方法。算法对各通道测得的信号采用FastICA算法进行降噪处理,采用自适应线性加权算法对降噪后信号进行数据层信息融合,最后基于谱峭度指标设计自适应带通滤波器,进行特征提取。此方法解决了低信噪比条件下的轴承故障特征提取问题。使用了仿真和实验轴承故障信号验证了算法的有效性。     

基于独立分量分析的高速微铣削力混合信号噪声分离方法

为得到高速微铣削力的真实信号,并且准确识别各激励源,对微铣削力混合信号分离和识别技术进行研究。首先对铣削力混合信号矩阵进行预处理,利用对预处理结果的独立成分分析(ICA)分离得到独立源信号矩阵,再通过快速傅里叶变换(FFT)得到独立源信号的频谱,最后分析并结合实验工况识别出微铣削力信号、机械噪声信号和环境噪声信号。实验结果表明:该方法具有同时分离非高斯性的机械噪声信号和高斯性的环境噪声信号的优点,可以弥补传统方法只能抑制高斯噪声信号的不足。     

基于广义形态分量分析的降噪技术研究

针对强噪声环境中有用信号提取的难题,提出了基于广义形态分量分析的降噪方法。通过引入虚拟观测信号,将一维观测信号扩展为多维虚拟观测信号,再通过广义形态分量分析,实现观测信号的盲源分离,从而达到降噪的目的。通过仿真信号和齿轮磨损故障振动实验信号的研究结果表明：广义形态分量分析技术能有效分离强背景噪声中的微弱信号,有效提取故障特征,其降噪性能优于传统的独立分量分析。     

Cutting force denoising in micro-milling tool condition monitoring

An independent component analysis (ICA) algorithm for cutting force denoising was applied in micro-milling tool condition monitoring. In micro-milling, the comparatively small cutting force signal is prone to contamination by relatively large noise, and as a result it is important to denoise the force signal before further processing it. However, the traditional denoising methods, based on Gaussian noise assumption, lose here because the noise is identified as containing a high non-Gaussian component in the experiment. ICA was recently developed to deal with the blind source separation (BSS) problem. It solves the BSS problem by measuring the non-Gaussianity of the signal and it is particularly effective in the separation of non-Gaussian signals. This approach employs fixed-point ICA (FastICA), assuming the noises are sources and the force signal is an instantaneous mixture of sources and by treating the signal denoising process as a BSS. The results are illustrated both in time and frequency domains. The FastICA denoising performances are compared with the popular wavelet thresholding. The results show that FastICA performs better than wavelet. Theoretical discussion of the nature of ICA and wavelet thresholding supports the results: ICA separates both Gaussian and non-Gaussian noise sources, while wavelet only suppresses Gaussian noise.     

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。     

基于稀疏AR建模信号去噪研究与应用

为去掉在不同环境、设备下所采集信号中的不同分布形态噪声,引入稀疏优化求解思路构建新的去噪算法。设信号的AR模型系数是稀疏的,且噪声对AR模型系数影响均衡分布,则可用采集的含噪声信号构建稀疏AR模型有效消除噪声。用含噪声信号构建AR系数矩阵作为过完备稀疏基,通过多次重复随机抽取方式获得多个欠定方程组;利用稀疏优化求解算法获取AR模型稀疏系数;据稀疏系数平均值重构信号。仿真实验表明,信号含噪声较大时该算法较经典小波及中值滤波去噪效果更好。     

独立分量分析及其在故障诊断中的应用

独立分量分析是盲源分离的一种新方法，其处理的对象是相互统计独立的信号源经线性组合而产生的一组混合信号，最终目的是从混合信号中分离出各独立的信号分量。本简要介绍了独立分量分析的基本思想及算法，并对现场采集到的多组振动信号进行了分析，结果表明，独立分量分析在对混合信号进行盲分离方面具有很强的能力，从而为机械设备状态监测与故障诊断提供了一种行之有效的信号预处理的新方法。