一种新的相关机械振源盲分离方法

针对传统盲源分离算法在机械振源不满足统计独立特性时,无法有效分离出振源信号的问题,提出了基于信号稀疏特性的相关机械源盲分离方法。盲源分离算法的关键在于准确地估计出混合矩阵。因此,首先提出了不相关源混合矩阵的估计方法;然后针对相关源,提出了有效剔除相关成分的方法,使得剩余信号可以按照不相关源进行处理。通过理论分析、仿真验证以及实测数据分析,验证了该方法的有效性。     

融合盲源分离的船舶耦合振源传递路径分析技术研究

为解决工况传递路径分析(OTPA)方法面临的核心问题,提升OTPA方法应用范围和工程实用性,提出一种融合盲源分离的传递路径分析技术。首先,结合舱段模型振动试验,深度剖析OTPA方法面临的振源交叉耦合和遗漏振源无法识别等问题;然后,将盲源分离(BSS)技术和OTPA方法进行集成、融合:引入经验模态分解(EMD)-特征值分解的源数估计方法定量估计振源个数,指导振源输入测点的选取;视多个振源信号为卷积混叠,引入非正交联合块对角化方法进行耦合振动源的分离;在解决分离振源排序不确定性的前提下,将分离出的振源作为OTPA方法的输入振源,建立应用限制条件少的BSS-OTPA模型;最后,开展实船海上振动声辐射试验,利用BSS-OTPA模型成功实现了船舶机械振动噪声源的量化、识别。研究成果可直接支持船舶机械设备振动源辐射声场预报和振动噪声控制。     

水下耦合机械噪声源的量化识别及试验

目前水下机械噪声源及其传递路径识别效果较难。为此,将盲源分离算法和传递路径分析方法融合和集成。视多振源信号为卷积混叠,结合LU分解,提出一种新的非正交联合块对角化方法进行耦合振动源的分离。将分离振源作为工况传递路径分析方法的输入振源,建立水下机械振动噪声源识别算法,并对潜艇舱段模型的水下振动-声辐射试验对算法进行验证。结果表明,与现存方法相比,该盲源分离算法具有易实现、收敛速度快、精度高等优点;所集成的源识别算法在水下声场预报和振源贡献量排序中的性能均优于振源耦合时的结果,与实际情况吻合好,达到了高效、准确地识别机械噪声源的目的。     

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。     

相关机械振源的盲源分离方法

相关源不满足独立分量分析关于源的统计独立性假设,标准的独立分量分析方法无法准确分离相关机械振源信号。在相关振源信号的部分频带满足统计独立的假设前提下,提出了一种基于小波包分解的相关机械源盲源分离方法。该方法将观测信号用小波包分解成子带观测信号,根据互信息标准选择相关性较小的若干子带观测信号重构观测信号。通过重构的观测信号的独立分量分析估计分离矩阵,然后用该矩阵分离原始观测信号从而实现相关机械振源信号的分离。仿真试验验证了该方法的有效性。     

基于独立分量分析的爆破振动信号分离仿真试验

爆破振动信号分析是研究爆破振动特性的重要手段,而实测爆破振动信号往往是多个振源信号的叠加信号,分离出每个振源或特定振源的振动信号对于其振动特性的研究具有重要意义。选取实测的爆破振动信号,进行线性混合得到混合信号,利用独立分量分析(ICA)对混合信号进行分离,获取了与源信号波形基本一致的分离信号,仿真试验表明ICA适合爆破振动信号的分离。     

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EEMD子带提取相关机械振动信号单通道盲源分离

针对传统独立分量分析难以解决机械故障诊断中存在的相关源信号盲分离、欠定盲分离等问题,在相关振源信号部分子带满足统计独立的假设前提下,提出基于总体经验模态分解子带提取相关机械源单通道盲源分离方法。该方法将单通道观测信号进行总体经验模态分解获得到子带观测信号,将单通道信号及子带观测信号组成新的多维信号,利用奇异值分解及贝叶斯准则估计源信号数目;据互信息标准与源信号数目选若干独立性较强的子带观测信号重构,实现信号升维;对重构的观测信号进行白化预处理及联合近似对角化,获得源信号估计。并仿真、实验验证该方法在机械故障诊断中的有效性。     

应用JADE盲分离算法分离统计相关源

在一些如故障诊断等复杂的应用系统中，不相关源与相关源往往以相互混合方式同时存在于传感观测中。由于相关源不满足盲源离理论有关源的统计独立性前提假设，因此现有的盲源分离算法如基于矩阵联合对角化的算法等，无法从混有相关源的传感观测中准确分离源信号(不相关源信号和相关源信号)。本文在基于矩阵联合对角化的盲分离算法的基础上，提出通过对其源估计进行修正的相关源分离算法。理论分析和仿真结果表明：修正后的基于矩阵联合对角化的盲分离算法，能有效地分离包含相关源的混合观测信号。     

基于自相关降噪的混叠转子振动信号分离

航空发动机在运行过程中,传感器测得的振动信号是各振源的混叠信号,且含有很强的噪声。常规的信号处理方法难以分离混叠信号,对机器的健康监测和故障诊断造成了很大的困难。介绍了盲源分离基本原理和方法,指出盲源分离算法在强噪声环境下失效。针对强噪声环境下的混叠振动信号,提出首先通过时延自相关降噪方法对振动信号进行降噪,然后通过盲源分离算法对降噪后的信号分离。仿真结果验证了提出方法的有效性。最后,利用该方法对实测混叠转子振动信号成功实现了降噪和盲分离,为噪声环境下的混叠信号分离提供了一种新的方法。     

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。     

振动噪声信号分离优化算法研究

机械振动信号中混杂的背景噪声对信号的分析处理以及振动结构的建模有很大影响,在独立分量分析（ICA）理论研究的基础上,以信息论中的最小化互信息准则作为ICA的判据,提出了一种基于负熵的FastICA共轭梯度快速算法。该算法计算效率高,收敛性能好;适合对初始点不敏感和对鲁棒性有要求的信号处理。实验结果表明了对振动信号的背景噪声分离具有较好的效果。     

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。     

基于凸包优化的盲源分离在图像去噪中的研究

目的针对高斯-脉冲混合噪声图像中难以有效去除大量奇异点或离群数据的问题,提出一种基于凸包优化的盲源分离方法来去除图像中的混合噪声。方法该方法把混合噪声和原图均看作未知的源信号,依据噪声图像中混合噪声与原图内容的加性关系建立盲源分离的模型,并利用凸包优化的方法构建源信号(凸包极点)的仿射包,然后通过最小化仿射包到凸包(噪声图像)上的投影误差,求解混合噪声和原图2个源信号,实现去噪混合噪声、复原原图的目的。结果实验结果发现,无论高斯-脉冲混合噪声强弱,该方法去噪复原后的峰值信噪比和平均结构相似性分别在39.9129 d B和0.9以上。结论由实验数据证实该方法可有效地从盲源分离的角度去除图像中高斯-脉冲混合噪声、复原原始图像。     

基于盲源分离去噪和HHT的旋转机械故障诊断

在利用Hilbert-Huang变换对旋转机械的故障信号进行特征提取时,传感器所获得的信号往往受到不同类型的噪声干扰,而忽略噪声的影响常常产生很差的分析效果。为克服此不足,结合盲源分离,提出了一种解决HHT分析中模态裂解现象的方法,即基于快速独立分量分析消噪的HHT分析方法。仿真与实例结果表明,该方法能有效抑制HHT过程中的模态裂解现象,有效提取信号的特征频率,进而实现旋转机械故障诊断。     

融合经验模态分解与时频分析的单通道振动信号分离研究

通过单通道振动信号分离研究探讨机械振动源信号提取问题。采用集合经验模态分解方法将单通道信号构造成多通道信号,再通过主分量分析方法得到多通道构造信号的特征值分布情况并以此进行源信号数目估计,进而利用基于时频分析的盲源分离技术获取振动源信号。实验表明,该方法能有效实现单通道振动信号分离,具有较强实际应用价值。     

多输入多输出混合振动试验中正弦与随机信号分离方法

研究了多输入多输出正弦加随机混合振动试验的控制方法,指出混合信号中正弦信号和随机信号的精确分离是提高控制精度的关键因素。提出了具有滤波特性的不相关积分法在时域中识别正弦信号,避免了频域识别的泄露误差问题,详细地推导了将给定频率的正弦信号从混合信号中分离出来的公式;数值计算显示该方法的识别精度达到0.44%。以一悬臂梁作为研究对象建立两输入两输出振动试验系统模型,使用比例均方根控制算法和正弦幅值修正法分别对随机振动和正弦振动进行修正,将随机信号控制在参考谱的±3dB以内,将正弦信号的幅值控制在参考值的±10%以内,满足振动试验要求。     

基于R-TPBSS的结构模态参数识别方法

提出了一种基于R-TPBSS算法的结构模态参数识别方法。该方法通过对响应信号进行稳健性白化处理,提高了算法的抗噪性。该方法将模态坐标和模态振型分别视为独立源信号和混合矩阵,以模态坐标的时间预测性大于响应信号的时间预测性为前提构造目标函数,通过优化目标函数,直接从结构自由响应中分离出各个模态,配合单点模态参数识别方法,提取出结构的模态参数。仿真结果表明,此方法具有很高的识别精度,对噪声很好的鲁棒性,密集模态下,同样能够准确的识别出结构的模态参数。