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BSS的含噪声机械振动信号分离研究

水下航行器的噪声源识别面临的两个问题(:1)无法获得振源信号(,2)测得振动信号有环境噪声影响且振源之间相互耦合。将环境噪声作为一个独立的噪声源,给出瞬时混合信号的盲源分离(BSS)数学模型;利用基于二阶统计特性的两次去相关盲源分离算法,对机械振动加白噪声的混合信号和水池试验实测混合信号进行分离;通过试验验证两次去相关盲源分离方法可以用来解决上述问题。     

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。     

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。     

基于改进字典学习的单通道振动信号盲源分离算法

单一传感器采集到的机械信号可能是多个激振源的叠加,难以进行有效分离。针对单通道盲源分离问题提出了基于改进字典学习的单通道振动信号盲源分离算法。首先利用移不变字典学习算法学习信号中的移不变基函数,重构基函数得到反映信号时频域特征的移不变分量,然后利用自适应模糊C均值聚类算法及局部最大值检测算法对得到的各个移不变分量的包络谱提取关键点并聚类,最后将聚类后的移不变分量进行叠加得到源信号的估计。仿真数据的实验表明,算法在噪声环境下具有一定的鲁棒性,同时将该算法应用到实测某型直升机振动信号分离中,进一步验证了该算法的实际价值。     

基于平面聚类势函数法的欠定混合信号盲分离

针对不充分稀疏欠定混合信号盲分离,提出了一种基于超平面聚类的势函数法来估计源信号个数和混合矩阵。该方法在源信号个数未知的情况下,利用聚类平面法线向量构成势函数,通过估计势函数的局部最大值来估计聚类平面的法线向量,然后再通过估计聚类平面的交线来实现混合矩阵的估计。为了提高算法对异常值的鲁棒性,不直接估计势函数的局部最大值,而是采用聚类算法来估计势函数的局部最大值。计算机仿真试验证实了该算法的有效性及其较好的性能。     

基于相似性函数的稀疏成分分析混合矩阵估计方法

稀疏成分分析是信号处理中解决欠定盲源分离问题的新方法,本文研究了稀疏成分分析中的混合矩阵估计问题,提出了无需预知源个数利用一种相似性函数估计混合矩阵的方法。首先,估计相似性函数中的核参数,使得算法适应不同的稀疏信号。然后,给出了估计混合矩阵的不动点算法。最后,实验结果表明提出的算法通过适当地选取参数,能够准确有效地估计出具有不同源个数的混合矩阵,对不太稀疏的源也有令人满意的结果。     

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。     

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。     

基于低秩约束的旋转机械内激励激发的振源信号分离研究EI北大核心CSCD

随着机械设备向自动化程度更高的方向发展,机械系统变得更加复杂,给基于振动的健康监测带来了巨大的挑战。振源信号分离对于机械系统的噪声控制、准确的状态监测及故障诊断具有重要意义。现有的方法中的关键之一是要已知振源信号的统计特性、源的个数等。但这些有效的特征在工程应用中很难获得。对旋转机械和往复式机械的工作特性进行了分析,发现内部激励激发的信号具有低秩性。并建立了低秩噪声分离模型,提出了一种多低秩约束的振源信号分离方法。仿真信号和试验信号验证了该方法的有效性。与基于独立分量分析的盲源分离(BSS-ICA)方法相比,该方法分离后的振源信号具有更好的分类效果和更低的噪声。     

机械振源数估计的四线性平行因子方法研究

针对三线性平行因子模型在机械振源数盲估计方法中存在的不足,即由于维度的限制只能对振动信号的部分信息建模,信号中的时间序列信息被忽略。将三线性平行因子的机械振源数估计方法扩展至四维,提出一种基于四线性平行因子的机械振源数估计方法。所提出的方法中,在三维的基础上增加了第四个维度(时间维),利用四线性交替最小二乘法迭代更新载荷矩阵,用核一致诊断法估计振源数。提出的方法既继承了三线性平行因子的独特优势,同时,又包含了更完整的振动信号的信息。相比三线性平行因子机械振源数估计方法,同组分数条件下四线性平行因子比三线性平行因子得到的核一致值更高,估计更加准确。仿真结果表明,提出的方法优于三线性平行因子机械振源数估计方法。实验结果进一步验证了提出的方法的有效性。     

基于改进的二阶统计量盲分离研究

利用二阶统计量(不同时延相关矩阵)的非平稳性和信号时序结构特征,能简单估计出线性瞬时混合的盲源信号。但随时延 增大,仅利用某一个时延协方差均衡化,忽略了信号的时间变化特性,很难保证算法的性能。本文通过分析矩阵的平均特征,提出了一种改进的基于二阶统计量盲源分离算法,对一组均衡化的时延相关函数进行等时延分段,并对等间隔段的两个时延矩阵分别求取均值,采用类似联合近似对角化,估计出最优化的酉矩阵,最终得到信源的稳健估计。性能指标分析和仿真实验证明,本文算法很好地解决了原算法的不足,并成功分离出信号。     

多分量调频信号源混合相交非正交联合对角化盲分离EI北大核心CSCD

针对多分量调频信号源混合相交时频分布盲分离,提出白化-均匀加权非正交联合对角化(Whitening-Uniformly Weighted Exhaustive Diagonalization using Gauss iteration,简称W-UWEDGE)方法估计混合矩阵。白化对相关信号去冗余处理,无需约束源信号概率密度形式,仅限制源之间整个时频面上无完全重合成分,非正交联合对角化则针对复数域。首先将非正交联合对角化可辨识性从时延平面推广至二次型时频平面,然后利用基于白化处理的梯度范数选择自项时频点(auto-time frequency point),进而利用均匀加权近似联合对角化方法估计混合矩阵,分析Amari error值随信噪比及时频矩阵个数的变化规律,与针对混合信号时间历程及时频分布的两类分离方法进行性能比较,显示出所提盲分离方法的优越性。最后应用于转子运行状态识别与齿轮复合故障源分离。仿真与实验数据分析表明所提出方法分离多分量调频相关源的有效性。     

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.     

改进的二阶统计量盲分离算法

利用二阶统计量(不同时延相关矩阵)的非平稳性和信号时序结构特征,能简单估计出线性瞬时混合的盲源信号。但随时延[τ]增大,仅利用某一个时延协方差均衡化,忽略了信号的时间变化特性,很难保证算法的性能。通过分析矩阵的平均特征,提出一种改进的基于二阶统计量盲源分离算法,对一组均衡化的时延相关函数进行等时延分段,并对等间隔段的两个时延矩阵分别求取均值,采用类似联合近似对角化,估计出最优化的酉矩阵,最终得到信源的稳健估计。性能指标分析和仿真实验证明,算法很好地解决原算法的不足,并成功分离出信号。     

基于牛顿迭代盲源分离方法的磨床故障诊断

磨床的振动信号是由多个振动源混合而成的复杂信号,利用盲源分离技术分离混合信号成为各个振动源的单独信号能更准确的实现设备的状态监控和故障诊断。基于峭度的不动点迭代法是一种常用的盲源分离方法,但存在分离矩阵难以收敛,分离效果不稳定的问题。论文在峭度最大化的理论基础上,提出基于牛顿迭代算法的振动信号盲源分离方法。通过模拟振动信号实验,当分离矩阵的迭代步数仅为不动点迭代法的1/500时,本算法就完成了分离过程,并且分离效果更佳。对数控磨床实际振动信号的分离实验,得到了和计算结果相同的磨床运行参数,进一步验证了本文方法可以较好的应用于工程实际中。