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.     

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。     

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。     

最大相关峭度解卷积结合稀疏编码收缩的齿轮微弱故障特征提取

针对强背景噪声环境下齿轮早期故障诊断问题,提出了最大相关峭度解卷积结合稀疏编码收缩的微弱故障特征提取方法。由于最大相关峭度解卷积算法的处理结果同时受滤波器长度参数及解卷积周期参数的影响,为自适应地实现最佳的解卷积效果,利用粒子群算法优良的寻优特性,对最大相关峭度解卷积算法的最佳影响参数组合进行搜索。原故障信号经影响参数优化的最大相关峭度解卷积算法处理后,冲击特征会明显增强,为剔除剩余噪声,对所获解卷积信号做进一步稀疏编码收缩降噪处理,并通过分析降噪信号的包络谱来识别故障特征频率成分。实例分析结果验证了该方法的有效性和可靠性。     

基于盲解卷积的柴油机振动信号分离研究

基于振动信号分析的故障诊断方法依赖于机械状态特征的有效提取,盲源分离能够从复杂的信号中分离出源信号,是一种有效的特征提取手段。建立的多通道盲解卷积模型和机械系统的振动模型表明了两个模型的一致性,理论上证明了盲解卷积用于机械振动信号分离的可行性。利用MBLMS算法进行实测柴油机振动信号的分离实验,成功分离出了活塞撞击、燃烧和进气阀关闭信号,试验结果证明了盲解卷积能够有效分离柴油机振动信号。     

卷积混合语音的联合块对角化盲源分离算法

针对语音卷积混合模型,提出了一种新的时域盲源分离算法。首先对观测信号进行重新排列,将卷积混合盲分离问题转化为瞬时混合盲分离问题,然后对联合近似对角化算法进行了推广,利用语音的非平稳和短时平稳特征定义联合差分相关矩阵和联合块对角化代价函数,通过鲁棒的白化过程和求解最优化问题实现卷积语音的盲分离。由于避免了时域卷积运算和变换域处理,使算法更加简单,复杂度更低。仿真结果验证了该算法的有效性,同时,就数据长度参数变化对信干比的影响,以及通过与基于线性预测的卷积盲分离算法和自然梯度卷积盲分离算法的比较对该算法的性能做了进一步的分析。     

基于参数优化的MCKD的滚动轴承早期故障诊断

针对滚动轴承早期故障被淹没在噪声信号下特征信号微弱,故障特征难以提取的问题,将最大相关峭度解卷积(maximum correlated kurtosis deconvolution,MCKD)应用于滚动轴承早期故障诊断。并针对MCKD参数滤波器长度及移位数需人为选择的问题,提出一种基于参数优化的最大相关峭度解卷积的滚动轴承早期故障诊断方法。首先,针对轴承工作的实际工况讨论了最优移位数;然后,以经解卷积后信号的形态能量熵作为评价函数,利用网格搜索法对滤波器长度进行寻优;最后,利用参数优化后的MCKD算法增强信号中的冲击成分,通过包络谱判断轴承故障类型。实验表明,该方法可有效的增强轴承信号中微弱的故障特征成分,实现滚动轴承早期故障的诊断。     

Infogram和参数优化CYCBD在滚动轴承复合故障特征分离中的应用EI北大核心CSCD

针对滚动轴承复合故障特征难以分离的问题,提出了一种基于Infogram和参数优化最大二阶循环平稳盲解卷积(maximum second-order cyclostationarity blind deconvolution,CYCBD)的复合故障特征分离方法。首先,采用Infogram方法分析故障信号,选取最优带通滤波器,获得冲击性和循环平稳性最强的频带信号;其次,根据理论故障频率,设定CYCBD的循环频率集,并以包络谱稀疏度为依据,自适应选择CYCBD的滤波器长度;再次,对获得的频带信号进行解卷积运算,提取不同频率的故障冲击成分,实现故障分离;最后,对分离出的各故障成分进行包络解调分析,根据故障特征频率,识别故障类型。通过对仿真信号、西安交大-昇阳科技联合实验室(Xi’an Jiaotong University-Changxing Sumyoung Technology,XJTU-SY)的轴承试验数据分析,证明了所提方法可以有效实现故障特征分离。在此基础上,通过自制试验平台实测数据,进一步论证了该方法的可行性。     

参数优化最大二阶循环平稳盲解卷积行星轮轴承故障提取EI北大核心CSCD

在行星齿轮箱振动中,齿轮相关振动分量通常具有较大的能量,同时轴承滑移会造成行星轮轴承故障对应振动分量的特征频率获取困难。为此,提出一种基于参数优化最大二阶循环平稳盲解卷积(cyclostationary blind deconvolution, CYCBD)的行星轮轴承故障提取方法。该方法针对CYCBD技术在轴承滑移条件下难以获取循环频率和滤波器长度的问题,以改进的包络谱故障特征比(improved envelope spectrum fault feature ratio, IFFR)指标作为粒子群算法的适应度函数,自动获取CYCBD算法中实际的循环频率和优化滤波器长度,利用参数自适应的CYCBD算法增强了轴承故障冲击。通过解卷积结果的平方包络谱反映轴承故障特征,达到准确提取故障特征的目的。故障仿真和试验研究结果表明,该方法可以有效提取行星轮轴承故障特征。     

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。     

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.     

基于频域盲解卷积的齿轮箱复合故障声学诊断

针对复杂声场环境中齿轮箱复合故障特征的提取,提出了一种基于频域盲解卷积的声学诊断方法。该方法通过形态滤波滤除非调制信号,结合改进复数固定点算法优选复独立分量,进而通过复独立分量J-散度解决独立分量间次序不确定性问题,计算机仿真及实际环境下齿轮箱复合故障声信号提取实验验证了算法的有效性。论文最后指出了未来需要进一步研究的主要问题。     

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。     

A blind-deconvolution approach for chromatographic andspectroscopic peak restoration

In this paper a blind deconvolution method is proposed which allows the deconvolution of broad-band signals that pass through a low-pass device by combining homomorphic deconvolution and Van Cittert iterative deconvolution techniques. The method has been successfully applied on both synthetic and experimental data obtained from chromatography and deep level transient spectroscopy (DLTS)     

Sparse Deconvolution Methods for Ultrasonic NDT

In this work we present two sparse deconvolution methods for nondestructive testing. The first method is a special matching pursuit (MP) algorithm in order to deconvolve the mixed data (signal and noise), and thus to remove the unwanted noise. The second method is based on the approximate Prony method (APM). Both methods employ the sparsity assumption about the measured ultrasonic signal as prior knowledge. The MP algorithm is used to derive a sparse representation of the measured data by a deconvolution and subtraction scheme. An orthogonal variant of the algorithm (OMP) is presented as well. The APM technique also relies on the assumption that the desired signals are sparse linear combinations of (reflections of) the transmitted pulse. For blind deconvolution, where the transducer impulse response is unknown, we offer a general Gaussian echo model whose parameters can be iteratively adjusted to the real measurements. Several test results show that the methods work well even for high noise levels. Further, an outlook for possible applications of these deconvolution methods is given.     

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。     

一种利于工程应用的快速反卷积波束形成方法

针对传统的反卷积波束形成算法在处理宽带随机信号时计算量过大的问题,给出了一种利于工程应用的快速反卷积波束形成方法。利用不同频率阵列波束图的相似性,将宽带随机信号划分成非等间距的多个窄带,并在每个窄带取一个频率点的点扩散函数(Point Spread Function, PSF)进行反卷积的近似处理,极大地提高了反卷积波束形成的计算速度。通过在波束功率谱上进行边界扩展,解决了因 Richardson-Lucy(R-L)迭代算法带来的边界模糊问题,进一步提高了计算速度。仿真和海试结果表明,该方法相对于常规波束形成具有更高的分辨力、更高的处理增益和更好的旁瓣抑制能力;相对于传统反卷积波束形成计算速度提升了 50%以上。