大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)将非线性非平稳信号分解成为一系列线性、平稳的本征模函数(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析（independent component analysis,简称ICA）理论中的快速独立分量分析（fast independent component analysis,简称FastICA）算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。     

SDICA方法在单通道信号故障分类中的研究

提出了一种针对工程单通道信号的子带分解独立分量分析(subband decomposition independent component analysis,简称SDICA)故障分类方法。利用经验模态分解方法(empirical mode decomposition,简称EMD)得到的多个基本模式分量作为子带信号,对子带信号进行独立分量分析(independent component analysis,简称ICA),在ICA方法过程中提取了分离过程特征中产生的残余互信息值,在估计子带信号中计算各自的近似熵值,并把残余互信息和近似熵值作为特征参数,输入广义回归神经网络实现故障分类。SDICA方法在单通道信号故障分类中引入了ICA理论,成功实现了工程单通道轴承信号3种故障高精度的识别,验证了具有良好表征故障能力的残余互信息值和估计子带近似熵能够成为故障分类的重要参数。     

基于经验模式分解的单通道机械信号盲分离

盲源分离是机械设备复合故障诊断的一种有效方法,经验模式分解是非平稳信号分析的有力工具,它将非线性、非平稳信号分解成为一系列线性、平稳的本征模函数信号。在机械故障信号盲分离中,单通道机械信号盲分离是一个病态问题。针对单通道机械信号盲分离的困境,综合盲源分离和经验模式分解各自的优点,提出基于经验模式分解的单通道机械信号源数估计和盲源分离方法。针对单通道机械观测信号进行经验模式分解,并将单通道信号和其本征模函数组成多维信号,利用奇异值分解估计机械源数目,根据源信号数目重组多通道机械混合信号,并利用FastICA算法实现机械信号的盲分离。将该方法应用于轴承和齿轮的仿真研究,正确分离出轴承和齿轮源信号,仿真研究表明,它能很好地解决单通道机械信号的源数估计和盲源分离难题。     

基于流形学习的滚动轴承故障盲源分离方法

滚动轴承的故障信号是一种典型的非线性非平稳信号,其信号中常常混有噪声信号及其他干扰成分。提出了一种基于流形学习的滚动轴承故障盲源分离方法,首先,利用经验模态分解(empirical mode decomposition,简称EMD)对单通道模拟信号进行分解,对得到的多通道信号构造其协方差矩阵,计算矩阵的奇异值下降速比得到原始信号数目;其次,利用峭度等指标选择最优观测信号,利用核主成分分析(kernel principal components analysis,简称KPCA)提取信号的流形成分;最后,利用快速独立成分分析(fast independent component analysis,简称Fast ICA)还原得到源信号。该方法不但解决了故障信号的欠定盲源分离问题,还提出了最优观测信号的确定准则,并通过实例验证了方法的有效性。     

齿轮点蚀的多通道数据融合识别方法

针对齿轮箱振动信号中混杂其他零部件振动频率的问题,提出一种基于小波包分解独立分量分析（wavelet package independent component analysis,简称WPICA）和多维经验模式分解（multivariate empirical mode decomposition,简称MEMD）的齿轮箱齿面点蚀故障信号的多通道数据融合识别方法。首先,利用一种窄带独立分量分析(sub-band decomposition independent component analysis,简称SDICA)方法—WPICA,从水泵机组多通道信号中提取齿轮箱振源,确定齿轮箱振动包含的特征频率成分;其次,借助MEMD分解多通道机组振动信号,将所获得的多维固有模式函数(intrinsic mode function,简称IMF)进行矩阵互信息运算,完成多通道数据的融合;最后,通过定义IMF故障敏感因子,确定故障敏感IMF的阶数并获得了齿轮点蚀故障的特征频率。数据分析结果证明了本研究方法的有效性。     

EMD与cICA方法在多级齿轮传动微弱故障特征提取中的应用

为提取多级齿轮传动单通道测量信号中隐含的微弱低频故障特征信息,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)与约束独立分量分析(Constrained independent component analysis,cICA)相结合的故障特征提取方法。首先对实测的齿轮箱单通道测量信号进行EMD分解;然后计算各个本征模态函数(Intrinsic mode function,IMF)的峭度及其与原信号的互相关系数,并选择合适的IMFs分量与原信号组成新的虚拟观测向量;最后,通过构建合适的参考信号进行cICA分析,提取出了理想的微弱低频故障特征。通过多级齿轮传动中的低速级断齿故障特征提取试验分析,验证了该方法的有效性和适用性。     

VMD⁃SVD在机械故障信号欠定源数目估计中的应用

针对在观测信号数目小于机械故障振动信号源数目的欠定情况下,源信号的个数难以估计的问题,提出一种变分模态分解(Variational mode decomposition,VMD)和奇异值分解(Singular value decomposition,SVD)相结合的盲源数目估计方法.首先利用VMD对振动信号进行分解,得到若干本征模态函数分量(Intrinsic mode function,IMF),然后对IMF进行重新组合得到多维观测信号的协方差矩阵,最后依据奇异值分解的结果来对信号源数目进行最终确定.仿真信号分析验证了该方法的有效性,将该方法运用到轴承复合故障振动信号中,分析结果表明,该方法能够实现欠定情况下源数目的可靠估计.     

双树复小波包和ICA用于滚动轴承复合故障诊断

针对滚动轴承复合故障信号特征难以分离的问题,提出将双树复小波包变换和独立分量分析(independent component analysis,简称ICA)结合的方法应用到滚动轴承复合故障诊断中。首先,利用双树复小波包变换将复杂的、非平稳的复合故障信号分解为若干不同频带的分量;其次,引入ICA对各个分量所组成的混合信号进行盲源分离,从而尽可能消除频率混叠;最后,对从混合信号中分离出来的独立信号分量进行希尔伯特解调,即可实现对复合故障特征信息的分离和故障识别。试验结果表明,该方法可以有效地分离和提取轴承复合故障的特征频率,验证了方法的可行性和有效性。     

基于EWT-FastICA的斜拉桥监测挠度温度效应分离

考虑桥梁挠度中的温度效应和长期挠度成分将会一定程度影响到桥梁的安全评估,提出基于经验小波变换（empirical wavelet transform,简称EWT）结合快速独立分量分析（fast independt component analysis,简称FastICA）方法对温度效应和长期挠度进行分离。首先,利用经验小波变换分离出日温差效应;其次,考虑年温差效应与长期挠度频率相近难以分离,因此运用经验小波变换自定间隔把傅里叶频谱上年温差和长期挠度部分划分成多个区间,并在每个区间内构造相应的小波滤波器,将单通道的挠度信号转化成无虚假模态的一系列本征模态函数（intrinsic mode function,简称IMF）;然后,把多通道的IMF矩阵运用主成分分析（principal component analysis,简称PCA）降维;最后,将降维后的信号采用FastICA处理,实现桥梁挠度年温差和长期挠度的分离。数值仿真结果以及桥梁实测数据研究结果均表明：该方法能有效地分离挠度监测信号中的温度效应和长期挠度,且分离效率高。     

EMD与ICA在故障诊断中的应用研究

由于经验模式分解(EMD)的自身分解能力的不足和外部信号的影响,在处理固有模态函数的精确分离和消除调制信号的干扰成分时存在困难,不能得到合适的IMF分量。提出了一种经验模式分解和独立分量分析联合的方法。该方法将振动信号进行经验模式分解(EMD)形成本征模式函数IMF,再基于互相关准则对分解后的本征模函数进行重新组合,组织虚构的采集信号通道,与源信号一起,最终形成Fast ICA的输入矩阵。此方法不但解决盲源分离算法中观测信号数目需大于等于源信号数目的问题,而且能分离出单独IMF分量的固有特性,保证每个IMF分量丢失的信息特征得到复原后,解决了各个分量之间的信息失真和模态混叠现象,充分发挥出经验模式分解和独立分量分析的特征提取优点。进行数据仿真和实验,验证了该方法在滚动轴承故障特征提取中具有明显效果。     

ICA在航空发动机振动信号盲源分离中的应用

研究了基于独立分量分析(independent component analysis,简称ICA)的发动机振动信号盲源分离技术,旨在将发动机振动信号按照不同的激振源进行分离。首先阐述了基于最大信噪比的盲源分离算法原理,通过对仿真信号进行分离,判断了分离输出信号与仿真信号的一致性,验证了该算法的可行性;然后将该算法与FFT分离法相结合,应用于某型双转子航空发动机高、低压转子实测振动信号盲源分离中,取得了很好的分离效果,表明应用ICA技术建立的基于最大信噪比的盲源分离算法具有迭代次数少、计算复杂度低、效果好及稳定等优点。     

基于DEMD的高压隔膜泵单向阀早期故障诊断

针对高压隔膜泵单向阀的早期故障特征提取困难的问题,提出基于微分经验模态分解(differential empirical mode decomposition,简称DEMD)的高压隔膜泵单向阀早期故障诊断方法。首先,对振动信号进行微分运算,提高高频成分的振幅比,使微弱高频成分在后续分解中更易提取;其次,对得到的新信号进行经验模态分解(empirical mode decomposition,简称EMD),并将分解后的本征模函数(intrinsic mode function,简称IMF)分量信号进行积分还原;最后,计算分量信号与原振动信号的Kullback-Leibler散度(Kullback-Leibler divergence,简称K-L散度)值,选取K-L散度值较小的分量信号进行重构,并利用Hilbert边际谱对重构信号进行瞬时频谱分析,以提取故障振动信号的特征。仿真与工程实验分析表明,该方法能够较好地提取出单向阀早期故障特征信息。     

盲VMD-Cepstral在轴承故障诊断中的应用

针对滚动轴承早期故障诊断困难的问题,从经验模态分解(empirical mode decomposition,简称EMD)以及包络谱出发,为解决EMD抗噪效果较差、具有端点效应等局限性,提出了盲变分模态分解(variational modal decomposition,简称VMD)-主成分分析(principal component analysis,简称PCA)-包络谱熵结合倒谱包络的轴承故障诊断方法。首先,对滚动轴承的振动信号进行了变分模态分解;其次,对分解得到的分量进行PCA去相关处理;然后,对分量计算包络谱熵,选择熵值小于其平均值的分量进行信号重构;最后,对重构的信号进行倒谱包络分析。实验结果表明,该方法能有效地提取出滚动轴承的故障频率,从而判断出滚动轴承的损伤位置,并且具有良好的抗噪能力。     

基于EMD-SVD-BIC的机械动源数估计方法

提出了一种复合EMD-SVD-BIC(经验模态分解,empirical mode decomposition,简称EMD;奇异值分解,singular value decomposition,简称SVD;贝叶斯信息准则,bayesian information criterion,简称BIC)的机械振动源信号数量估计方法,解决卷积混合的机械振动源在观测数小于振动源数情况下的源数估计问题.应用EMD方法获得信号的本征模函数,对两观测信号的本征模函数复合矩阵的相关矩阵进行奇异值分解,获得反映源数信息的特征值分布;再采用BIC信息准则,判断源信号的数目.仿真和试验结果表明,该方法可以在观测数小于振动源数的情况下正确获取信号源数,为机械振动故障诊断中的振动源分析及其源信号的正确分离提供了方法保障.     

融合小波分解与时频分析的单通道振动信号盲分离方法

针对单通道振动信号盲源分离是一个病态问题,且传统的振动信号盲源分离方法往往忽略信号的非平稳性的问题,提出了一种融合小波分解与时频分析的单通道振动信号盲源分离方法。首先利用小波分解与重构将单通道信号转化为多通道信号,解决了盲源分离的欠定问题;然后利用基于时频分析的盲源分离算法分析非平稳信号,得到源信号的估计信号,实现了非平稳信号盲源分离。仿真和实验结果表明,该方法可以有效地解决单通道非平稳振动信号的盲源分离问题。     

基于EMD-SVD-BIC的机械振动源数估计方法

提出了一种复合EMD-SVD-BIC(经验模态分解,empirical mode decomposition,简称EMD;奇异值分解,singular value decomposition,简称SVD;贝叶斯信息准则,bayesian information criterion,简称BIC)的机械振动源信号数量估计方法,解决卷积混合的机械振动源在观测数小于振动源数情况下的源数估计问题。应用EMD方法获得信号的本征模函数,对两观测信号的本征模函数复合矩阵的相关矩阵进行奇异值分解,获得反映源数信息的特征值分布;再采用BIC信息准则,判断源信号的数目。仿真和试验结果表明,该方法可以在观测数小于振动源数的情况下正确获取信号源数,为机械振动故障诊断中的振动源分析及其源信号的正确分离提供了方法保障。     

EMD-ICA联合降噪在滚动轴承故障诊断中的应用

滚动轴承早期故障信号具有能量小、频带分布宽等特征,易受到其他能量较大的振源信号的干扰,致使传统滤波降噪方法存在很大的局限性。针对这一特点,提出经验模式分解(EMD)和独立分量分析(ICA)相结合的联合降噪新方法。将单通道振动信号进行EMD分解,基于互相关准则对分解后的本征模函数进行重组,构造虚拟噪声通道,并以此作为ICA的输入矩阵,采用FastICA算法实现源信号和噪声信号的分离,从而达到降噪的目的。将该方法应用于滚动轴承故障诊断中,对降噪后的重构信号进行频谱分析,进而判断滚动轴承的运行状态。仿真和试验分析结果表明该方法有效可行。     

一种旋转机械振动信号的盲源分离消噪方法

为了消除旋转机械振动信号中不同类型的噪声,提出了一种基于虚拟信号(virtual signal,简称VS)的多级独立分量分析(independent component analysis,简称ICA)的消噪方法。通过引入与测量噪声匹配的虚拟噪声通道,将单通道观测信号扩展为多通道观测信号,用独立分量分析方法消除与数据采集系统相关的测量噪声。将振源信号的组合(有用信号)视为一个虚拟源,对消除了测量噪声的两通道观测信号再次用独立分量分析方法实现有用信号和背景噪声的分离,从而达到消除背景噪声的目的。试验表明,该方法可以得到很好的消噪结果,有效提高信号的信噪比。     

LMD-ICA联合降噪方法在滚动轴承故障诊断中的应用

针对经典独立分量分析（ICA）只能应用于观测源数不少于信号源数的超定盲源分离问题,提出局部均值分解和ICA相结合的欠定盲源分离新方法。该方法将采集的单通道振动信号进行局部均值分解,基于互相关准则对分解的分量进行重组,构建虚拟噪声通道;将虚拟噪声通道与振动信号作为盲源分离的信号输入,采用基于负熵的FastICA算法实现信号源和噪声的分离,从而达到降噪目的。将该方法应用于滚动轴承故障信号,频谱分析结果表明,该方法处理后的信号中噪声得到一定程度滤除,频谱中毛刺更少,故障特征频率更加明显,有利于故障特征的提取,实验分析证明了该方法的有效性。     

基于局域均值分解的机械故障欠定盲源分离方法研究

结合局域均值分解(Local mean decomposition,LMD)和盲源分离各自的特点,提出一种基于局域均值分解的欠定盲源分离方法.该方法利用LMD对观测信号进行分解,得到一系列的生产函数分量,将所得到的生产函数(Production functions,PF)分量和原观测信号组成新的观测信号.对构成的新观测信号进行白化处理和联合近似对角化,得到源信号的估计.该方法能有效解决传统的盲源分离方法要求源信号满足非高斯、平稳和相互独立的假设,且要求观测信号数多于源数的不足等问题.仿真结果表明,所提出的方法是有效的,在处理非平稳信号混合的欠定盲分离方面,比传统时频域的盲源分离方法得到了更好的分离效果.将提出的方法应用到滚动轴承的混合故障分离中,试验结果进一步验证该方法的有效性.