二代小波降噪与盲分离结合应用于航空发动机振动信号分析

传感器采集的飞机发动机振动信号必然是各个部件振源信号以及周围环境强烈干扰的混合信号,传统的振动信号处理方法抗扰去噪效果并不理想,很难得到振源信号。笔者介绍了利用第二代小波阈值降噪、并结合盲源分离得到振源信号的方法。在对某型航空发动机空中停车振动信号进行二代小波分解、利用阈值处理并重构取得了理想的降噪效果的基础上,进一步应用盲源分离技术(FastICA)分离得到转子振动源信号,这样可以有效的提取故障特征,提高故障诊断的准确性。     

盲分离与Hilbert-Huang结合应用于航空发动机振动信号分析

在航空发动机故障诊断中,首要任务是分析故障信号提取故障特征。针对航空发动机非平稳振动信号,提出了利用盲分离(BSS)获得发动机的振源信号,结合Hilbert-Huang变换(HHT)对振源信号进行时频分析提取故障特征的方法。首先利用仿真信号验证了此方法的有效性,然后分析了某航空涡扇发动机空中停车故障并与直接应用HHT分析的结果进行比较,证实了盲分离与HHT的结合能更准确地提取航空发动机非平稳故障特征。     

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。     

基于时频分析的欠定信号盲分离与微弱特征提取

盲源分离对于多振源信号的故障诊断与识别是一种有效的方法,但是传统的盲源分离算法都是针对观察信号大于或等于源信号的情况,但对于观察信号小于源信号的欠定盲分离问题,这在很大程度上制约了盲源分离的实际应用。通过应用经验模式分解和时频分析对非平稳信号分析的优势,提出基于时频分析的欠定盲源分离方法进行设备微弱特征提取。对振动信号进行经验模式分解,并根据分解得到的内蕴模式分量估计源信号个数并选择最优的观察信号,将振动信号与选择的最优观察信号组成新的观察信号进行基于时频分析的盲源分离,通过对仿真信号和齿轮箱实测信号进行验证分析。并与基于独立分量分析的盲源分离算法进行对比,研究表明基于时频分析的盲源分离对混合信号具有更好的分离效果,能够较好地对微弱特征进行提取。     

基于快速ICA的复杂路径下滚棒轴承外圈划伤故障特征提取

针对航空发动机复杂路径下轴承故障难识别的问题,提出了基于快速独立分量分析的盲源分离理论与包络谱分析方法相结合的轴承故障诊断方法.为了模拟故障轴承振动信号的复杂传递路径,设计并加工了花键衬套连接方式、双层轴承结构的多层复杂传递路径轴承故障模拟实验台.在该实验台上开展了多工况下的滚棒轴承典型故障实验,应用本文提出的轴承故障诊断方法对轴承外圈划伤故障进行了深入分析处理,并将其与传统频谱分析及包络谱分析结果相比较.分析结果表明:盲源分离包络谱分析方法对复杂路径下滚棒轴承外圈故障诊断十分有效,诊断效果明显优于传统轴承故障诊断分析方法.     

盲源分离算法在变速箱故障信号诊断中的研究

研究了基于最大信噪比的盲源分离算法,并将其应用在汽车变速箱振动信号分析上,其目的是在变速箱工作时将不同激振源分离出来以便进行故障诊断。通过计算机进行信号分离实验仿真,验证了以最大信噪比(SNR)为分离准则的盲分离算法对振动信号分离的可行性,并将该算法与阶次分析方法相结合,应用于汽车变速箱在降速实测振动信号的故障诊断中,实验结果表明以最大信噪比为准则的盲源分离算法具有计算准确度高及稳定性好的优点,取得了良好的效果。     

双转子航空发动机振动信号的分离测试技术

阐述了用FFT(快速傅立叶变换)分离法和盲源分离法,对双转子航空发动机振动信号进行分离的原理和实现,并应用FastICA算法,对某型双转子航空发动机高、低压转子实测振动信号进行了盲源分离实践,分离结果验证了该方法的可行性和有效性,从而为双转子发动机振动监测与故障诊断提供了一种可行的信号处理方法。     

强脉冲干扰非线性混叠转子故障信号分离

由于旋转机械在运行过程中,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,对设备的状态监测和故障诊断造成了很大的困难。针对这一问题,介绍了盲源分离基本原理和方法,指出源分离算法在脉冲噪声环境下失效。针对强脉冲噪声环境下的混叠振动信号,首先,通过中值滤波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;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故障信号分离。仿真结果验证了提出方法的有效性。     

某型航空发动机转子振动信号盲分离

航空发动机振动信号往往所含成分复杂、有用成分十分微弱,信噪比低,这大大限制了已有诊断方法在早期诊断中的应用.将盲信号处理方法引入到航空发动机振动信号分析,根据振动信号的特征,采取合适的预处理手段,然后应用FastlCA算法进行信号的分离研究,结果验证了盲处理方法的有效性,可以应用于航空发动机振动信号处理和故障诊断领域.     

高速列车非平稳振动信号盲源分离方法及应用

高速列车具有若干时变激励源,传统的时频分析方法只能对观测的混合振动的总体强度分布、时频域结构加以分析,不能分离出与各振源对应的信号分量从而明晰振源状态与故障特征。盲源分离是一种可行的分析方法,但由于高速列车振动信号具有时变振源数目、时变信号长度、受车速调制的变频非平稳等特征,传统的盲源分离方法不适用。为了提高高速列车非平稳信号的盲源分离效果,基于自适应滤波理论提出全局最优信噪比盲源分离新方法,并对其可分离性的判别依据进行论证。新方法的有效性经仿真计算和实测数据分析得到验证。研究表明:新方法对高速列车时变非平稳信号的盲源分离效果优于传统的基于非线性函数的盲源分离方法和基于高阶累积量的盲源分离方法。     

盲解卷积的机械振动信号分离技术

针对机械振动信号往往是多个信号卷积混合的结果,阐述了卷积混合的模型和原理.利用扩展的H-J网络结构,给出了在线实时的盲解卷积迭代算法,并通过仿真试验验证了算法的有效性和准确性.该法与传统的傅里叶变换频谱分析相比,能获得更多的振源振动信息,可更准确地进行机械故障诊断.     

Application of the blind source separation method to feature extraction of machine sound signals

As the result of vibration emission in air, a machine sound signal carries important information about the working condition of machinery. But in practice, the sound signal is typically received with a very low signal-to-noise ratio. To obtain features of the original sound signal, uncorrelated sound signals must be removed and the wavelet coefficients related to fault condition must be retrieved. In this paper, the blind source separation technique is used to recover the wavelet coefficients of a monitored source from complex observed signals. Since in the proposed blind source separation (BSS) algorithms it is generally assumed that the number of sources is known, the Gerschgorin disk estimator method is introduced to determine the number of sound sources before applying the BSS method. This method can estimate the number of sound sources under non-Gaussian and non-white noise conditions. Then, the partial singular value analysis method is used to select these significant observations for BSS analysis. This method ensures that signals are separated with the smallest distortion. Afterwards, the time-frequency separation algorithm, converted to a suitable BSS algorithm for the separation of a non-stationary signal, is introduced. The transfer channel between observations and sources and the wavelet coefficients of the source signals can be blindly identified via this algorithm. The reconstructed wavelet coefficients can be used for diagnosis. Finally, the separation results obtained from the observed signals recorded in a semi-anechoic chamber demonstrate the effectiveness of the presented methods .     

Application of the blind source separation method to feature extraction of machine sound signals

As the result of vibration emission in air, a machine sound signal carries important information about the working condition of machinery. But in practice, the sound signal is typically received with a very low signal-to-noise ratio. To obtain features of the original sound signal, uncorrelated sound signals must be removed and the wavelet coefficients related to fault condition must be retrieved. In this paper, the blind source separation technique is used to recover the wavelet coefficients of a monitored source from complex observed signals. Since in the proposed blind source separation (BSS) algorithms it is generally assumed that the number of sources is known, the Gerschgorin disk estimator method is introduced to determine the number of sound sources before applying the BSS method. This method can estimate the number of sound sources under non-Gaussian and non-white noise conditions. Then, the partial singular value analysis method is used to select these significant observations for BSS analysis. This method ensures that signals are separated with the smallest distortion. Afterwards, the time-frequency separation algorithm, converted to a suitable BSS algorithm for the separation of a non-stationary signal, is introduced. The transfer channel between observations and sources and the wavelet coefficients of the source signals can be blindly identified via this algorithm. The reconstructed wavelet coefficients can be used for diagnosis. Finally, the separation results obtained from the observed signals recorded in a semianechoic chamber demonstrate the effectiveness of the presented methods.     

免疫优化盲源分离算法在故障诊断中的应用

将人工免疫算法用于盲源分离算法,阐述了盲源分离过程,提出了免疫优化盲源分离算法(AIS-ICA算法),针对4组特定信号的混合与分离进行了仿真试验。仿真试验结果表明,该算法具有收敛速度快、分离精度高和稳定性好等优点。将该算法用于齿轮箱振动信号的盲源分离及其故障诊断,增强了振动信号所携带的故障信息,结果表明该算法用于齿轮箱振动信号分离可增强故障信息,降低齿轮箱故障诊断难度。     

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。     

基于盲源分离与小波降噪的旋转机械故障分析

基于小波降噪和盲源分离相结合对机械信号进行分离与故障诊断。首先使用经分析选择的较好小波阈值对非平稳振动信号进行降噪,然后运用盲源分离技术分离出激振信号,结果表明利用小波阀值降噪后进行盲源分离时分离信号与源信号相似系数优于直接盲源分离;将小波降噪和盲源分离相结合应用于某燃气轮机的实测故障信号提取,诊断出转子发生了不平衡及碰摩等故障现象,与实测情况相符,有效说明了该方法在旋转机械故障诊断中的实用性。     

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。