基于变分模态分解和鲁棒性独立成分分析的内燃机缸盖振动信号分离

针对缸盖振动信号中燃烧信号和活塞敲击信号在时频域混叠严重难以分离的问题,用基于VMD和RobustICA的方法分离各独立源信号。通过试验测量内燃机单通道缸盖振动信号,首先对测得的信号进行消除趋势项及滑动平均等预处理,用VMD算法对预处理后的信号进行分解;然后用RobustICA算法提取独立成分,并用组合模态函数法对时域和频域相似性较高的分量成分进行组合;最后结合频谱分析、连续小波变换、相干函数法及倒拖试验对分离得到的结果进行识别验证。研究结果表明：在不同的试验工况下,该方法可以有效地从缸盖振动信号中分离出燃烧信号和活塞敲击信号。     

基于ICA和小波变换的滚动轴承故障诊断方法研究

提出了结合独立分量分析(ICA)和小波变换进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对冲击脉冲信号进行预处理,使信号较好地满足独立分量分析的前提条件。然后,应用独立分量快速算法分离故障轴承的冲击脉冲信号,通过小波快速算法完成信号重构,实现滚动轴承故障的识别。实验结果表明,利用独立分量分析方法提取的故障状态特征向量与小波快速算法相结合可以有效、准确地识别滚动轴承的故障信号。     

基于改进S变换和ICA的相关源分离方法

含有同频成分的机械振源信号不满足统计独立条件,无法直接采用传统盲源分离方法进行分离与识别,为解决该问题,提出了一种基于改进S变换(modified S-transform,简称MST)和独立成分分析(independent component analysis,简称ICA)的相关源分离方法。首先,通过改进S变换对观测信号进行时频化处理,利用相关成分在时频域中实部和虚部的向量夹角,识别并剔除混合信号中的相关项,保证新的观测信号满足独立性条件;其次,以负熵为独立性测度,基于快速固定点独立成分分析进行分离矩阵估计;最后,将该矩阵用于最初的观测信号,从而分离出振源信号,定量计算各个振源的贡献比。通过仿真和实例分析验证了该方法在相关性振源分离中的有效性。     

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。     

结合多种方法的单缸汽油机噪声源识别研究

对152QMI单缸汽油机进行噪声及振动以及曲轴转角等信号的采集,在LMS Test.Lab软件中利用频谱分析和小波变换计算得出了该单缸汽油机噪声能量的主要分布范围,并以此作为噪声源识别的对象,利用阶次分析和小波变换筛选出该机噪声信号中频率不随转速变化的共振因素,随后在角度域内对信号进行小波变换,结合发动机配气机构等部件的运动特征研究识别相对于各频率带的发动机噪声源。研究结果表明,该发动机主要噪声频率带为800 Hz以下、2 000 Hz和4 000 Hz~5 000 Hz,各频率带噪声源分别为进排气噪声、缸盖共振和顶杆对摇臂的冲击以及气门落座冲击。     

基于小波分析的FastICA联合降噪方法在滚动轴承故障诊断中的应用研究

采用小波分析方法进行振动信号降噪存在选取参数依靠经验的问题,采用独立分量分析（ICA）方法进行振动信号降噪存在欠定问题,为了避免小波降噪以及ICA方法单独使用的缺点,提出了将小波降噪分析和基于负熵的FastICA独立分量分析相结合来处理滚动轴承含噪振动信号的方法。首先对原始信号进行小波降噪处理,然后将处理后的信号与原始信号组成FastICA的输入矩阵,进行FastICA降噪处理,最后利用滚动轴承振动信号对该方法进行有效性验证。实验分析表明：该方法增大了振动信号的峭度值,达到了滚动轴承振动信号降噪的目的。     

基于小波变换和ICA的人脸识别方法

独立成分分析(ICA)最早应用于盲信号分离,近年来也广泛地应用于模式识别领域.提出一种基于小波变换(WT)及独立成分分析(ICA)的人脸识别方法.在建议的识别方法中,首先利用小波变换将人脸图像分解成不同的频率子带,对其中包含主要信息的低频子带运用ICA求取基向量,然后基于这些基向量张成的子空间实现识别.详细讲述了该方法的实验过程,实验结果表明,该方法可以取得较好的识别结果.     

基于Hilbert-Huang变换和多元状态估计技术的内燃机气缸压力识别

提出了一种新的内燃机气缸压力识别方法。为了实现对内燃机运行状态的实时监测与故障诊断,通过缸盖振动信号反演内燃机气缸压力曲线是一种行之有效的重要手段;本文在对缸盖振动信号特性进行分析的基础上,应用Hilbert-Huang变换对缸盖振动信号进行模态分解,提取最能反映内燃机气缸压力变化特性的振动本征模态分量;使用多元状态估计技术(MSET)建立该振动本征模态分量的Hilbert谱与气缸压力信号之间的非线性非参数回归模型;利用所建立的模型从缸盖振动信号中重构出内燃机气缸压力曲线。试验结果表明,基于Hilbert-Huang变换和MSET的气缸压力识别方法简单有效,可满足对内燃机的实时监测需求。     

基于小波包时域重构的汽车发动机燃烧状态分析

针对康明斯发动机的不同状态 ,利用小波包对发动机缸盖的振动信号进行了分析 ,通过改进的小波包信号重构方法在时域内分析了发动机气缸的燃烧状态 ,提出了发动机故障诊断的时域方法。研究结果表明 :利用小波包分解与重构技术在时域内便能直观地识别气缸的燃烧状态 ,该方法为复杂机械的故障诊断提供了新思路     

内燃机振动时频图像的编码特征提取与诊断

针对传统内燃机振动诊断方法在参数选择和特征提取方面的难题,提出一种将S变换和模块二维主成分分析(M-2DPCA)相结合的内燃机故障诊断方法。该方法首先利用S变换将采集到的内燃机缸盖表面振动信号生成振动谱图像;然后通过M-2DPCA对图像矩阵进行模块化处理,利用所有样本子图像构建总体散布矩阵,计算最优投影向量,进行图像特征参数提取;最后,利用最近邻分类器进行分类识别,完成诊断。将该方法应用于内燃机气阀机构8种工况下振动信号的诊断实例中,识别率可达到94.17%,证明了该方法的有效性。