基于小波半软阈值消噪的盲源分离方法

为了有效提取含噪机械故障信号中的故障特征信息,研究了一种基于小波半软阈值消噪的盲源分离方法。利用小波半软阈值对故障信号进行消噪处理;采用联合近似对角化算法对信号进行盲源分离;考虑在噪声干扰下预消噪常常不足以消除全部噪声,因此在盲源分离后再进行适当的消噪处理,以提高其分离性能。实验验证了所提出方法的有效性和可行性。     

多传声器小波多尺度信息融合滤波算法

为了滤掉信号采集过程中存在的环境噪声和信道噪声,提出一种基于小波多尺度信息融合和三角时延矢量误差的信号滤波算法。基于多传声器信号时延估计特性,提出时延矢量封闭准则。首先将多传声器同步采集所得信号进行小波多尺度分解,得到多尺度小波细节系数和近似系数,然后根据时延矢量封闭准则求取各层小波系数时延差,结合信息融合理论,提出一种三角时延矢量误差,由多传声器综合支持度获得时延阈值,将其作用于三角时延矢量误差,得到各层小波系数的权重,最后对小波系数重构得到降噪后的信号。实验表明,此滤波算法不仅滤掉了信号中的噪声成分,还优化了传声器资源的配置,既保留了高支持度传声器信号特性,还改善和提高了低支持度传声器信号质量,与小波分层阈值和全局阈值滤波算法相比充分体现出该算法的有效性。     

联合CEEMD及AFSA优化小波阈值的心音信号去噪研究

心音是诊断身体健康的重要生理信号，为有效降低心音信号的噪声，提出一种联合互补总体经验模态分解(CEEMD)及AFSA优化小波阈值去噪相结合的方法。即先将不同频率范围的心音信号通过CEEMD进行分解，然后选取高频部分的IMF分量使用人工鱼群(ArtificialFish-SwarmAlgorithm,AFSA)优化小波阈值算法进行去噪，最后将去噪后的信号与分解的低频IMF信号进行重构得到去噪后的心音信号。将联合CEEMD及AFSA优化小波阈值去噪算法与传统的CEEMD算法、小波阈值去噪算法进行仿真对比。实验结果表明，联合去噪算法在去除心音信号噪声方面效果最好。     

改进EMD阈值小波滤波方法

下肢自主康复训练机器人中交流伺服电机电流信号噪声严重影响电机力矩辨识精度。为解决非线性非平稳信号的滤波去噪问题,提出一种基于经验模态分解(EMD)的改进阈值小波滤波算法。首先对EMD最佳去噪层数和阈值小波的阈值处理函数进行分析和改进,然后将两种改进方法相结合,最后对Matlab中的Heavy sine信号添加高斯噪声,分别利用改进方法和软、硬阈值等滤波方法进行去噪实验。仿真实验结果表明,改进算法能有效去除非线性非平稳信号中噪声信号。与EMD和阈值小波等其他滤波方法相比,本文滤波算法去噪后信噪比更大,均方根误差更小,滤波效果更好。     

压缩感知后引入噪声的信号恢复

将压缩感知后引入噪声的信号恢复作为研究对象,建立了信号恢复模型,以解决工程领域中广泛存在的噪声问题。由于传统的算法无法实现压缩后引入噪声的信号恢复,本文提出了用阈值收缩迭代算法来实现含噪信号的恢复。分析了算法原理,对压缩感知后加入高斯随机噪声、5%和10%密度的脉冲噪声分别进行了信号恢复仿真,并与正交匹配追踪(OMP)算法和平行坐标下降(PCD)算法进行了比较。结果表明,阈值收缩迭代算法对无噪稀疏信号基本可以做到完全恢复;对压缩后含噪信号的恢复具有较强的鲁棒性,只在峰值处出现了较明显的误差,通过增加测量矩阵行数和迭代次数可以提高抗噪性能。实验显示:本算法在处理高斯噪声和低密度脉冲噪声时具有明显优势,在处理高密度脉冲噪声时略优于另两种算法。     

EEMD结合小波阈值的光电容积脉搏波信号降噪

为了研究脉搏波信号降噪的问题,文章提出了一种集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与小波阈值相结合的降噪方法,对采集到的光电容积脉搏波信号来做降噪处理,同时和EMD结合小波阈值降噪算法进行比较。算法首先把信号做EEMD的分解,将原始信号分解为n个模态分量(Intrinsic Mode Function,IMF),然后对这些分量做相干性的计算,对其中的噪声分量来做小波阈值降噪,最后将信号重构。原始信号在STM32平台上采用MAX30100传感器测得。实验结果表明:本文的方法能够很好地剔除光电容积脉搏波中包含高频噪声与基线漂移的各种噪声,降噪后信噪比为34.09,均方根误差为1.99。提高了PPG信号的质量,为光电容积脉搏波信号的准确测量提供了新的思路。     

一种新的小波阈值函数去噪算法

小波阈值去噪算法是一种经典的振动信号去噪算法,但仍有一定局限性。为了更好地消除噪声对被测振动信号的干扰,提取信号的有用成分,本文对比分析了几种不同小波阈值去噪算法,并在经典小波阈值去噪算法的基础上改进了阈值函数,提出了一种新的小波阈值去噪算法。对模拟信号及实测风机振动信号进行去噪处理并分别与经典及改进的小波阈值去噪效果进行定量比较。结果表明:新的小波阈值函数更好地抑制了噪声污染和保持信号细节,有效地消除了背景噪声,提高了信号特征的可分离性,具有较高的实用价值。     

轴系轮廓重构信号的CEEMDAN—小波阈值去噪方法

针对轴系回转过程中动不平衡引起的位移误差信号含噪问题,提出自适应噪声完备集合经验模态分解(CEEMDAN)—小波阈值去噪的轴系轮廓重构模型。采用CEEMDAN对位移信号进行分解得到各阶本证模态函数(IMF),采用相关性分析提取含噪的IMF分量,并对其进行小波阈值去噪,与经验模态分析EMD—小波阈值去噪方法进行比较,最后将提纯后的信号进行重构。模拟仿真表明,去噪后的信号不仅保持了原有信号的特征,并且有效去除了噪声。将去噪后的信号输入到重构轮廓模型进行试验,结果表明,去噪后分离的单个截面回转误差准确度提高了0.05μm,圆度误差准确度提高了0.0703μm。     

一种新的小波自适应阈值函数振动信号去噪算法

小波阈值去噪算法是一种经典的振动信号去噪算法,但仍有一定局限性。为了更好地消除噪声对被测振动信号的干扰,提取信号的有用成分,本文对比分析了几种不同小波阈值去噪算法,并在经典小波阈值去噪算法的基础上改进了阈值函数,提出了一种新的小波阈值去噪算法。对模拟信号及实测风机振动信号进行去噪处理并分别与经典及改进的小波阈值去噪效果进行定量比较。结果表明:新的小波阈值函数更好地抑制了噪声污染和保持信号细节,有效地消除了背景噪声,提高了信号特征的可分离性,具有较高的实用价值。     

基于一维全变分的液压系统压力信号快速实时去噪方法

在载重过程中,工程车辆因受到惯性冲击、工作装置共振以及电磁干扰等,容易造成其液压测量信号的振荡,为了对载重估计模型中的液压系统压力信号进行实时去噪,提出了一种基于一维全变分(1D TV)算法的液压系统压力信号实时去噪方法。首先,阐述了1D TV算法的基本原理;然后,建立了一个主要受液压力影响的载重估计模型,使用MATLAB中的fmincon非线性规划求解器,将载重估计模型作为黑箱函数,载重估值与载重真值之间的均方根误差作为目标函数值,1D TV算法中的参数τ作为优化变量,求解出了能够逼近真实液压信号曲线的参数τ;最后,以某企业伸缩臂叉车为例进行了载重试验,分别采用经验模态分解(EMD)类去噪算法、小波阈值类去噪算法,以及1D TV算法处理液压信号,并将处理结果进行了对比分析。研究结果表明：相比于EMD类去噪算法,采用参数τ优化后的1D TV算法得到的信噪比可以提高5.096 4 db,可比小波阈值类去噪算法提高0.653 db,其计算效率是EMD类去噪算法的113倍,是小波阈值类去噪算法的11倍;1D TV算法具有快速、非迭代和逐点扫描的特性,因而更适用于对载重估计模型中的液压系统压力...     

基于形态分量分析和包络谱的轴承故障诊断

滚动轴承出现局部损伤时,其振动信号往往由包含轴承自身振动的谐振分量、包含轴承故障信息的冲击分量及随机噪声分量构成。提出了基于形态分量分析和包络谱的滚动轴承故障诊断方法。该方法根据轴承振动信号中各组成成分的形态差异,利用改进的形态分量分析对滚动轴承故障振动信号中的谐振分量、冲击分量和噪声分量进行分离,然后对冲击分量进行Hilbert包络解调分析,根据包络谱诊断滚动轴承故障。算法仿真和应用实例表明,该方法能有效提取滚动轴承故障特征。     

基于遗传算法的盲源分离在轴承诊断中的应用

提出了一种基于遗传算法的盲源分离算法，该算法直接从信号的样本序列估计信号的概率分布，解决了信号问互信息的求解问题，通过遗传算法最小化信号的互信息，实现对线性混叠信号的分离。将该算法用于轴承声音信号的分离，取得了较好的效果。     

A method for the compound fault diagnosis of gearboxes based on morphological component analysis

An improved morphological component analysis (MCA) method is proposed for the compound fault diagnosis of gearboxes. When gear fault and bearing fault occur simultaneously, the compound fault signal of the gearbox contains meshing components (related to the gear fault) and periodic impulse components (related to the bearing fault). The corresponding fault characteristics can be separated by MCA according to the morphological differences of the components. In the proposed method, the optimal dictionary, which can represent the characteristics of bearing faults, is first selected based on the principle of minimum information entropy. Then, the compound fault signal is decomposed into the meshing component and the periodic impulse component using MCA. Finally, the separated components are subjected to the Hilbert envelope spectrum analysis. The faults of the gear and the bearing can be diagnosed according to the envelope spectra of the separated fault signal components. Simulation and experimental studies validate the effectiveness of the proposed method for the compound fault diagnosis of gearboxes.     

Unsupervised noise cancellation for vibration signals: part II—a novel frequency-domain algorithm

Vibration analysis of machines gains greatly in efficiency if periodic vibrations can be separated out from non-deterministic ones. Part II of this paper introduces a solution in the frequency domain, which is faster and simpler to use than adapative algorithms (part I). The performance of this new algorithm is thoroughly investigated and compared to those of the self-adaptive noise cancellation algorithm. Finally, convincing examples are given of the application to the separation of actual bearing signals from gear signals in gearboxes.     

基于形态分量分析与能量算子解调的齿轮箱复合故障诊断方法

针对齿轮箱复合故障的故障特征分离,提出了一种基于形态分量分析与能量算子解调的齿轮箱复合故障诊断方法。该方法先根据振动信号中各组成成分形态的差异,采用形态分量分析方法构建不同形态的稀疏表示字典进行故障成分分离,将齿轮箱复合故障信号分解为包含齿轮故障信息的谐振分量、包含轴承故障信息的冲击分量和噪声分量,然后分别对谐振分量和冲击分量进行能量算子解调分析,最后根据各解调谱诊断齿轮和轴承故障。算法仿真和应用实例表明该方法能有效地分离齿轮箱复合故障振动信号中齿轮与轴承的故障特征。     

齿轮箱复合故障信号的非线性盲源分离算法研究

针对齿轮箱复合故障分析问题,文中提出一种新型非线性盲源分离（Nonlinear Blind Source Separation, NBSS）算法。该算法先利用反向传播（Back Propagation, BP）神经网络逼近非线性混合模型的逆,并对经过BP 神经网络处理后的信号进行独立成分分析（Independent Component Analysis, ICA）;然后以独立成分分析后的信号的负熵作为适应度函数,采用遗传算法对BP神经网络的参数进行寻优;最后利用优化的BP神经网络参数,对观测到的混合信号进行分解,分离出纯净的振源信号。与采用粒子群优化（Particle Swarm Optimization, PSO）算法的核独立成分分析（Kernel ICA, KICA）相比,该方法提取的分离信号具有更高的精度,为齿轮箱复合故障诊断提供了关键技术与有效方法。     

基于盲源分离技术的故障特征信号分离方法

信号采集过程中，传感器测量到的信号是实际振动信号在此测量方向的投影值，由于其他不相干振源的影响，测量信号由多个振动信号成分组成。在分析多振源信号混合模型的基础上，采用盲源分离技术分离不同的振源信号，讨论分离结果的广义初等相等性质的影响，研究估计振源数目的方法和选取测量信号的方法，利用二阶特征矩阵联合近似对角化算法，从测量信号中分离故障特征源信号。该算法可减小信号采集不当造成的影响，有效提高特征信号的提取。     

盲源分离方法在旋转机械故障诊断中的应用

在旋转机械故障诊断中,从被监测机器测得的振动信号除噪声干扰外,还常混叠有其它机器的振动。由所测得的此混叠信号中分离出被监测机器的信号,并降低噪声的影响,是提高故障诊断准确性的基础。这里采用四阶累积量迫零算法对机器振动信号进行分离,通过仿真信号及实验室实测振动信号的分离验证,此方法是有效的,可作为旋转机械故障诊断的信号预处理方法。     

混合信号振声源分离与多机组故障诊断

针对机房设备混合信号难以提取有用信息,提出了多参数的振声诊断方法。应用最小互信息梯度下降的盲分离算法,通过展开边缘熵和修正四阶累积量估计值的方法改善算法性能,在故障源数量未知且可能大于传感器数量的情况下,根据信息源之间的独立性测度关系依次提取最显著的特征值。仿真结果证明,改进算法估计误差减小且算法可靠。在诊断实例中,首先,分离机房内的混合噪声信号以确定主要故障来源;然后,采集故障源的振动信号进行非线性盲分离,提取热泵机组压缩机不对中、齿轮啮合不良和碰磨的故障特征;最后,根据分离的振源信号特征识别故障类型,建立基于盲源分离算法的大空间设备群的振声诊断方法。     

稀疏基阵水下声成像的压缩感知方法

声传感器基阵式成像是水下目标探测的主要方法之一。在保证成像质量的同时,采用稀疏基阵是降低系统复杂性的有效途径。另一方面,成像方法也是关键技术之一,其性能直接决定成像质量的优劣。在前期研究的稀疏阵基础上,提出了压缩感知成像方法用于水下成像。回波经传感器基阵接收并进行信号分离后,获得各虚拟通道信号,利用压缩感知方法进行成像。在提出的成像方法中,采用了自适应块贝叶斯算法,它能够在噪声环境下较为准确地恢复图像。此外,根据声信号特点设计字典,并按算法特性设计了数据排列规则。实验表明:通过自适应块贝叶斯算法的压缩感知成像能够可靠地对水下目标进行成像,目标的几何特征明显。