轮式装载机驾驶室噪声源分离和识别

为了改善装载机的噪声状况,提高产品的噪声分析技术水平及产品市场竞争力,采用鲁棒独立分量分析(RobustICA)的方法,对ZL50轮式装载机驾驶室噪声进行了声源识别的研究.主要采用RobustICA算法对测得的驾驶室噪声信号进行了盲源分离,得到一系列独立的噪声分量,利用连续小波变换和相干分析对分离得到的各独立分量进行了分析,时频分析和相干分析结果确定了分离得到的各独立分量和不同噪声源的对应关系.结果表明,采用该方法分离得到的独立分量分别对应着装载机的排气噪声和风扇噪声,且两者为司机耳旁噪声的主要成分.验证了鲁棒独立分量分析在声源分离和识别领域的优越性.     

双/单通道传导电磁干扰噪声盲源分离研究

传导电磁干扰差共模噪声分离中,硬件分离网络结构复杂、成本较高,传统软件分离受环境噪声影响明显,测量同步性差。针对上述局限,提出一种基于盲源分离理论的传导电磁干扰噪声差共模分离策略。首先,利用快速独立分量分析对L线、N线噪声实施双通道盲源分离,实验证明其比射频电流叠加法信噪比范围更宽,适用性更强;其次,单通道盲源分离采用连续小波变换实施虚拟通道扩展以克服同步测量误差,同时改进快速独立分量分析目标函数以提升收敛性能。实验证明,其分离性能取决于小波函数的选取而非扩展通道数量,性能相比双通道盲源分离有一定降低,但节省经济成本,具有较好应用前景。     

基于单通道算法的内燃机油底壳辐射噪声分离

通过对内燃机的辐射噪声源进行分离和识别,得到的各独立噪声可为其减振降噪和监测诊断提供依据。在内燃机噪声源识别中,燃烧噪声和活塞敲击噪声在时域和频域上均有混叠,很难准确地将其进行分离。在半消音室中进行内燃机振动噪声试验,采集一路内燃机油底壳近场辐射噪声,先对其进行消除趋势项及滑动平均等预处理,减少随机误差成分,然后用集合经验模态分解得到IMF分量,用主分量分析降维,最后用快速独立分量分析进行盲源分离,并结合连续小波时频分析等方法进行识别。研究结果表明:通过采用单通道算法对内燃机油底壳辐射噪声进行分离和识别,可得到各独立分量,分别为内燃机的燃烧噪声和活塞敲击噪声。     

基于EMD和CICA的单通道盲源分离方法用于齿轮箱混合故障诊断研究

针对传统的独立分量分析难以解决齿轮箱混合故障诊断中存在的欠定盲分离问题,提出了基于EMD和CICA(约束独立分量分析)的单通道盲源分离方法。通过单通道加速度传感器采集齿轮箱混合故障信号,对其进行EMD分解以实现降噪及单通道扩展,采用基于白噪声统计特性和峭度值结合的方法选取有效的IMF分量,将其作为盲源分离的输入信号,通过CICA方法提取目标振动信号,识别故障特征。通过对齿轮箱轴承与齿轮混合故障的仿真及实验研究,验证了该方法的有效性和可行性。     

基于BSS的含噪声机械振动信号分离研究

水下航行器的噪声源识别面临的两个问题(:1)无法获得振源信号(,2)测得振动信号有环境噪声影响且振源之间相互耦合。将环境噪声作为一个独立的噪声源,给出瞬时混合信号的盲源分离(BSS)数学模型;利用基于二阶统计特性的两次去相关盲源分离算法,对机械振动加白噪声的混合信号和水池试验实测混合信号进行分离;通过试验验证两次去相关盲源分离方法可以用来解决上述问题。     

基于EEMD-Fast ICA-STFT的车用起动电机噪声源识别

提出基于集成经验模态分解(EEMD)、快速独立分量分析(Fast ICA)和短时傅里叶变换(STFT)的噪声源识别方法,对起动电机噪声信号进行声源识别研究。首先采用集成经验模态分解法将单一通道的电机噪声信号分解为一系列本征模态分量,随后用Fast ICA算法提取独立成分,最后利用短时傅里叶变换良好的时频分析特性,对Fast ICA分离结果进行时频分析,结合时频分析结果和电机噪声的先验知识,确定了各独立分量与电机不同噪声源的对应关系。     

水下耦合机械噪声源的量化识别及试验

目前水下机械噪声源及其传递路径识别效果较难。为此,将盲源分离算法和传递路径分析方法融合和集成。视多振源信号为卷积混叠,结合LU分解,提出一种新的非正交联合块对角化方法进行耦合振动源的分离。将分离振源作为工况传递路径分析方法的输入振源,建立水下机械振动噪声源识别算法,并对潜艇舱段模型的水下振动-声辐射试验对算法进行验证。结果表明,与现存方法相比,该盲源分离算法具有易实现、收敛速度快、精度高等优点;所集成的源识别算法在水下声场预报和振源贡献量排序中的性能均优于振源耦合时的结果,与实际情况吻合好,达到了高效、准确地识别机械噪声源的目的。     

基于变分贝叶斯理论的机械故障源 盲分离方法研究

摘要：未知噪声环境下机械源信号盲分离方法由于忽略噪声影响往往得到很差的分离效果。针对此问题,本文提出了一种基于变分贝叶斯独立分量分析的机械故障源分离方法,该方法与传统的机械源分离方法相比,具有以下独特特点,即不需要将未知噪声看成一种独立源,也不需要进行消噪预处理,可直接对噪声干扰的机械源信号进行有效分离。仿真研究表明,提出的方法优于传统的机械源分离方法,分离误差大幅度降低。实验结果也验证了本文提出的方法的有效性。     

基于变分贝叶斯独立分量分析的故障源盲分离

提出一种基于变分贝叶斯独立分量分析的故障源盲分离方法,该方法可直接对噪声干扰的机械源信号进行有效分离,即不需要将未知噪声看成一种独立源,也不需要进行消噪预处理。并将该方法与传统的机械源分离方法进行对比实验,实验结果表明该方法是非常有效的。     

基于频域盲解卷的噪声信号分离

由于机械噪声传播过程中存在反射等多种因素影响，大多数情况下混合噪声分离更适合采用卷积模型，为此提出了一种多频点盲解卷算法。有别于传统的频域盲解卷算法，新算法利用有限的少数几个频率点直接从频域模型恢复出时域噪声信号。算法为瞬时混合盲分离。主成分分析一瞬时混合盲分离结构，首先对给定的每一个频率点执行瞬时混合盲解卷算法，获得噪声源的基本估计，然后再经过主成分分析和第二次盲源分离。提高分离性能和增加算法鲁棒性。由于算法不需要对所有频率点执行瞬时混合分离，计算量小，同时也不存在传统频域盲解卷算法排列顺序不确定性的缺点，具有较好的应用价值。仿真实验证实了新算法能有效地分离机械噪声信号。     

基于EFICA的混合语音盲分离时域算法

卷积混合语音进行盲源分离时,不能直接应用独立分量分析（ICA）算法。文中采用一种新的卷积混合语音模型,对多通道混合语音使用近来提出时域EFICA的算法进行盲分离,然后利用聚类和重构算法来恢复源信号。通过真实语音实验表明,文中提出的算法能够有效的分离混合语音信号。     

基于EEMD-SCBSS的岩石声发射信号去噪方法

针对岩石声发射(AE)信号的低信噪比、随机性强、非平稳性等特点,提出了一种基于总体经验模态(EEMD)及单通道盲源分离(SCBSS)的AE信号滤波方法。将含有背景噪声的AE信号进行EEMD分解,得到一系列按频率从高到低排列的本征模函数(IMF);提取高频背景噪声信号与观测信号构建虚拟多通道观测信号;利用快速不动点优化算法(FastICA)对构建的虚拟多通道观测信号进行盲源分离(BSS),进而得到滤波后的AE信号。通过构造含噪声AE信号进行数值仿真实验及实测数据分析,将基于EEMD及SCBSS滤波方法与小波阈值滤波方法进行比较。实验结果表明:小波阈值滤波方法会导致滤波后的AE信号频域信息失真,影响滤波后的AE信号上升时间,能量等参数识别;该方法可以对含噪声AE信号进行有效地滤波处理,能够较好地滤除AE信号中的非平稳随机噪声,并且能够保护滤波后的AE信号频域信息。     

基于改进字典学习的单通道振动信号盲源分离算法

单一传感器采集到的机械信号可能是多个激振源的叠加,难以进行有效分离。针对单通道盲源分离问题提出了基于改进字典学习的单通道振动信号盲源分离算法。首先利用移不变字典学习算法学习信号中的移不变基函数,重构基函数得到反映信号时频域特征的移不变分量,然后利用自适应模糊C均值聚类算法及局部最大值检测算法对得到的各个移不变分量的包络谱提取关键点并聚类,最后将聚类后的移不变分量进行叠加得到源信号的估计。仿真数据的实验表明,算法在噪声环境下具有一定的鲁棒性,同时将该算法应用到实测某型直升机振动信号分离中,进一步验证了该算法的实际价值。     

噪声环境下水声信号瞬时盲源分离方法研究

噪声环境下大多数盲源分离算法性能大大降低。提出了一种适用于噪声环境的基于子带分解的瞬时盲源分离算法。通过修正白化矩阵和选取合理子带降低盲源分离过程中由噪声产生的不利影响。仿真实验表明,采用基于子带分解的瞬时盲源分离算法能够较好地实现噪声环境下水声混合信号的分离;进一步研究表明,该算法在噪声环境下表现出良好的稳健性。     

基于盲分离技术的双目标辨识与定位方法研究

研究了利用盲分离技术对水下目标辐射噪声信号进行辨识和定位，指出了在水声信号盲分离过程中。自然梯度算法具有不稳定收敛的不足，通过构建新的非线性函数和学习因子等。提出了自然梯度算法的改进方法，经实船信号的盲分离实验表明．该算法在稳定性方面有改进。在对目标信号盲分离的同时。估计了目标信号到达基阵的时延，完成了双目标的辨识与定位。     

基于EEMD和能量分离的风电机组传动系统的故障诊断方法

摘 要：针对风力发电机传动系统故障发生时难以有效提取识别问题，提出基于EEMD分解和能量分离算法的故障诊断方法。首先，对采集到的振动信号进行EEMD分解；然后，根据峭度和相关系数选取包含故障最多且与原信号相关性较大的IMF分量；最后，通过能量分离算法来估计选定的IMF分量的幅值包络和瞬时频率，用来进一步解调分析，实现故障的诊断与定位。通过对风电传动系统的实验数据和风场现场实际运行数据证实了提出方法的准确性和有效性。该方法在风电场的实际工程当中具有良好的应用价值。     

基于EEMD与FastICA的损伤异常识别与定位

为了准确地提取结构损伤异常信息,消除小波奇异值分解时存在需要特定的小波基和分解层数以及经验模态分解（EMD）方法存在诸如虚假模态混叠等问题,本文提出了一种基于改进的总体平均经验模态分解（EEMD）与快速独立分量分析（FastICA）相结合的提取结构损伤特征并进行识别与定位的新方法。首先,通过EEMD对结构动力响应信号进行预处理并用 FastICA提取出包含损伤信息的特征分量对结构响应异常进行识别和初步定位;然后,计算归一化的源分布向量(NSDV)的最大值,并根据该最大值精确定位结构损伤。最后,通过框架数值算例和试验进行了所提方法的验证,结果表明该算法能够较好地进行结构损伤异常的识别与定位。     

EMD-Robust ICA在柴油机噪声源识别中的应用

为了有效地从复杂的单一通道噪声信号中分离和识别柴油机的噪声源,采用经验模态分解（EMD）和基于峭度的鲁棒性独立分量分析（RobustICA）相结合的方法,将EMD分解后的本征模态函数与原噪声信号作为RobustICA的输入,借助RobustICA良好的抗噪性,不需要对观测信号进行滤波处理就可以实现单一通道观测信号的源分量分离。模拟仿真的结果充分说明了该方法的可行性。应用于某四缸柴油机噪声信号分析,对分离出的独立分量进行小波（CWT）时频分析,结合内燃机的特性,从单一通道噪声信号中准确识别出柴油机的燃烧噪声和活塞敲击噪声。     

基于独立分量分析的欠定盲源分离方法

目前的欠定盲分离算法只能分离稀疏信号,对于不稀疏的信号分离效果不理想。经典独立分量分析算法中的扩展Infomax算法既能分离超高斯信号,也能分离亚高斯信号,但却只能应用于观测数不少于源数的超定盲源分离,结合扩展Infomax算法,本文提出了一种欠定ICA算法,通过生成隐藏数据将欠定盲分离问题转化为超定盲分离问题,然后再应用经典的扩展Infomax算法进行分析,该方法可以分离欠定情形下超高斯和亚高斯混合信号。并用该算法对实测的齿轮箱混合故障信号进行分离,再用包络阶次方法对分离出的信号进行分析,成功识别出了齿轮箱的不同故障特征,验证了该算法在齿轮箱故障诊断中的有效性。     

基于独立分量分析的重盲源分离方法

基于独立分量分析(ICA)的盲源分离(BSS)是一种多源信号分离的优化方法。针对ICA通道数目必需不少于源信号数目的限制条件,提出一种基于频谱识别的重盲源分离(R e-BSS)方法,利用虚拟通道实现通道数目的增加。单通道测量信号的仿真实验和实际信号处理结果表明,该方法简单可行,为盲源分离的进一步工程应用提供了新的思路与方法。