共查询到19条相似文献,搜索用时 156 毫秒
1.
现场采集的滚动轴承复合故障声学信号存在噪声来源复杂、背景噪声强、非线性等特点,导致已知的自适应多尺度形态滤波不能很好的适用于轴承复合故障的盲分离。针对上述问题,提出一种基于改进的自适应多尺度多结构形态滤波(IAMSCMF)、改进的小波阈值降噪方法(IWTDM)和稀疏量分析(SCA)相结合的滚动轴承复合故障特征盲提取方法。首先利用IAMSCMF和IWTDM构造滤波器进行滤波及提高信噪比(SNR);其次利用SCA分离信号;最后用FFT进行频谱分析。仿真分析和滚动轴承现场采集声学信号分析结果均清晰的提取出了轴承故障特征,验证了算法的有效性。 相似文献
2.
基于自相关降噪的混叠转子振动信号分离 总被引:2,自引:2,他引:0
航空发动机在运行过程中,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,对机器的健康监测和故障诊断造成了很大的困难。介绍了盲源分离基本原理和方法,指出盲源分离算法在强噪声环境下失效。针对强噪声环境下的混叠振动信号,提出首先通过时延自相关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。仿真结果验证了提出方法的有效性。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盲分离,为噪声环境下的混叠信号分离提供了一种新的方法。 相似文献
3.
针对一类存在形态差异的置换混叠图像,提出了一种基于稀疏分解的置换混叠图像盲分离新算法.该算法为了利用置换混叠图像中被置换区域和置换区域在不同的字典上稀疏表示存在的稀疏差异,分别选择Contourlet变换基字典和局部离散余弦交换基字典作为分离的特征域,通过置换混叠图像在两个特征域上的稀疏形态分解,把纹理图像从置换混叠图像中分离出来.实验结果表明,对于一类包含分片光滑和纹理成分的置换混叠图像,该算法能够有效地把纹理图像从置换混叠图像中分离出来,同时,对纹理图像的大小、位置、个数和类型具有鲁棒性. 相似文献
4.
形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号和图像处理方法,其主要目标是根据信号组成成分的形态差异性,选择合适的字典来分离信号。针对传统形态分量分析的字典选择和阈值选择的缺陷,提出了基于自适应字典选择和TH-MOM (Hard Threshold-MOM)的阈值更新策略,通过仿真信号和齿轮箱轴承多故障振动实验信号的研究结果表明:该方法不仅能将形态各异的多分量信号进行有效分离,提高了信噪比,而且提高了从强噪声环境中提取瞬态冲击特征的能力,能有效地识别轴承的故障类型和部位。 相似文献
5.
6.
7.
在恒定转速情况下,旋转机械中滚动轴承的局部故障往往导致周期性冲击,从而产生周期性瞬态振动信号。对局部故障的瞬态特征提取一直是故障检测的关键问题。基于匹配追踪(Matching Pursuit,MP)算法的稀疏分解是一种信号自适应分解算法,是强噪声背景下微弱特征提取的有效方法之一。针对滚动轴承故障振动信号稀疏表示过完备字典的选择与构造问题,基于相关滤波法优选与冲击波形匹配的Laplace小波原子构造稀疏表示中的过完备字典;针对基本匹配追踪算法计算量大、效率低的问题,结合FFT快速运算特性,通过互相关运算替换基本匹配追踪算法中的内积运算,研究基于改进MP的稀疏表示快速算法,进而提高计算效率。仿真与滚动轴承故障实验分析结果表明该算法能准确的提取滚动轴承故障特征且计算效率高。 相似文献
8.
强背景噪声环境下,复合故障信号中的多特征提取与分离是实现滚动轴承复合故障诊断的重点与难点。提出了基于自适应最大二阶循环平稳盲卷积(CYCBD)和互相关谱的滚动轴承复合故障特征提取方法。首先,基于故障信号特点,通过设置CYCBD中不同的循环频率,提取不同频率的故障冲击成分,并以最大谐波显著性指数(HSI)为依据,自适应选取CYCBD的最优滤波器长度;然后,利用互相关分析进一步抑制信号中的噪声,提高信噪比;最终通过快速傅里叶变换(FFT)实现滚动轴承故障特征的提取。仿真和实测信号的分析结果表明,该方法能够去除背景噪声的干扰、提取滚动轴承复合故障特征,验证了方法的有效性。 相似文献
9.
《振动工程学报》2017,(6)
复合故障信号中多种特征成分的有效分离是实现齿轮箱复合故障诊断的核心,也是难点。针对此,提出一种基于优化最小算法(Majorization-Minimization,MM)的稀疏表示方法,并将其应用于齿轮箱齿轮轴承复合故障特征成分的提取与分离。首先,根据齿轮箱中轴承和齿轮在局部故障激励下的瞬态成分存在差异性,利用相关滤波优选来分别构造与轴承和齿轮故障瞬态特征相匹配的过完备字典,建立目标函数;然后,采用所提优化最小算法对稀疏表示目标函数进行优化求解;在此基础上,根据复合故障信号中轴承和齿轮瞬态成分能量的强弱,依次进行稀疏表示及瞬态成分重构,最终实现齿轮箱复合故障特征的提取与分离。通过对仿真和实验信号的分析表明:所提方法能够分别提取复合故障信号中轴承和齿轮的瞬态特征,实现齿轮箱复合故障诊断,验证了所提方法的有效性。 相似文献
10.
为了提取机械设备故障引发的冲击成分,提出了一种基于连续小波系数非线性流形学习的冲击故障特征提取方法。首先,基于小波熵方法优化出最优的Morlet小波波形参数,实现与冲击特征成分的最佳匹配,获取包含冲击特征信息的最优小波系数矩阵。其次,采用局部切空间排列算法对最优小波系数矩阵进行非线性约简,并基于峭度指标最大化原则,确定出特征空间中的有效低维嵌入,从而提取出最优的冲击故障特征。最后,通过仿真数据和工程实际的应用对比分析,表明该方法采用了局部线性化和全局排列的思想,与线性奇异值分解方法相比,不仅在时域上提取出峭度更大的微弱冲击特征成分,而且在频谱中还提取出了相应的低频故障特征。 相似文献
11.
在常规的水声信号盲处理研究中,通常都是用独立成分分析算法分离线性混合信号,而对于较复杂的非线性混合信号,独立成分分析算法无能为力。针对这种情况,提出将慢特征分析(Slow Feature Analysis,SFA)算法应用于水声信号非线性盲源分离领域。一般而言,对源信号做非线性混合变换后输出混合信号较源信号变化较快,而采用SFA算法可以从复杂的非线性混合信号中提取出变化缓慢的信号,通过仿真实验,分别对简单信号和复杂水声信号的非线性混合信号进行分离,通过将源信号与分离信号对比,发现SFA算法输出信号与源信号高度相似,验证了SFA算法在非线性盲源分离领域应用的有效性和可行性。 相似文献
12.
利用声压幅度比模型,提出了一种基于声压幅度比的多声源分离定位方法,该方法利用盲信号分离算法实现混合声源信号的分离,根据谱估计的相似度确定接收信号中各声源的分配情况,结合幅度差异因子获得传感器的声源信号分布,再通过单声源的声压幅度比模型确定声源位置,实现多声源定位。由于盲信号分离算法比较成熟,且实际中的声源信号大多为非高斯,因而满足盲信号分离条件。该方法具有实用强、应用性广等特点,对其它分离、定位问题也有借鉴作用。 相似文献
13.
针对参考信号波形难以构造等情况,提出一种利用期望源信号听觉特征进行信号盲提取的方法,根据源信号的听觉特征先验知识,将提取信号与期望信号听觉特征向量的接近程度作为度量,使用非线性最小二乘法进行迭代计算分离向量,提取出与期望信号在听觉特征上最为接近的源信号。对这种方法进行了理论推导,并使用不同类型的信号进行了仿真。仿真结果表明,该方法具有良好的效果,且由于仅利用了信号的听觉特征,而不需要参考信号的具体波形,对于不同类型的信号,具有广泛的适应性,具有良好的应用价值。 相似文献
14.
针对传统的相关源盲分离方法的不足,提出了一种基于核典型相关分析的非线性相关源盲分离方法。该方法是利用了核方法来处理数据之间的非线性问题,同时还利用信号源之间的相关性来进行分离。提出的方法与传统的相关源盲分离方法进行对比分析。仿真结果表明,提出的方法明显优于传统的相关源盲分离方法,并从分离性能指标上得到了充分的反映。最后,将该方法应用到转子不对中和碰摩故障的盲分离中,实验结果进一步验证了该方法的有效性。 相似文献
15.
将盲分离理论应用于消噪处理,其关键是分离噪声,因此在分离噪声时不损失有效信号,为消噪处理提供了一种新方法。提出了一种基于二阶盲辨识的去除干扰的自提取方法,在原有的自提取算法中引入了梯度变化率的概念,有效降低了噪声。通过仿真和对实际转子振动数据的处理表明,这种算法有效地遏制了噪声,提高采样数据的准确性。 相似文献
16.
17.
18.
实际信号的混合均为卷积混合,且信号是非平稳的。盲源分离的目标就是找到一组分离滤波器,使得源信号的估计信号互相统计独立。结合信号的非平稳性,利用二阶解相关原理,文章阐明了一种在频域实现卷积混合的盲源分离算法,并且考虑了噪声对分离性能的影响。为了避免频点排列次序的不确定性,利用了多阶段盲源分离思想。利用该算法,对两路混合的实录水声信号进行盲分离,得到了两路源信号的估计信号,通过对估计信号的分析,利用信噪比提高率这一标准,验证了该算法的有效性。该算法收敛速度快,精度高,可用于浅海环境下实录水声混合信号的盲分离。 相似文献
19.
Kopriva I 《Journal of the Optical Society of America. A, Optics, image science, and vision》2007,24(4):973-983
A single-frame multichannel blind image deconvolution technique has been formulated recently as a blind source separation problem solved by independent component analysis (ICA). The attractive feature of this approach is that neither origin nor size of the spatially invariant blurring kernel has to be known. To enhance the statistical independence among the hidden variables, we employ multiscale analysis implemented by wavelet packets and use mutual information to locate a subband with the least dependent components, where the basis matrix is learned by means of standard ICA. We show that the proposed algorithm is capable of performing blind deconvolution of nonstationary signals that are not independent and identically distributed processes. The image poses these properties. The algorithm is tested on experimental data and compared with state-of-the-art single-frame blind image deconvolution algorithms. Our good experimental results demonstrate the viability of the proposed concept. 相似文献