基于改进形态-小波阈值降噪的轴承复合故障声学诊断

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。     

基于自相关降噪的混叠转子振动信号分离

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。     

Blind separation for permuted alias images based on sparse decomposition

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.     

基于改进形态分量分析的齿轮箱轴承多故障诊断研究

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。     

基于相空间重构和非线性流形的滚动轴承复合故障诊断

针对滚动轴承振动信号的非平稳以及非线性特点,提出了一种基于相空间重构和非线性流形的滚动轴承复合故障诊断方法。该方法首先将滚动轴承一维振动信号重构到高维相空间,然后计算重构信号协方差矩阵的特征值,以此组成轴承故障诊断原始特征集;采用局部切空间排列算法对原始特征集作特征压缩后,将获得的新的特征输入到K-means分类器中进行轴承故障的识别与聚类。实验结果表明,与经典的线性分析方法PCA相比,该方法的聚类效果更好。     

自适应非线性BSS及其在齿轮故障诊断中的应用

基于核函数的非线性盲信号处理（BSS）在信号处理中有着广泛的应用,但传统的非线性盲信号处理的学习速率是固定的,如果学习速率选择的不合适,则算法难以收敛或者不能收敛。针对这一不足,结合模拟退火的思想,提出了一种基于核函数的自适应非线性盲信号处理算法。仿真和实验结果表明,该方法改善了原有算法的收敛性能,分离效果良好,算法具有更好的消噪和信号特征提取能力。     

基于改进MP的稀疏表示快速算法及其滚动轴承故障特征提取应用

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。     

基于自适应CYCBD和互相关谱的滚动轴承复合故障诊断方法

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。     

基于优化最小算法的齿轮箱复合故障特征稀疏表示

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。     

基于连续小波系数非线性流形学习的冲击特征提取方法

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。     

用慢特征分析算法实现水声信号盲分离

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。     

基于声压幅度比的多声源分离定位决策研究

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。     

基于特定听觉特征的盲信号提取方法

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。     

基于核典型相关分析的非线性相关源盲分离方法研究

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。     

基于二阶盲辨识的双跨转子故障信号分离研究

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。     

融合经验模态分解与时频分析的单通道振动信号分离研究

通过单通道振动信号分离研究探讨机械振动源信号提取问题。采用集合经验模态分解方法将单通道信号构造成多通道信号,再通过主分量分析方法得到多通道构造信号的特征值分布情况并以此进行源信号数目估计,进而利用基于时频分析的盲源分离技术获取振动源信号。实验表明,该方法能有效实现单通道振动信号分离,具有较强实际应用价值。     

结合主分量分析与DOA估计的语音盲分离

在欠定语音盲分离中,W-分离正交性假设通常使问题简化,但这种简化是以降低分离性能为代价。在语音信号满足近似W-分离正交性的假设下,提出利用主分量分析（PCA）检测只有一个源信号存在的时频点,检测出的时频点均满足W-分离正交性,因此提高了混合矩阵的估计精度。通过从混合矩阵中估计源信号的波达方向,可以较好地解决置换模糊问题。仿真结果表明,提出的方法与经典的DUET方法相比具有更优的性能,平均信干比提高了2.77dB。     

基于多个时间点联合解相关的卷积盲源分离

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。     

Approach to blind image deconvolution by multiscale subband decomposition and independent component analysis

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.