基于牛顿迭代盲源分离方法的磨床故障诊断

磨床的振动信号是由多个振动源混合而成的复杂信号,利用盲源分离技术分离混合信号成为各个振动源的单独信号能更准确的实现设备的状态监控和故障诊断。基于峭度的不动点迭代法是一种常用的盲源分离方法,但存在分离矩阵难以收敛,分离效果不稳定的问题。论文在峭度最大化的理论基础上,提出基于牛顿迭代算法的振动信号盲源分离方法。通过模拟振动信号实验,当分离矩阵的迭代步数仅为不动点迭代法的1/500时,本算法就完成了分离过程,并且分离效果更佳。对数控磨床实际振动信号的分离实验,得到了和计算结果相同的磨床运行参数,进一步验证了本文方法可以较好的应用于工程实际中。     

非平稳信号的盲源分离在机械故障诊断中的应用

机械设备发生故障时，故障特征的提取很重要．对于多通道的设备故障振动信号，应用非平稳信号的盲源分离算法，可以有效地提取各自独立的非平稳振动源，从而可以准确地进行机械故障诊断。针对不同时频分布的非平稳盲源分离算法，比较了它们的分离效果。以转子的复合故障为例，验证了该算法在故障诊断中可行性。     

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。     

基于独立分量分析的潜艇振动信号盲分离技术

为了对潜艇实施减振降噪处理,需要对其进行振动测试.测试得到的振动信号实际上包含了多个振动源(如电机、轴、轴承、桨等)对于被测点振动的贡献.为了得到关于不同振动源的信息,采用基于自然梯度的独立分量分析(ICA)算法,分析振动测试信号的统计独立性,从而分离得到相互独立的振动源信号.仿真结果表明,采用该方法在无需任何先验知识的情况下(如固有频率、器件型号),可以很好地将不同的振动源信号分离开来,从而解决了潜艇振动源信号的辨识问题,为潜艇的减振降噪奠定了基础.     

单通道盲信号分离算法在浅地层剖面数据处理中的应用

将单通道盲信号分离算法应用在浅地层剖面数据处理领域.把采集到地声信号中的噪声信号作为将要分离的源信号,利用时延虚拟通道法将单一接收信号扩展为不少于源信号维数的多通道信号,使用快速独立变量分析(FastICA)分离各源信号提取有效信号.对实验数据进行处理,并与相关滤波处理后信号进行对比,验证了该方法的可行性及对源信号细节保留的优点.     

基于移不变稀疏编码的单通道机械信号盲源分离EI北大核心CSCD

针对特征反复出现的机械信号,提出了一种使用移不变稀疏编码的单通道盲源分离方法。移不变稀疏编码将原始信号看成多个基与系数的卷积,能够根据信号的统计分布,利用信号自身特征自适应地学习到匹配的基和稀疏的系数。在恒定工况下,不同的信号源具有不同的特征,同一信号源的特征结构相似,将学习到的不同特性的基分别重构即可得到相应的源信号。将该方案应用于仿真的齿轮故障和轴承故障振动信号盲源分离问题中,以及用来提取实测的液压泵压力脉动。结果显示,这种方法较其他方法有所改进,所需人工经验少、抗噪能力强、信号恢复精度高、鲁棒性好,适用于单通道机械信号盲源分离,为单通道信号盲源分离提供了一种新思路。     

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。     

基于盲解卷积的柴油机振动信号分离研究

基于振动信号分析的故障诊断方法依赖于机械状态特征的有效提取,盲源分离能够从复杂的信号中分离出源信号,是一种有效的特征提取手段。建立的多通道盲解卷积模型和机械系统的振动模型表明了两个模型的一致性,理论上证明了盲解卷积用于机械振动信号分离的可行性。利用MBLMS算法进行实测柴油机振动信号的分离实验,成功分离出了活塞撞击、燃烧和进气阀关闭信号,试验结果证明了盲解卷积能够有效分离柴油机振动信号。     

振动源信号的快速二阶统计量算法研究

快速而有效地分离振动源混合信号,是故障监测系统进一步诊断的基础.提出了一种改进的基于二阶统计量的盲源分离算法.算法采用平均时滞相关矩阵,以获取混合矩阵的平均特征结构,实现信号的有效分离.仿真和实验结果表明,该方法具有计算简单,运算速度快的特点,为振动信号在线监测与故障诊断提供了一种新的方法.     

融合盲源分离的船舶耦合振源传递路径分析技术研究

为解决工况传递路径分析(OTPA)方法面临的核心问题,提升OTPA方法应用范围和工程实用性,提出一种融合盲源分离的传递路径分析技术。首先,结合舱段模型振动试验,深度剖析OTPA方法面临的振源交叉耦合和遗漏振源无法识别等问题;然后,将盲源分离(BSS)技术和OTPA方法进行集成、融合:引入经验模态分解(EMD)-特征值分解的源数估计方法定量估计振源个数,指导振源输入测点的选取;视多个振源信号为卷积混叠,引入非正交联合块对角化方法进行耦合振动源的分离;在解决分离振源排序不确定性的前提下,将分离出的振源作为OTPA方法的输入振源,建立应用限制条件少的BSS-OTPA模型;最后,开展实船海上振动声辐射试验,利用BSS-OTPA模型成功实现了船舶机械振动噪声源的量化、识别。研究成果可直接支持船舶机械设备振动源辐射声场预报和振动噪声控制。     

基于振动信号分离的行星轴承故障特征提取

由于行星轴承振动信号传递路径的时变性,且行星齿轮箱中齿轮啮合振动信号较强,导致行星轴承故障特征提取较为困难。为此,提出了一种基于振动信号分离的行星轴承故障特征提取方法。该方法首先采用阶比分析技术将原始振动信号进行等角度采样;每当行星架旋转一周,采用Tukey窗进行加窗截取,按照啮合齿序重新拼接,构造振动分离信号。再采用离散随机分离从振动分离信号中提取行星轴承故障分量;最后进行包络谱分析提取故障特征。行星轴承内圈故障实测信号分析表明,该方法能有效提取行星轴承故障特征。     

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。     

基于摩擦信号的滑动轴承接触摩擦故障的状态监测

摩擦信号与固有振动信号混叠造成滑动轴承的接触摩擦故障诊断困难。针对此特点,本文在不分离摩擦信号的条件下提出了一种基于摩擦信号强度的接触摩擦故障监测方法。该方法首先结合EMD和非线性峭度确定摩擦信号发生的时刻,然后改进灰色B型绝对关联度以计算摩擦信号对相邻固有振动信号的冲击强度,以此衡量摩擦信号的相对大小,进而监测滑动轴承接触摩擦故障。仿真和试验证明了该方法的有效性,为监测滑动轴承故障提供了一种新思路。     

基于EMD-DCS的滚动轴承伪故障特征识别方法

伪故障特征是健康零部件振动信号中具有的故障特征,伪故障特征是由系统内故障零部件引起的。由于滚动轴承伪故障特征与故障特征具有相似性,针对转子-轴承系统中滚动轴承伪故障特征识别问题,提出一种基于经验模式分解(Empirical Mode Decomposition,EMD)和循环平稳度(Degree of Cyclostationarity,DCS)的伪故障特征识别方法。利用滚动轴承健康信号和伪故障信号对比分析基于单通道伪故障信号进行滚动轴承故障诊断的技术难点;建立了考虑滚动轴承打滑率的转子-轴承系统动力学模型;利用时频分析方法和循环平稳分析方法对滚动轴承伪故障特征进行分析;给出了基于EMD-DCS的滚动轴承伪故障特征识别流程;在滚动轴承故障模拟实验台上开展了滚动轴承伪故障特征识别实验。实验结果表明:基于EMD-DCS的滚动轴承伪故障信号识别方法可以有效区分滚动轴承故障特征与伪故障特征。该研究工作对于提高滚动轴承故障诊断准确率、保障设备安全运行具有理论意义和实际应用价值。     

基于盲源分离和AR谱估计的旋转机械故障诊断方法

准确的AR模型能够较好地揭示信号中蕴含的状态特征变化的信息,然而,AR模型对系统的状态变化十分敏感,多个动态变化的源信号的耦合必然会影响其估计结果。基于此,提出了一种基于盲源分离和AR谱估计的旋转机械故障诊断方法。首先,利用盲源分离的方法从混合观测信号中恢复各机械振动源信号;然后,将非平稳性的故障信号通过经验模态分解得到各本征模态函数;最后,对经验模态分解得到的平稳的本征模态函数进行AR谱估计,提取振动信号的故障特征信息。通过仿真研究和实验分析验证了该方法在旋转机械故障诊断中的有效性和可行性。     

谱相关技术及其在潜艇结构振动信号传递特性分析中的应用

由于潜艇结构的复杂性,有限元方法和时域相关方法在分析结构振动信号传递特性时精度欠佳。针对上述问题,提出了定量分析结构振动信号传递特性的谱相关技术,该技术通过结构两侧振动信号分析结构对振动信号组成成分的影响,避免了有限元精确建模困难与振动信号通过复杂结构时波形失真较大的难题。将该技术应用于潜艇缩比模型不同结构振动信号传递特性分析中,定量分析结果表明该技术能很好地分析不同结构的振动信号传递特性。     

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爆破振动信号分离仿真试验

爆破振动信号分析是研究爆破振动特性的重要手段,而实测爆破振动信号往往是多个振源信号的叠加信号,分离出每个振源或特定振源的振动信号对于其振动特性的研究具有重要意义。选取实测的爆破振动信号,进行线性混合得到混合信号,利用独立分量分析(ICA)对混合信号进行分离,获取了与源信号波形基本一致的分离信号,仿真试验表明ICA适合爆破振动信号的分离。     

基于无参数经验小波变换的风电齿轮箱故障特征提取

风电机组通常以集群规模化运行,机组结构复杂、振动测点多,所产生的振动数据量大,仅靠人工进行故障诊断具有较大挑战。提出基于无参数经验小波变换的风电齿轮箱故障特征提取方法,运用尺度空间方法和经验法则对振动信号的傅里叶谱进行自动分割,获得不同的滤波频带,据此设计一系列经验小波滤波器对信号进行分解和重构,获得不同频带下的经验模式,进一步采用裕度因子对分解后的经验模式进行排序,选取裕度因子最大的经验模式作为故障敏感模式;该方法能在无需预设任何参数的情况下对振动信号进行分解与故障特征提取,具有自适应性。风电试验台和实测风电齿轮箱故障案例验证了方法的有效性。     

基于EEMD和改进的形态滤波方法的轴承故障诊断研究

轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取, 进行局部故障诊断。但在复杂工况下,故障脉冲易被周围噪声淹没,在分析EEMD和形态学滤波方法的基础上,将EEMD方法与形态学滤波方法相结合,提出结构元素(SE)选择方法,并用于本征模态信号中冲击响应特征的提取。通过将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。