基于模型的CICA及其在滚动轴承故障诊断中的应用

由独立成分分析（ICA）的顺序不确定性带来的源数估计和对传感器个数的估计问题使得ICA在机械故障诊断中的广泛应用受到了限制,而约束独立成分分析（CICA）充分利用了设备的先验知识作为ICA的约束条件,可以使ICA算法收敛到感兴趣的故障信号。本文提出了一种基于滚动轴承模型的约束独立成分分析（CICA）方法,该方法可以从传感器信号中快速诊断出设备是否发生了滚动轴承故障,并用仿真和实验验证了该方法在滚动轴承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。     

传导骚扰测量中的盲源分离与频谱仿真

为实现多分量混合电磁干扰(electromagnetic interference,EMI)信号中的信息挖掘,提出一种基于单通道盲源分离和频谱仿真的分析方法。首先,采用奇异谱分析(singular spectrum analysis,SSA)结合独立分量分析(independent component analysis,ICA)对混合信号进行单通道盲源分离。其次,对分离所得波形采用短时傅里叶变换(short time Fourier transform,STFT)来构建仿真EMI频谱。最终,将仿真频谱与混合信号的接收机实测频谱进行对比研究。实验结果表明：分离信号的波形畸变较小,仿真频谱与实测频谱在基波和低次谐波处较为吻合。通过提高ICA中的特征维度,可以进一步提升仿真频谱的质量,但会导致算法收敛困难。该方法能有效分解混合EMI信号并解释其对应频谱。     

随机激励下基于ICA的结构模态参数识别

简要介绍独立分量分析(ICA)的基本原理,提出将ICA方法与随机减量法(RDT)结合起来用于随机激励下结构的模态参数识别。结合数值仿真算例和振动试验分析,验证所提出方法用于随机激励下结构模态参数识别的有效性。结果表明,ICA可以准确地从结构随机振动响应信号中分离出各源信号,并同时估计出各阶模态振型向量,源信号与结构模态坐标存在一一对应关系,再结合随机减量法和单模态识别法可识别各阶模态的频率和阻尼比。该方法仅利用振动系统的输出响应进行分析,适用于随机激励下结构的工作模态参数识别。     

基于人脸视频的非接触式心率测量方法

基于独立成分分析(ICA)和完全总体经验模态分解(CEEMD)方法,从人脸视频中提取脉搏波,进行心率测量.用摄像头非接触地拍摄人脸并从中提取R、G、B通道源信号,即皮肤颜色变化信号,利用ICA对其进行分析得到含噪脉搏信号,再用CEEMD将其分解,提取出脉搏波后用频谱分析计算得到心率.通过实验验证该方法与脉搏血氧仪测量结果具有很好的一致性.利用该非接触式测量方法可以准确地测出人体的心率,操作简单,适用于双盲实验,且自适应的脉搏波提取算法省略了传统线性滤波器的参数选取过程,大大减少了测量者的工作量.     

基于独立分量分析的高速微铣削力混合信号噪声分离方法

为得到高速微铣削力的真实信号,并且准确识别各激励源,对微铣削力混合信号分离和识别技术进行研究。首先对铣削力混合信号矩阵进行预处理,利用对预处理结果的独立成分分析(ICA)分离得到独立源信号矩阵,再通过快速傅里叶变换(FFT)得到独立源信号的频谱,最后分析并结合实验工况识别出微铣削力信号、机械噪声信号和环境噪声信号。实验结果表明:该方法具有同时分离非高斯性的机械噪声信号和高斯性的环境噪声信号的优点,可以弥补传统方法只能抑制高斯噪声信号的不足。     

矩形窗三点插值傅里叶变换高精度频率估计方法

针对电力系统信号频率估计的高准确性要求,该文提出一种基于矩形窗的三点复频域插值频率估计方法。所提出的方法首先采用矩形窗对信号加权处理,然后进行离散傅里叶变换,最后选择离散频谱中幅度最大的三根谱线进行复频域插值,得到频率估计结果。该方法同时考虑离散频谱中的正、负频谱,消除短程和长程频谱泄漏对频率估计误差的影响。采用主瓣最窄的矩形窗进行加窗,能最大程度地减少白噪声对频率估计误差的影响。仿真和实验结果表明：在不同周期和噪声强度情况下,所提出的方法均可以实现对信号频率的准确估计。在与已有的加窗插值傅里叶变换方法相比,该文所提出的插值算法抗噪性更好、频率估计误差更小,适用于对电力系统信号频率的准确估计。     

微弱裂纹信号的稀疏编码提取

针对重大技术装备中关键基础部件早期裂纹信号提取困难这一问题,提出一种基于独立分量分析（ICA）的稀疏编码收缩（SCS）去噪方法,即采用泛化高斯模型（GGM）在ICA空间中估计信号独立系数的概率密度函数（PDF）,并利用最大后验（MAP）估计方法进行非线性去噪的微弱信号提取方法。通过对不同信噪比的含噪微弱裂纹信号的提取研究,结果表明,此方法能提取出输入信噪比低于-27dB的微弱信号,且波形与频谱均能较好的和原信号保持一致。同时,其去噪效果远远好于小波降噪方法,是一种较好的微弱信号提取方法。     

基于核独立分量分析的齿轮箱故障诊断

：独立分量分析是近几年发展起来的基于信号高阶统计特性的分析方法,它是指从多个源信号的线性混合信号中分离出源信号的技术,但目前的算法在处理非线性变化的信号时还有一定的局限,而基于非线性函数空间的ICA方法—KICA,即核独立成分分析,可以解决这一问题。与传统的ICA方法相比,KICA方法具有更好的灵活性和鲁棒性。文章介绍了核独立分量的基本原理,并进行了仿真说明,最后结合包络阶次方法对齿轮箱实测的瞬态声音信号进行了分析,找到了故障特征,验证了该方法的有效性。     

一种联合乘性噪声消除新方法

当乘性噪声的频谱与信号的频谱存在混叠时,采用单纯的同态滤波法不能有效消除噪声,为此,本文提出了一种基于同态滤波和傅里叶谱相减的联合乘性噪声消除新方法.仿真结果表明:与同态滤波方法相比,该方法得到的输出信号的时域波形更接近真实信号,信噪比得到大大提高,是一种更有效的乘性噪声消除方法.