基于盲源分离技术的故障特征信号分离方法

信号采集过程中，传感器测量到的信号是实际振动信号在此测量方向的投影值，由于其他不相干振源的影响，测量信号由多个振动信号成分组成。在分析多振源信号混合模型的基础上，采用盲源分离技术分离不同的振源信号，讨论分离结果的广义初等相等性质的影响，研究估计振源数目的方法和选取测量信号的方法，利用二阶特征矩阵联合近似对角化算法，从测量信号中分离故障特征源信号。该算法可减小信号采集不当造成的影响，有效提高特征信号的提取。     

基于低秩稀疏分解的采煤机轴承复合故障分离

针对采煤机截割部轴承故障信号噪声和干扰大、为非平稳信号、难于实现复合故障分离等问题,提出基于低秩稀疏分解的采煤机轴承复合故障分离。首先,将混合信号经低秩稀疏分解后得到低秩组分和稀疏组分,利用快速独立成分分析（Fast-ICA）将低秩组分还原得到一组故障源信号;其次,利用经验模态分解（EMD）将稀疏组分分解为频率层次不同的内涵模态函数,计算内涵模态函数的频率成分,将内涵模态函数中包含微弱故障频谱特征的成分作为另一组源信号;最后,采用Tensor Flow平台对模型进行编程,通过数据集仿真分析和实验验证。该方法可以有效地将轴承内圈、外圈故障和滚动体故障分离开,为采煤机轴承复合故障分离提供了新的思路。     

基于LCD的齿轮箱混合故障盲源分离研究

盲源分离是一种有效的混合故障诊断方法,而局部特征尺度分解（LCD）是非平稳信号的有效分析处理工具,综合两者的优点,提出了基于LCD的齿轮箱混合故障盲源分离方法。将源信号LCD分解,得到新的多维信号,采用Bayesian信息准则（BIC）估计盲源的数目并对多维信号进行重组。最后进行联合近似对角化处理,实现源信号的盲分离。仿真和实验结果表明,该方法能够有效地实现齿轮箱混合故障盲源分离。     

融合小波分解与时频分析的单通道振动信号盲分离方法

针对单通道振动信号盲源分离是一个病态问题,且传统的振动信号盲源分离方法往往忽略信号的非平稳性的问题,提出了一种融合小波分解与时频分析的单通道振动信号盲源分离方法。首先利用小波分解与重构将单通道信号转化为多通道信号,解决了盲源分离的欠定问题;然后利用基于时频分析的盲源分离算法分析非平稳信号,得到源信号的估计信号,实现了非平稳信号盲源分离。仿真和实验结果表明,该方法可以有效地解决单通道非平稳振动信号的盲源分离问题。     

故障源信号的频域盲分离及其应用研究

盲源分离可以对相互统计独立的信号源经线性组合而产生的一组混合信号进行分离,从中得到各个独立的源信息.针对混合信号相位差对独立分量分析算法性能的影响问题,提出一种故障源信号的频域盲分离方法.该方法利用频谱的线性叠加性和无相位性,先将工程实测信号转换到频域,再对得到的信号频谱进行盲源分离.仿真实例和涡流传感器失效检测的成功应用表明,根据信号结构选择预处理方法十分重要,正确的预处理可以大大提高独立分量分析提取故障源特征的有效性.     

动态故障源数估计的自适应盲源分离方法

在大型旋转机械故障诊断中,由于故障源数动态变化,无法准确估计源数并有效分离出故障源.针对这一问题,采用拓展四阶累积量矩阵估计动态故障源数,并根据源信号数与传感器数的关系,选择相应的盲源分离算法实现自适应盲源分离.实验结果表明,该源数估计算法能有效地估计出包括欠定情况下的动态故障源数,自适应盲源分离算法能有效地实现正定、超定与欠定盲源分离的故障诊断.     

基于鲁棒预白化的机械噪声信号盲分离

机械噪声故障诊断的难度在于实际检测的噪声是多个设备或零部件噪声信号的混合,信噪比低,基于二阶统计量盲源分离算法的故障噪声诊断技术,利用二阶协方差矩阵的联合对角化,从测量噪声中分离出感兴趣故障噪声进而提取特征,但该算法抗干扰噪声性能差。本文利用多个协方差矩阵平滑滤波后的矩阵进行白化,进一步提高了抗干扰噪声能力,在样本数据较少时仍能实现较好的盲源分离效果,仿真实验证实了该算法的有效性。     

基于多尺度线调频基稀疏信号分解的齿轮故障信号阶比分析

针对变转速齿轮箱故障振动信号调制边频带难以识别的问题,提出一种基于多尺度线调频基稀疏信号分解的阶比分析方法.该方法先采用基于多尺度线调频基的稀疏信号分解方法对齿轮箱振动信号进行分解,提取齿轮的啮合分量与调制边频分量,由啮合分量的时频分布曲线得到瞬时转频估计,再基于获得的瞬时转频对啮合分量与调制边频分量之和进行等角度重采样,将非平稳的分量信号转化为平稳信号,对重采样后的信号进行阶比分析,诊断齿轮故障.与传统的直接对齿轮箱故障振动信号进行阶比分析的方法比较,结果表明,提出的基于多尺度线调频基稀疏信号分解的阶比分析方法抗噪性强,调制边频带识别效果好.仿真算例与应用实例验证了本方法的有效性.     

基于局域均值分解的机械故障欠定盲源分离方法研究

结合局域均值分解(Local mean decomposition,LMD)和盲源分离各自的特点,提出一种基于局域均值分解的欠定盲源分离方法.该方法利用LMD对观测信号进行分解,得到一系列的生产函数分量,将所得到的生产函数(Production functions,PF)分量和原观测信号组成新的观测信号.对构成的新观测信号进行白化处理和联合近似对角化,得到源信号的估计.该方法能有效解决传统的盲源分离方法要求源信号满足非高斯、平稳和相互独立的假设,且要求观测信号数多于源数的不足等问题.仿真结果表明,所提出的方法是有效的,在处理非平稳信号混合的欠定盲分离方面,比传统时频域的盲源分离方法得到了更好的分离效果.将提出的方法应用到滚动轴承的混合故障分离中,试验结果进一步验证该方法的有效性.     

基于盲源分离与小波降噪的旋转机械故障分析

基于小波降噪和盲源分离相结合对机械信号进行分离与故障诊断。首先使用经分析选择的较好小波阈值对非平稳振动信号进行降噪,然后运用盲源分离技术分离出激振信号,结果表明利用小波阀值降噪后进行盲源分离时分离信号与源信号相似系数优于直接盲源分离;将小波降噪和盲源分离相结合应用于某燃气轮机的实测故障信号提取,诊断出转子发生了不平衡及碰摩等故障现象,与实测情况相符,有效说明了该方法在旋转机械故障诊断中的实用性。     

基于EEMD的单通道盲源分离在轴承故障诊断中的应用

针对一维观测矩阵的极度欠定盲分离模型,结合盲源分离和总体经验模式分解的优点,利用总体经验模式分解将单通道信号转化为固有模态矩阵,重组观测矩阵,再通过近似联合对角化实现信号的盲分离。数据仿真说明该方法能提取低信噪比下的轴承故障信息。实验中,对2种不同故障的轴承进行故障诊断,从而进一步证明了该方法的有效性。     

基于小波半软阈值消噪的盲源分离方法

为了有效提取含噪机械故障信号中的故障特征信息,研究了一种基于小波半软阈值消噪的盲源分离方法。利用小波半软阈值对故障信号进行消噪处理;采用联合近似对角化算法对信号进行盲源分离;考虑在噪声干扰下预消噪常常不足以消除全部噪声,因此在盲源分离后再进行适当的消噪处理,以提高其分离性能。实验验证了所提出方法的有效性和可行性。     

基于时频分析的欠定信号盲分离与微弱特征提取

盲源分离对于多振源信号的故障诊断与识别是一种有效的方法,但是传统的盲源分离算法都是针对观察信号大于或等于源信号的情况,但对于观察信号小于源信号的欠定盲分离问题,这在很大程度上制约了盲源分离的实际应用。通过应用经验模式分解和时频分析对非平稳信号分析的优势,提出基于时频分析的欠定盲源分离方法进行设备微弱特征提取。对振动信号进行经验模式分解,并根据分解得到的内蕴模式分量估计源信号个数并选择最优的观察信号,将振动信号与选择的最优观察信号组成新的观察信号进行基于时频分析的盲源分离,通过对仿真信号和齿轮箱实测信号进行验证分析。并与基于独立分量分析的盲源分离算法进行对比,研究表明基于时频分析的盲源分离对混合信号具有更好的分离效果,能够较好地对微弱特征进行提取。     

盲分离与Hilbert-Huang结合应用于航空发动机振动信号分析

在航空发动机故障诊断中,首要任务是分析故障信号提取故障特征。针对航空发动机非平稳振动信号,提出了利用盲分离(BSS)获得发动机的振源信号,结合Hilbert-Huang变换(HHT)对振源信号进行时频分析提取故障特征的方法。首先利用仿真信号验证了此方法的有效性,然后分析了某航空涡扇发动机空中停车故障并与直接应用HHT分析的结果进行比较,证实了盲分离与HHT的结合能更准确地提取航空发动机非平稳故障特征。     

粒子滤波在含噪齿轮箱故障盲源分离中的应用

在机械故障诊断中,传感器所获得的信号不可避免地受到各种未知噪声的干扰,针对这种复杂噪声环境下的机械信号盲源分离不能得到较好分离效果的问题,提出了一种将粒子滤波用于含噪信号盲分离的方法,首先利用Rao-blackwellised粒子滤波对观测信号进行降噪处理,然后再进行独立分量分析。仿真和实验结果表明该方法是有效的。     

机车齿轮传动系统多元信号时变盲分离研究*

齿轮传动系统是保障机车安全稳定运行的最重要的关键装备之一,其运行状态具有时变性、不可预知性和动态联动性等特点,采用传统故障诊断方法进行故障特征获取仍然存在误诊、漏诊等现象。稀疏盲分离是一种能够在信号传输通道有限的情况下,依据正交基映射将多元非线性信号有效分离的软计算方法。但是在实际工况中,机车齿轮故障数据往往是微弱性和不确定性的,从而导致稀疏分离后的源信号特征无法准确诊断故障。因此,提出一种基于变尺度经验模态分解的自适应时变盲分离方法,利用稀疏化处理和迭代筛选进行分离获取故障源,通过调整时间跨度获取最优本征模态函数,删除冗余因素,有效提高故障特征识别准确率。通过仿真试验数据验证,进一步表明了该方法在低信噪比状态下快速准确获取故障特征的有效性,能够为铁路运输的状态检测和故障诊断提供关键技术。     

基于EMD-PCA的轴承故障源盲分离方法

结合经验模态分解和主分量分析各自的优点,提出了一种基于EMD-PCA的轴承故障源的盲分离方法。利用EMD方法对混合观测信号进行分解得到若干个本征模函数分量,把所有的IMF分量重新组合在一起,作为新的观测信号,然后采用PCA对新的观测信号进行共性分析以得到源信号中的主要成分,并进行了轴承故障源分离试验验证。     

一种基于子空间法的机械故障欠定盲分离新算法

针对以往稀疏盲信号分离算法中恢复源信号时所采用的线性规划或最短路径法计算相对复杂,提出了一种基于子空间法的机械故障欠定盲源信号恢复方法。该算法假设源信号由两个正交向量构成:其中一个向量位于混叠矩阵A的行空间中,另一个位于A的零空间中,位于行空间中的向量可以通过A的Moore-Penrose伪逆得到,位于零空间中的向量通过贝叶斯估计得到。新算法容易实现,分离速度快,能够很好地满足盲分离对速度的要求。将其用于实测齿轮故障信号的盲分离,研究表明该方法能够分离齿轮系统的典型故障,取得了较好效果。