盲解卷积的机械振动信号分离技术

针对机械振动信号往往是多个信号卷积混合的结果,阐述了卷积混合的模型和原理.利用扩展的H-J网络结构,给出了在线实时的盲解卷积迭代算法,并通过仿真试验验证了算法的有效性和准确性.该法与传统的傅里叶变换频谱分析相比,能获得更多的振源振动信息,可更准确地进行机械故障诊断.     

单通道盲源分离算法及其在工程机械振源分析中的应用

研究一种新的单通道盲源分离方法,解决了传统盲源分离方法因传感器数量不足而无法有效分离源信号的问题,同时源信号幅值也得到了准确的恢复。首先利用集合经验模态分解方法将一维测量信号分解为具有不同尺度特征的本征模态函数,而后与原测量信号组成多个二维矩阵,通过稀疏分量算法得到各源信号的真实估计。利用仿真信号,与已有方法进行对比,验证了提出方法的有效性。将提出的方法应用在挖掘机动力源附近的振动分析中,成功分离出了多个振源信号。利用时频分析对源信号分别进行特征识别,并将分离结果用于振源的贡献度与声信号传递特性分析。得到各振源对于测试位置的贡献度排序,以及对于挖掘机噪声信号的传递规律,为挖掘机的减振降噪措施提供了可靠的依据。     

采用盲源分离的旋转机械振动仿真研究

盲源分离作为一种基于主向量分析的信号处理方法,目的是通过假设源信号之间的统计独立性,由一组观测信号恢复出源信号。研究了盲信号分离理论,尤其是盲卷积分离,采用基于交叉残余误差RCTE控制准则的盲分离算法,并针对旋转机械振动信号的特点生成仿真信号,将该方法应用于旋转机械振动信号瞬态成分与噪声卷积混合问题,仿真试验结果表明了该算法的有效性。     

基于MBLMS算法的内燃机振动信号盲源分离

应用Gray＇s变量准则作为代价函数，研究了基于源信号非高斯性的多通道盲最小均方差算法。针对实际应用，生成3路卷积混合信号进行盲源分离，分离信号与源信号相比，除幅值缩放和时间延迟外，其他信息基本得到了保留。在实测内燃机振动信号分离中，所得到的3个分离信号经过分析后确认为排气门落座、活塞撞击和进气阀落座产生的信号。仿真信号和实测内燃机振动信号的分离结果表明，多通道盲最小均方差是一种有效的盲源分离算法。     

卷积混合机械非平稳振动信号的二阶盲分离方法

针对机械振动信号具有非平稳和卷积混合的特性,文中将基于二阶统计量的盲源分离方法推广至卷积混合的模型,提出在信号子空间的频域中对机械振动信号的盲解卷积方法.仿真和实测数据实验结果表明,此方法充分考虑信号的非平稳以及卷积混合特性,能较好地实现机械振动信号的盲分离.与传统盲源分离算法比较,该方法更适合于机械振动信号的分析.     

基于自适应梯度盲源分离算法的胎儿心电提取

梯度算法是盲源分离信号分析中的主要算法之一.本文首先介绍了算法的基本原理及其自适应改进,并用4种生理信号对改进算法的性能进行了仿真研究;将该算法应用于母体心电等强干扰条件下胎儿心电信号的提取.研究结果表明,相对于传统的批处理算法,自适应梯度盲分离算法具有更好的性能与鲁棒性,能够将采集的混合信号分解为信源统计独立的不同独立分量,最终通过信号重构在体表电极处获得清晰的胎儿心电信号.自适应梯度盲源分离算法在生理信号的分解和重构提取研究中是一种有潜力的工具.     

基于盲源分离的精密铣削振动信号分析方法与工艺优化

精密铣削工艺已广泛应用于汽车、航空航天、微电子等领域的各种精密零件制造.铣削过程中产生的振动极大地影响了加工精度和质量.在铣削工艺过程中提出了一种基于盲源分离的切削振动信号分析及优化方法.首先将集合经验模态分解(EEMD)与稀疏分量分析(SCA)相结合实现了铣削加工振动信号的盲源分离,从而计算振动贡献度,分析精密铣削加...     

周期平稳信号盲源分离算法及其应用

周期平稳信号盲源分离方法是在没有先验知识的前提下,从一组采集信号中提取未知源周期平稳信号。对混合的周期平稳信号进行盲源分离的算法进行研究。根据循环平稳度的特征,提出以循环平稳度作为盲源分离准则,取其旋转过程的极大值点,即为循环平稳度最大时,分离出周期平稳信号源。在理论推导的基础上,对分离准则进行证明。通过仿真验证,把该方法应用于齿轮箱振动数据实例分析中,表明循环平稳度作为分离准则有很好的分离未知源周期平稳信号的效果。     

免疫优化盲源分离算法在故障诊断中的应用

将人工免疫算法用于盲源分离算法,阐述了盲源分离过程,提出了免疫优化盲源分离算法(AIS-ICA算法),针对4组特定信号的混合与分离进行了仿真试验。仿真试验结果表明,该算法具有收敛速度快、分离精度高和稳定性好等优点。将该算法用于齿轮箱振动信号的盲源分离及其故障诊断,增强了振动信号所携带的故障信息,结果表明该算法用于齿轮箱振动信号分离可增强故障信息,降低齿轮箱故障诊断难度。     

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。     

基于盲源分离的旋转机械干扰消除技术研究

实际工厂环境中，用于状态监测与故障诊断的信号检测传感器，其所采集的机器信号(振动或声音)中，不可避免地混杂有来自于相邻设备以及周围环境的干扰，这对于机器健康状态的准确监测是很不利的。这里研究利用盲源分离技术分离(去除)这些无用的外来干扰，以提高故障诊断的准确性。盲源分离是一个很独特的盲信号分析与处理工具，在机械设备监测与诊断领域有着很好的应用前景。仿真实验以及现实世界的声源信号分离实验结果，证实了盲源分离方法在机械设备干扰去除方面的有效性。     

用盲源分离技术创建独立的虚拟传感器

在振动与声测量中，由于结构对振动的传播作用以及声传播过程中散射与混响效应的存在，传感器(如加速度计或麦克风)所测得的信号往往是多个源的混合。盲源分离作为一种强有力的冗余取消工具，可以正确恢复独立源信号的波形。不过在具体实施中，所有的盲源分离算法都依赖于一个基本假设，即传感观测信号数必须大于或等于系统中的独立源数，而实际机器中独立源的数目往往未知。为此首先提出一种基于奇异值分解的聚类不相关源数估计新方法，估计一个系统中独立源数的上界，并籍此获得足够维数的传感观测信号，保证盲源分离方法在实际应用中的正确实施，从而共同构建一个能获取无法直接观测的独立源波形的虚拟传感观测系统。实验结果表明了该系统潜在的实用意义。     

ICA在航空发动机振动信号盲源分离中的应用

研究了基于独立分量分析(independent component analysis,简称ICA)的发动机振动信号盲源分离技术,旨在将发动机振动信号按照不同的激振源进行分离。首先阐述了基于最大信噪比的盲源分离算法原理,通过对仿真信号进行分离,判断了分离输出信号与仿真信号的一致性,验证了该算法的可行性;然后将该算法与FFT分离法相结合,应用于某型双转子航空发动机高、低压转子实测振动信号盲源分离中,取得了很好的分离效果,表明应用ICA技术建立的基于最大信噪比的盲源分离算法具有迭代次数少、计算复杂度低、效果好及稳定等优点。     

基于奇异值分解的欠定盲信号分离新方法及应用

提出一种利用相空间重构和奇异值分解实现信号升维,从而对欠定信号进行盲分离的新方法。选择合理的时间延迟和嵌入维数对信号进行相空间重构而得到吸引子轨迹矩阵,对该矩阵进行奇异值分解,并根据不同信号的奇异值分布特性选择合适的奇异值进行逆变换,从而可以得到源信号的新的线性组合,实现了信号升维。随后对新混合信号与原混合信号之间的关系进行讨论,分析二者之间的相关性,证明了该方法的合理性。利用该方法首先分析几种常见信号如正弦信号、调频信号、调幅信号等的奇异值分布特性,研究这些信号与白噪声混合时的欠定盲分离,并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识别齿轮系统的典型故障,取得了较好效果。     

基于Gabor变换的欠定盲信号分离新方法

结合Gabor变换和盲信号分离的各自优点,提出了一种基于Gabor变换的欠定盲信号分离新方法.首先通过混合信号的Gabor变换系数之间的相互关系,得到了源信号个数的估计;然后对Gabor变换后的信号进行阈值处理,并进行Gabor逆变换得到新的混合信号,从而实现混合信号的升维.再利用现有的盲信号分离方法进行处理,该方法不受源信号个数的限制,因此属于一种欠定盲信号分离方法;最后,通过一组仿真信号的欠定盲分离验证了该方法的有效性.     

盲源分离技术用于机械故障诊断的研究初探

目前对现场机械设备进行故障诊断主要是利用振动信号 ,虽然振动故障诊断技术已经十分完善 ,却有着其本身的缺陷。而声音信号恰能弥补这一点。作者试图利用声信号进行机械故障诊断 ,称之为声频故障诊断技术。并首次利用信号处理中的盲源分离技术进行多信号源的分离 ,从而达到单独对现场中某台设备进行诊断的目的。     

一种基于累积量的盲源分离新方法及其应用

结合二阶累积量和四阶累积量各自的优点,提出一种基于联合近似对角化二阶累积量和四阶累积量的盲源分离算法。采用稳健白化算法有效地减小了噪声对分离精度的影响。盲源分离算法与基于四阶累积量和二阶累积量的算法相比,具有收敛速度快、分离精度高的优点,两个仿真试验验证了该算法能有效分离语音信号和超高斯与亚高斯信号混合的信号。应用该算法成功实现了实测转子复杂混叠振动信号的分离。     

基于经验模式分解的单通道机械信号盲分离

盲源分离是机械设备复合故障诊断的一种有效方法,经验模式分解是非平稳信号分析的有力工具,它将非线性、非平稳信号分解成为一系列线性、平稳的本征模函数信号。在机械故障信号盲分离中,单通道机械信号盲分离是一个病态问题。针对单通道机械信号盲分离的困境,综合盲源分离和经验模式分解各自的优点,提出基于经验模式分解的单通道机械信号源数估计和盲源分离方法。针对单通道机械观测信号进行经验模式分解,并将单通道信号和其本征模函数组成多维信号,利用奇异值分解估计机械源数目,根据源信号数目重组多通道机械混合信号,并利用FastICA算法实现机械信号的盲分离。将该方法应用于轴承和齿轮的仿真研究,正确分离出轴承和齿轮源信号,仿真研究表明,它能很好地解决单通道机械信号的源数估计和盲源分离难题。     

基于源数估计的旋转机械源盲分离

在传统的源数估计方法基础上引入聚类分析思想，提出了一种基于奇异值分解的聚类不相关源数估计新方法。应用该方法，可以估计系统中独立源数的上界，并籍此获得足够维数的传感观测信号，保证盲源分离方法在实际应用中的正确实施。仿真以实验的结果证明了所提出的整体解决方案的可行性和有效性。