基于相空间重构和ICA-R的轴承故障特征增强方法

针对实测滚动轴承早期故障信号中故障特征频率成分微弱、难以识别及提取的问题,设计了一种结合相空间重构(phase-space reconstruction,简称PSR)和参考独立分量分析(independent component analysis with reference,简称ICA-R)的故障特征增强方法。利用相空间重构将一维时域信号拓展到高维,再进行参考独立分量分析,将所感兴趣的轴承故障特征频率成分进行增强。该方法相比传统频率提取方法具有效果好、对干扰频率抑制明显的特点。仿真结果和工程实测信号表明,该方法对滚动轴承早期故障特征提取有效可行,具有一定工程应用价值。     

独立分量分析在滚动轴承包络分析中的应用

提出了一种利用独立分量技术消除或有效抑制包络分析中强干扰对分析结果影响的方法.该方法首先用包络分析方法提取滚动轴承振动信号的包络波形,再通过独立分量分析实现各振源包络分量的分离去噪,最后对滚动轴承相关的包络分量进行包络谱分析,获得对滚动轴承故障在强干扰源存在下的准确结果.     

结合小波变换和独立分量分析的脑电特征提取

在多道脑电信号的独立分量分析 ICA (Independent Com ponent Analysis)过程中 ,脑电独立源在数量上的不确定性往往是造成分离结果不理想的主要原因。目前还没有找到解决此问题的有效方法。根据脑电信号自身的特点 ,提出了一种结合小波变换 WT(Wavelet Transform)和独立分量分析的脑电特征提取新方法— WICA。新方法的主要思路是先对每一道脑电数据进行小波分解 ,然后根据需要选择不同尺度的小波子带信号进行脑电独立分量提取。实验结果表明 ,WICA方法在一定程度上能够克服因脑电独立源的不确定性所带来的影响 ,并能获得较好的脑电特征提取效果。     

加权相空间重构降噪算法及其在设备故障诊断中的应用

加权相空间重构降噪算法在相空间重构与分解的基础上,将一维的时间序列延拓到高维的相空间,使得一维时序中不易识别的特征在高维相空间变为容易识别的吸引子,通过区分吸引子在高维空间的不同的属性与特征,采用汉宁加权窗将高维信号投影到一维,使得信号的本质特征得到充分体现.根据机械设备发生故I荤其振动信号中往往具有非线性、非平稳性的特点,提出将加权相空间重构降噪算法用于设备故障信号的降噪,并采用数值仿真试验及齿轮故障诊断对此算法进行了分析与验证,结果表明该算法对此类信号具有良好的降噪效果.     

基于小波分析的FastICA联合降噪方法在滚动轴承故障诊断中的应用研究

采用小波分析方法进行振动信号降噪存在选取参数依靠经验的问题,采用独立分量分析（ICA）方法进行振动信号降噪存在欠定问题,为了避免小波降噪以及ICA方法单独使用的缺点,提出了将小波降噪分析和基于负熵的FastICA独立分量分析相结合来处理滚动轴承含噪振动信号的方法。首先对原始信号进行小波降噪处理,然后将处理后的信号与原始信号组成FastICA的输入矩阵,进行FastICA降噪处理,最后利用滚动轴承振动信号对该方法进行有效性验证。实验分析表明：该方法增大了振动信号的峭度值,达到了滚动轴承振动信号降噪的目的。     

基于小波-相空间重构的信号分析方法

时域信号的小波分解可以等价于一种信号的相空间重构方法。基于此,对于时域 信号,通过小波变换,进行相空间重构,将相空间中信号投影到Ｈ－Ｇ平面,可以得到 信号中微小成分的信息。并对于转子响应中经常出现的周期、拟周期、混沌信号进行 了仿真计算。     

基于独立分量分析的EMD模态混叠消除方法研究

针对经验模态分解(empirical mode decomposition,EMD)算法中存在的模态混叠现象,提出一种应用独立分量分析进行模态混叠消除的新方法.首先应用形态学滤波方法将信号中的噪声予以消除,减少由于噪声因素造成的模态混叠现象.然后将信号进行EMD分解,获得不同的IMF分量,将存在模态混叠成分的IMF分量进行相空间重构,利用基于峭度最大化的独立分量分解算法实现混叠成分的分离,仿真分析和工程应用的结果表明,所提方法能有效地消除EMD分解过程中的模态混叠现象.     

基于量子计算的独立分量分析算法及应用

将量子优化原理应用于独立分量分析中,提出了量子独立分量分析算法(quantum independent component analysis,简称QICA),针对3组特定信号进行了混合与分离的仿真实验,得到了较好的分离效果。将该算法用于齿轮箱振动信号的源分离及其故障诊断中,实验结果表明,该算法用于齿轮箱振动信号分离可以明显增强故障信息,降低齿轮箱故障诊断难度。     

基于独立分量分析和相关向量机的轴承故障诊断研究

提出了将独立分量分析(ICA)与相关向量机(RVM)两者结合进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对轴承振动测试信号进行预处理,以使其能较好地满足ICA的前提条件,再应用独立分量快速算法(Fast ICA)分离轴承状态信号并提取特征向量,然后,应用相关向量机做为故障分类器实现轴承故障状态识别。对6206普通球轴承在正常状态和内圈、外圈、滚动体故障状态所进行的故障诊断实验表明,该方法能够准确、有效地对滚动轴承故障进行识别。     

基于独立分量分析的数字水印攻击

将独立分量分析的盲信号分离方法应用于数字水印攻击.该方法先应用独立分量分析将含有水印的图像变换到独立域中,然后再使用非线性滤波和独立分量分析逆变换恢复出载体图像,从而尽可能地去除掉水印信息.     

约束稳健独立分量分析在滚动轴承故障诊断中的应用

独立分量分析方法广泛应用于机械设备故障诊断领域。在稳健独立分量分析方法的基础上,结合故障特征频率先验信息,提出了一种约束稳健独立分量分析方法。该算法首先讨论了如何产生参考信号,然后定义了参考信号和期望信号的接近性度量函数,最后提出了改进的稳健独立分量对比函数。仿真和试验结果表明,该算法在收敛速度和计算精度方面都明显优于传统的Fast ICA算法。     

独立分量分析在齿轮箱轴承故障诊断中的应用

介绍了独立分量分析的基本原理和算法步骤,运用其对齿轮箱实测的瞬态声音信号进行了降噪处理,然后运用阶次倒谱技术分析了降噪后的信号,找到了故障特征,成功地判别出了齿轮箱的轴承外圈故障,验证了该方法的可行性和有效性。     

相空间稀疏化的信号压缩感知与重构方法

针对旋转机械振动信号受强噪声干扰导致传统FFT频域稀疏性差,难以进行正交匹配重构的问题,提出了相空间稀疏化结合正交匹配追踪(orthogonal matching pursuit,简称OMP)的信号压缩感知(compressed sensing,简称CS)方法。首先,对信号进行相空间重构(phase space reconstruction,简称PSR),并采用主分量分析(principal component analysis,简称PCA)提取主要分量和重构信号,以提高信号的频域稀疏性;然后,采用随机高斯矩阵测量及压缩频域稀疏性得到优化的信号;最后,采用正交匹配追踪算法重构信号。仿真信号和转子典型不对中信号的分析结果表明,该方法可以提高受强噪声干扰的振动信号在频域内的稀疏性,实现转子振动信号的有效压缩和准确重构。     

独立分量分析在信号处理中的应用

独立分量分析(ICA)是近期发展起来的一种统计学方法,旨在寻求对非高斯分布数据进行有效的表示,使得各个分量在统计学上独立,或者尽最大可能地独立。文章介绍了独立分量分析的发展过程,基本理论等。许多应用中,这种表示意在获取数据的基本结构,包括特征提取和信号分离,目前主要应用在盲源分离,特征提取,盲反卷积等方面。     

基于短时傅里叶变换和独立分量分析的滚动轴承包络分析

滚动轴承的早期故障信号能量小,频带分布广泛;而传统包络谱分析技术直接在强干扰影响下对滚动轴承的故障特征提取经常失效.提出一种基于短时傅里叶变换(short time Fourier transform,STFT)的能量谱和独立分量分析( independent component analysis,ICA)的抗干扰滚动轴承包络分析新方法.该方法首先对获取的滚动轴承振动信号进行STFT能量谱分析,获取信号采样频带下的能量分布,采用带通滤波器获得高频带能量信号,并提取该包络波形,再通过ICA实现包络波形按源分离去噪,最后通过比较各独立分量的包络频谱与滚动轴承理论计算故障特征频率的匹配性,实现滚动轴承故障的精确诊断.仿真数据和试验验证该方法的可行性.     

基于局部主分量分析的胎儿心电信号提取算法

为了从孕妇腹部一个导联混合信号中提取微弱的胎儿心电信号,提出了一种基于局部主分量分析的非线性特征信号提取算法.该算法首先利用重构相空间理论从观测时间序列中重构系统的动力学特征,然后在每个相点的局部范围内利用主分量分析的算法提取母亲和胎儿心电信号.由于提取的胎儿心电信号中还含有噪声,再一次利用局部主分量分析算法就能分别提取纯净的胎儿心电信号和噪声.两组实测信号的仿真结果表明,算法具有较好的提取效果和鲁棒性.     

滚动轴承特征提取的多分量解调方法

提出利用多个高频振动分量进行滚动轴承故障特征提取的多分量解调方法。与传统的基于单一高频振动分量的解调方法不同,多分量解调方法从多个高频振动分量中提取信号特征信息。首先构建带通滤波器组对原信号进行滤波,然后依据所提高频振动分量获取策略求取原信号中多个高频振动分量,并对各高频振动分量进行包络检波,其次用独立成分分析对所得包络信号进行盲分离,最后对分离信号进行频谱变换以提取故障特征信息。仿真信号和故障轴承信号的分析结果表明,所提方法较传统解调方法更能凸显滚动轴承故障振动信号中的特征信息。     

基于改进的独立分量分析的图像分离技术

本文主要将改进的ICA优秀算法优化并运用于多通道混合图像分离与处理中,通过同基于特征分析的线性变换技术的对比,以及实验并探讨噪声对混合图像的ICA分离的影响,取得了一些有价值的仿真结果.     

基于独立分量分析的脑电信号消噪

脑电信号中往往含有各种形式的噪声干扰信号。这些干扰成分包括眼电、心电伪迹以及工频干扰等。由于干扰信号和脑电信号在频域上相互重叠,因此用时域或频域滤波的方法难以有效地消除脑电信号中的干扰成分。独立分量分析(Independent Component Analysis,ICA)是20世纪90年代发展起来的一种新的盲源分离方法(Blind Source Separation,BSS),将ICA方法应用于实测脑电信号的处理,获得非常理想的消噪效果。     

基于平稳小波变换的相空间重构方法

针对非线性信号特征提取问题,提出一种基于平稳小波变换的相空间重构方法.对信号进行多层平稳小波分解,利用得到的不同尺度小波系数进行相空间重构,通过局部切空间变换方法提取蕴涵在相空间高维数据集中信号的低维形态特征.仿真试验结果表明,非线性信号经过平稳小波变换后,吸引子轨迹与原有轨迹具有相似的结构.利用局部切空间变换可获得带有高斯白噪声的非线性信号的低维形态特征,该低维形态特征与原有非线性信号的吸引子轨迹相似.这种相空间重构方法较传统的方法具有一定的优势,可以用于提取含有噪声的机械振动信号的故障特征.