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。     

高速列车非平稳振动信号盲源分离方法及应用

高速列车具有若干时变激励源,传统的时频分析方法只能对观测的混合振动的总体强度分布、时频域结构加以分析,不能分离出与各振源对应的信号分量从而明晰振源状态与故障特征。盲源分离是一种可行的分析方法,但由于高速列车振动信号具有时变振源数目、时变信号长度、受车速调制的变频非平稳等特征,传统的盲源分离方法不适用。为了提高高速列车非平稳信号的盲源分离效果,基于自适应滤波理论提出全局最优信噪比盲源分离新方法,并对其可分离性的判别依据进行论证。新方法的有效性经仿真计算和实测数据分析得到验证。研究表明：新方法对高速列车时变非平稳信号的盲源分离效果优于传统的基于非线性函数的盲源分离方法和基于高阶累积量的盲源分离方法。     

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。     

大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)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(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析（independent component analysis,简称ICA）理论中的快速独立分量分析（fast independent component analysis,简称FastICA）算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。     

大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)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(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析(independent component analysis,简称ICA)理论中的快速独立分量分析(fast independent component analysis,简称FastICA)算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。     

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.     

基于流形学习的滚动轴承故障盲源分离方法

滚动轴承的故障信号是一种典型的非线性非平稳信号,其信号中常常混有噪声信号及其他干扰成分。提出了一种基于流形学习的滚动轴承故障盲源分离方法,首先,利用经验模态分解(empirical mode decomposition,简称EMD)对单通道模拟信号进行分解,对得到的多通道信号构造其协方差矩阵,计算矩阵的奇异值下降速比得到原始信号数目;其次,利用峭度等指标选择最优观测信号,利用核主成分分析(kernel principal components analysis,简称KPCA)提取信号的流形成分;最后,利用快速独立成分分析(fast independent component analysis,简称Fast ICA)还原得到源信号。该方法不但解决了故障信号的欠定盲源分离问题,还提出了最优观测信号的确定准则,并通过实例验证了方法的有效性。     

基于EEMD的单通道机械噪声信号盲分离

盲源分离在机械设备状态监测与故障预判中可以有效的去除干扰并恢复源信号,有助于信号进一步分析,具有重要应用价值。实际环境中机械信号通常是非平稳信号,经验模态分解对于解决实际应用中非平稳非线性的机械信号是一种有效方法。为了促进机械声学诊断的发展,解决混合声信号难处理的问题,同时为了降低实际信号采集成本,本文提出基于EEMD与Fast-ICA相结合的单通道机械噪声信号盲源分离方法,奠定机械声学故障诊断的基础。该方法利用EEMD算法将单个传声器接受的观测信号分解成多个IMF分量,然后选出合适的IMF分量与单通道信号组合,再利用特征值占优比估计源数目,以此为依据重构多维观测信号,实现单通道升维,最后利用Fast-ICA恢复机械信号。并将该方法用于三台异步电动机噪声信号的单通道盲分离实验,分离效果良好。     

正弦加载液压泵故障振动信号的阶比多尺度形态滤波方法研究

 液压泵在变载荷作用下会引起转速波动且发生幅值调制现象,振动信号呈现出明显的非平稳性,传统的滤波方法难于进行有效滤波。针对正弦加载液压泵故障振动信号提出一种阶比多尺度形态滤波方法,利用基于EEMD理论的时频阶比分析方法将正弦加载液压泵故障振动非平稳信号转化成角域平稳信号,再用多尺度形态滤波方法对角域平稳信号进行多尺度寻优和解调处理获得多尺度解调信号,并进行阶次谱分析得到振动信号的特征阶次。通过实验证实,该方法能对正弦加载液压泵故障振动信号进行有效滤波,且能提取出更多的有用故障信息。     

基于独立分量分析的动车组模型噪声分离

研究表明高速列车的噪声由多种因素混合而成,有效的分离出各种噪声对列车的减振降噪具有重要意义。针对动车组模型试验提出一种适用于分离试验段观测噪声的盲源分离方法。对观测噪声进行EEMD分解,使单通道欠定问题转化为正定问题;利用主成分分析进行源信号数目的估计,提出利用至少包含源信号信息90%的主成分重构观测信号;对重构的观测信号利用独立分量分析进行分离。仿真实验说明该方法可有效的分离出源信号。在动车组模型风洞试验中,试验段传声器的观测信号主要是由气动噪声和风机振动噪声混合而成,所估计的源信号数目与试验条件一致。分离出的气动噪声和风机振动噪声源信号与原始源信号的主要频率一致,相关系数都大于0.65,属于强相关,说明了该方法对动车组模型试验噪声分离的有效性。     

基于独立分量分析的壳体结构振源数目估计方法

在振源数目未知的条件下,仅利用多通道观测混合信号准确分离源信息是信号源盲分离的技术难题之一。为了揭示观测振动混合信号的复杂组成结构,以及为振源信息盲分离提供可靠的先验信息,提出一种基于独立分量分析和聚类评估技术的信源数目估计方法。通过仿真试验与壳体结构试验台典型机械振动信号分析,定量比较基于信息理论的源数估计方法AIC/MDL与提出方法的性能,研究结果表明所提出方法可从振动调制混合信号中准确可靠地估计信源数目,具有更好的工程应用性能。     

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。     

基于EMMD和BSS的单通道旋转机械故障诊断方法

针对在欠定的观测信号情况下,传统基于矩阵的盲源分离算法效果比较差的问题,提出一种基于极值域均值模式分解和盲源分离的单通道旋转机械信号故障特征提取方法,并应用于实际的故障诊断中.该方法先通过极值域均值模式分解法分解观测信号,把得到的固有模态函数和原观测信号一起组成新观测信号,从而实现了信号升维,使欠定问题转化为正定问题;然后,由奇异值分解和贝叶斯准则进行源数估计;最后,利用基于四阶累积量的特征矩阵联合对角化方法实现信号的盲分离.通过仿真,验证了该方法对旋转机械故障信号进行盲源分离的可行性.将提出的方法应用到齿轮和轴承系统的故障诊断中,进一步证明了该方法的有效性.     

LMD-ICA联合降噪方法在滚动轴承故障诊断中的应用

针对经典独立分量分析（ICA）只能应用于观测源数不少于信号源数的超定盲源分离问题,提出局部均值分解和ICA相结合的欠定盲源分离新方法。该方法将采集的单通道振动信号进行局部均值分解,基于互相关准则对分解的分量进行重组,构建虚拟噪声通道;将虚拟噪声通道与振动信号作为盲源分离的信号输入,采用基于负熵的FastICA算法实现信号源和噪声的分离,从而达到降噪目的。将该方法应用于滚动轴承故障信号,频谱分析结果表明,该方法处理后的信号中噪声得到一定程度滤除,频谱中毛刺更少,故障特征频率更加明显,有利于故障特征的提取,实验分析证明了该方法的有效性。     

基于变分模态分解和鲁棒性独立成分分析的内燃机缸盖振动信号分离

针对缸盖振动信号中燃烧信号和活塞敲击信号在时频域混叠严重难以分离的问题,用基于VMD和RobustICA的方法分离各独立源信号。通过试验测量内燃机单通道缸盖振动信号,首先对测得的信号进行消除趋势项及滑动平均等预处理,用VMD算法对预处理后的信号进行分解;然后用RobustICA算法提取独立成分,并用组合模态函数法对时域和频域相似性较高的分量成分进行组合;最后结合频谱分析、连续小波变换、相干函数法及倒拖试验对分离得到的结果进行识别验证。研究结果表明：在不同的试验工况下,该方法可以有效地从缸盖振动信号中分离出燃烧信号和活塞敲击信号。     

基于能量衰减比的双通道源数目估计方法

利用源信号到达两传感器间具有不同能量衰减比的特性,提出了一种新的源数估计方法,解决了因传感器数量不足而无法准确估计源信号数目的问题。首先,利用线性时频变换方法得到两观测信号在频域的能量分布,然后,计算能量散点图中对应角度上的能量总和;最后,通过峰值检测法实现源数目的自动检测。通过理论分析、仿真和实验,证明了该方法的有效性。本方法为盲源分离算法处理振动、噪声信号,提供了可靠的先验信息。     

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。     

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。     

转子共频相关故障源源数估计与子带盲分离

针对转子异常振动产生含交叉频率的响应,其共频相关故障源不满足统计独立要求,提出利用非负矩阵法在频域中计算故障源个数,不计及源信号和混合系统特性,可以正确估计出故障源数目或源数上限。提出利用小波包分解故障信号,选择互信息较小的子带进行重构,剔除共频信号并进行盲分离,得到独立非相关的源信号,保留了故障信息。理论及实验结果证明了所提出方法的有效性。     

转子共频相关故障源源数估计与子带盲分离

针对转子异常振动产生含交叉频率的响应,其共频相关故障源不满足统计独立要求,提出利用非负矩阵法在频域中计算故障源个数,不计及源信号和混合系统特性,可以正确估计出故障源数目或源数上限。提出利用小波包分解故障信号,选择互信息较小的子带进行重构,剔除共频信号并进行盲分离,得到独立非相关的源信号,保留了故障信息。理论及实验结果证明了所提出方法的有效性。