独立分量分析及其在故障诊断中的应用

独立分量分析是盲源分离的一种新方法，其处理的对象是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，最终目的是从混合信号中分离出各独立的信号分量。本简要介绍了独立分量分析的基本思想及算法，并对现场采集到的多组振动信号进行了分析，结果表明，独立分量分析在对混合信号进行盲分离方面具有很强的能力，从而为机械设备状态监测与故障诊断提供了一种行之有效的信号预处理的新方法。     

相关机械振源的盲源分离方法

相关源不满足独立分量分析关于源的统计独立性假设,标准的独立分量分析方法无法准确分离相关机械振源信号。在相关振源信号的部分频带满足统计独立的假设前提下,提出了一种基于小波包分解的相关机械源盲源分离方法。该方法将观测信号用小波包分解成子带观测信号,根据互信息标准选择相关性较小的若干子带观测信号重构观测信号。通过重构的观测信号的独立分量分析估计分离矩阵,然后用该矩阵分离原始观测信号从而实现相关机械振源信号的分离。仿真试验验证了该方法的有效性。     

基于变分贝叶斯独立分量分析的故障源盲分离

提出一种基于变分贝叶斯独立分量分析的故障源盲分离方法,该方法可直接对噪声干扰的机械源信号进行有效分离,即不需要将未知噪声看成一种独立源,也不需要进行消噪预处理。并将该方法与传统的机械源分离方法进行对比实验,实验结果表明该方法是非常有效的。     

基于独立分量分析与包络阶比分析的齿轮箱多振源特征提取

包络阶比分析是常用的旋转机械变速运行过程齿轮箱振动分析技术之一,但其易受干扰的影响而失效。独立分量分析是最近发展起来的一种混合信号按源分离方法,但其使用中通常要求传感器通道数目不少于独立振源数目,而齿轮箱中的独立振源数目一般并不能预先确定,因此直接应用独立分量分析方法往往并不能实现对混合信号的有效分离。本文提出了一种基于独立分量分析技术的包络阶比分析方法,其首先利用包络提取实现对原信号中振源数的降维,然后对包络波形进行阶比跟踪等角度采样,对等角度采样信号应用独立分量分析进行按源分离和包络阶比分析,提取出各振源的振动特征。仿真和试验分析结果验证了本方法的有效性。     

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。     

基于变分贝叶斯理论的机械故障源 盲分离方法研究

摘要：未知噪声环境下机械源信号盲分离方法由于忽略噪声影响往往得到很差的分离效果。针对此问题,本文提出了一种基于变分贝叶斯独立分量分析的机械故障源分离方法,该方法与传统的机械源分离方法相比,具有以下独特特点,即不需要将未知噪声看成一种独立源,也不需要进行消噪预处理,可直接对噪声干扰的机械源信号进行有效分离。仿真研究表明,提出的方法优于传统的机械源分离方法,分离误差大幅度降低。实验结果也验证了本文提出的方法的有效性。     

基于独立分量分析的多源冲击定位方法

结构健康监测中常用声发射信号进行声发射源的定位及特征描述。多个冲击事件发生时,声发射信号是多个信号的混叠,而且混合方式未知,这使利用声发射信号对冲击源进行定位变得非常困难。而近年来兴起的基于独立分量分析的盲源分离技术为解决这一难题提供了可能。本文采用基于信息极大化原理的反馈网络结构对同时作用在铝梁上的两个冲击事件产生的声发射混合信号进行分离,估计出各个源信号到达传感器的时延后,运用两点直线定位公式对两个冲击源进行定位。混合仿真实验验证了基于信息极大化原理的独立分量分析方法估计时延的有效性,铝梁上的两源冲击实验,进一步表明运用独立分量分析方法能较好的解决多冲击源定位问题。     

基于粒子群算法优化的独立分量分析算法

通过两组模拟信号对三种主流独立分量分析算法-JADE、FastICA、扩展Infomax算法的性能进行了对比分析,结果表明三种算法均无法完全分离超高斯源与亚高斯源形成的混合信号,FastICA算法对能量强弱差别大的混合信号失效。基于这一现象,提出了一种新的独立分量分析算法,以粒子群算法为优化工具,以分离矩阵为优化变量,最小化分离信号联合概率与边缘概率乘积的差值,并给出了具体的计算流程。仿真实验结果表明,该算法的性能显著优于上述三种独立分量分析算法。同时,新提出算法实施过程中不需要任何先验知识,相比其他三种ICA算法,更适合解决工程实际问题。最后,将该算法应用于对滚动轴承实验台实测信号的处理,通过对分离信号的分析实现了对滚动轴承故障类型的准确识别,进一步证明了算法的有效性。     

ICA在轴承声音信号预处理中的应用研究

在轴承状态监测与故障诊断过程中,所测得的声学信号,大多为轴承声音信号及电机噪声的瞬时混叠.对测得的混叠信号进行预处理并分离出需要的各源振动信号是轴承状态监测与故障诊断所要解决的一个关键性问题,这种分离问题属于独立分量分析的范畴.本文在分析了独立分量分析的基本原理的基础上,提出一种改进的ICA算法.该算法具有算法简单、分离速度较快的优点.实验结果表明利用独立分量分析有效地对轴承声音信号进行预处理,能成功地剔除电机噪声干扰信号.     

基于EFICA的混合语音盲分离时域算法

卷积混合语音进行盲源分离时,不能直接应用独立分量分析（ICA）算法。文中采用一种新的卷积混合语音模型,对多通道混合语音使用近来提出时域EFICA的算法进行盲分离,然后利用聚类和重构算法来恢复源信号。通过真实语音实验表明,文中提出的算法能够有效的分离混合语音信号。