基于改进字典学习的单通道振动信号盲源分离算法

单一传感器采集到的机械信号可能是多个激振源的叠加,难以进行有效分离。针对单通道盲源分离问题提出了基于改进字典学习的单通道振动信号盲源分离算法。首先利用移不变字典学习算法学习信号中的移不变基函数,重构基函数得到反映信号时频域特征的移不变分量,然后利用自适应模糊C均值聚类算法及局部最大值检测算法对得到的各个移不变分量的包络谱提取关键点并聚类,最后将聚类后的移不变分量进行叠加得到源信号的估计。仿真数据的实验表明,算法在噪声环境下具有一定的鲁棒性,同时将该算法应用到实测某型直升机振动信号分离中,进一步验证了该算法的实际价值。     

基于频域信号的稀疏编码在机械故障诊断中的应用

提出了一种使用稀疏编码对机械频谱信号自学习并识别故障的方法。首先分别对每类频谱信号进行字典学习得到每类信号的字典,然后依次计算测试样本在各个类别的字典上的稀疏重构系数,利用稀疏重构系数与对应类别的字典重构测试样本。最后将重构残差作为识别依据,对机器状态进行判断。通过将振动信号从时域转化到频域,将复杂的移不变稀疏编码问题转化为普通的稀疏编码,并且得益于高效的K-SVD字典学习算法,计算效率得到了大幅提高。所提方案直接使用原始频谱信号作为训练集,不仅省去了特征提取过程,而且保留了更丰富的信息。经实验验证,该方案较基于时域的移不变稀疏编码具有更高的计算效率、准确率和稳定性。相对于常规诊断算法,除了有准确率的优势外,不易受负载变化的影响,所需人工干预较少。     

基于EEMD子带提取相关机械振动信号单通道盲源分离

针对传统独立分量分析难以解决机械故障诊断中存在的相关源信号盲分离、欠定盲分离等问题,在相关振源信号部分子带满足统计独立的假设前提下,提出基于总体经验模态分解子带提取相关机械源单通道盲源分离方法。该方法将单通道观测信号进行总体经验模态分解获得到子带观测信号,将单通道信号及子带观测信号组成新的多维信号,利用奇异值分解及贝叶斯准则估计源信号数目;据互信息标准与源信号数目选若干独立性较强的子带观测信号重构,实现信号升维;对重构的观测信号进行白化预处理及联合近似对角化,获得源信号估计。并仿真、实验验证该方法在机械故障诊断中的有效性。     

基于EMD和CICA的单通道盲源分离方法用于齿轮箱混合故障诊断研究

针对传统的独立分量分析难以解决齿轮箱混合故障诊断中存在的欠定盲分离问题,提出了基于EMD和CICA(约束独立分量分析)的单通道盲源分离方法。通过单通道加速度传感器采集齿轮箱混合故障信号,对其进行EMD分解以实现降噪及单通道扩展,采用基于白噪声统计特性和峭度值结合的方法选取有效的IMF分量,将其作为盲源分离的输入信号,通过CICA方法提取目标振动信号,识别故障特征。通过对齿轮箱轴承与齿轮混合故障的仿真及实验研究,验证了该方法的有效性和可行性。     

旋转机械故障信号的去噪源分析

旋转机械振动信号是其故障特征识别与诊断的重要信息来源,将应用统计特征来分解混合信号的去噪源分离(DSS)引入到旋转机械故障诊断中。研究DSS基本理论及其正切去噪函数,并进行模拟信号分离,其分离后的性能指标及与源信号相似系数均优于盲源分离;并将DSS应用于某燃气轮机的实测故障信号分析,诊断出转子发生不平衡及异频伪共振现象,表明该方法在旋转机械故障诊断中的有效性,为机械设备的状态监测和故障诊断提供新的思路和方法。     

基于独立分量分析的欠定盲源分离方法

目前的欠定盲分离算法只能分离稀疏信号,对于不稀疏的信号分离效果不理想。经典独立分量分析算法中的扩展Infomax算法既能分离超高斯信号,也能分离亚高斯信号,但却只能应用于观测数不少于源数的超定盲源分离,结合扩展Infomax算法,本文提出了一种欠定ICA算法,通过生成隐藏数据将欠定盲分离问题转化为超定盲分离问题,然后再应用经典的扩展Infomax算法进行分析,该方法可以分离欠定情形下超高斯和亚高斯混合信号。并用该算法对实测的齿轮箱混合故障信号进行分离,再用包络阶次方法对分离出的信号进行分析,成功识别出了齿轮箱的不同故障特征,验证了该算法在齿轮箱故障诊断中的有效性。     

基于核形态成分分析的齿轮箱复合故障诊断研究

形态成分分析（MCA）是最新提出的一种基于稀疏表示的信号和图像分解(分离)方法,该方法的主要思想是利用信号组成成分的形态差异性（可以由不同的字典稀疏表示）进行分离。结合核函数把基于MCA的线性盲分离方法拓展到非线性混叠情况,给出了一种非线性混叠信号盲分离算法。该算法通过非线性映射将混叠信号投影到高维特征空间,将样本空间的非线性混叠问题转化成高维特征空间的线性混叠问题,然后应用MCA算法对高维特征空间中的混叠信号进行分离。通过对齿轮齿根裂纹、轴承内圈、外圈复合故障的实验信号的分析,表明该方法能有效地分离出齿轮箱的复合故障。     

融合经验模态分解与时频分析的单通道振动信号分离研究

通过单通道振动信号分离研究探讨机械振动源信号提取问题。采用集合经验模态分解方法将单通道信号构造成多通道信号,再通过主分量分析方法得到多通道构造信号的特征值分布情况并以此进行源信号数目估计,进而利用基于时频分析的盲源分离技术获取振动源信号。实验表明,该方法能有效实现单通道振动信号分离,具有较强实际应用价值。     

基于EMMD的欠定旋转机械振动信号盲源分离

传统盲源分离算法通常基于观测信号数不小于源信号数的假设, 当观测信号数小于源信号数时, 盲源分离效果较差, 而欠定的甚至单通道信号的盲源分离问题普遍存在于旋转机械中, 针对该问题, 提出一种基于极值域均值分解的欠定旋转机械振动信号盲源分离算法。首先把欠定的观测信号进行极值域均值分解得到一系列本征模函数, 将欠定观测信号和其本征模函数组成多维信号, 作为新的观测信号实现升维;然后利用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。仿真结果表明, 该方法能够有效地解决欠定观测信号的盲源分离问题。     

基于单通道盲源分离的结构模态参数识别

针对基于传统盲源分离算法的结构模态参数识别需要满足传感器数目不少于源信号数目的问题,提出一种基于单通道盲源分离的结构模态参数识别方法,该方法利用单个通道信号即可完成结构模态参数识别。利用同步提取变换(synchro extracting transform, SET)对单通道观测信号进行时频分析以确定变分模态分解(variational mode decomposition, VMD)参数K的取值;将观测信号利用VMD分解形成K个本征模态函数(intrinsic mode function, IMF);将K个IMF进行线性混合形成2维观测信号并与原单通道观测信号重构形成3维观测信号,利用基于信号稀疏性的源信号分离算法分离得到各单模态信号;利用单模态识别技术识别结构模态参数。仿真和实测信号数据表明所提方法的有效性。     

基于最优匹配跟踪算法的单通道机械信号盲源分离

在形态学滤波的基础上,结合匹配跟踪算法(Matching Pursuit,MP)和盲源分离算法(Blind Source Separation,BSS)各自的特点,提出了一种基于最优匹配跟踪信号分解的欠定盲源分离算法.利用MP算法将非线性信号通过投影分解,在分解过程中利用遗传算法寻找最优原子,有效提高了算法匹配的精度和效率.将所得到的匹配分量和滤波后的原始观察信号组成新的多维信号,解决了单通道信号盲分离的欠定问题.利用快速核独立分量分析(Fast Kernel Independent Component Analysis,FastKICA)算法实现信号的盲分离,并分析了分离的不同源信号对于故障的贡献率.将该方法用于仿真信号和实际的轴承试验的信号,试验结果表明算法能够很好地解决单通道信号的盲分离难题.     

基于形态滤波和稀疏分量分析的滚动轴承故障盲分离

为有效分离滚动轴承复合故障特征,提高故障诊断正确率,针对旋转机械调制故障信号非线性、强噪声干扰以及故障源信号未知的问题,提出一种基于形态滤波(Morphological Filtering, MF)和稀疏分量分析(Sparse Component Analysis, SCA)相结合的故障诊断方法。该方法首先对观测信号进行形态滤波提取信号中重要调制特征并使信号满足稀疏性要求,应用SCA分离滤波后的观测信号。在完备及欠定条件下对故障轴承加速度信号进行实验验证,分析结果表明该方法能够有效分离提取滚动轴承故障特征     

移不变时频流形自学习的旋转机械故障特征增强

针对传统稀疏方法在字典构造过程的不足及稀疏表征结果的局限性问题,通过在移不变稀疏学习的框架下,引入时频流形学习,提出了一种新的移不变时频流形自学习的故障诊断方法。该方法基于时频流形对信号局部特征结构的挖掘与增强能力,采用包络谱熵获取信号特征最优本征包络模态分量,提出利用局部流形包络模态完成对全局包络信号的移不变学习与特征增强,结合相位保持以及一系列逆变换完成全局信号移不变流形模态的重构表达与增强学习,最终实现旋转机械故障信号增强与诊断分析。实验结果表明,该方法可以实现强背景噪声的有效抑制及非线性瞬态特征的高效挖掘与学习,有利于构建高效准确的故障诊断研究。     

基于盲源分离和AR谱估计的旋转机械故障诊断方法

准确的AR模型能够较好地揭示信号中蕴含的状态特征变化的信息,然而,AR模型对系统的状态变化十分敏感,多个动态变化的源信号的耦合必然会影响其估计结果。基于此,提出了一种基于盲源分离和AR谱估计的旋转机械故障诊断方法。首先,利用盲源分离的方法从混合观测信号中恢复各机械振动源信号;然后,将非平稳性的故障信号通过经验模态分解得到各本征模态函数;最后,对经验模态分解得到的平稳的本征模态函数进行AR谱估计,提取振动信号的故障特征信息。通过仿真研究和实验分析验证了该方法在旋转机械故障诊断中的有效性和可行性。     

基于反馈变分模式分解的单通道盲源分离算法

针对源信号数目未知时,变分模式分解(VMD)算法分离单通道混合信号的性能受人为设定的模式分量中心频率间隔Δf影响大、复杂度高的问题。提出了基于反馈机制的VMD单通道盲源分离(VMDF-SCBSS)算法;首先利用VMD将观测信号分解为两个模式分量,其次利用相似系数衡量模式分量纯度,将最纯的模式分量反馈到输入端并从输入信号中减去,最后根据所提出的由相似系数构造的循环迭代终止条件判断是否继续分解。仿真结果表明,VMDF-SCBSS算法无需人为确定Δf,能很好地分离单载波源信号并估计源信号数目,算法复杂度较低。     

基于核典型相关分析的非线性相关源盲分离方法研究

针对传统的相关源盲分离方法的不足,提出了一种基于核典型相关分析的非线性相关源盲分离方法。该方法是利用了核方法来处理数据之间的非线性问题,同时还利用信号源之间的相关性来进行分离。提出的方法与传统的相关源盲分离方法进行对比分析。仿真结果表明,提出的方法明显优于传统的相关源盲分离方法,并从分离性能指标上得到了充分的反映。最后,将该方法应用到转子不对中和碰摩故障的盲分离中,实验结果进一步验证了该方法的有效性。     

一种新的相关机械振源盲分离方法

针对传统盲源分离算法在机械振源不满足统计独立特性时,无法有效分离出振源信号的问题,提出了基于信号稀疏特性的相关机械源盲分离方法。盲源分离算法的关键在于准确地估计出混合矩阵。因此,首先提出了不相关源混合矩阵的估计方法;然后针对相关源,提出了有效剔除相关成分的方法,使得剩余信号可以按照不相关源进行处理。通过理论分析、仿真验证以及实测数据分析,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。     

滚动轴承压缩故障信号的特征代理与凸优化重构算法EI北大核心CSCD

压缩采样可以有效缓解机械状态监测数据存储和传输的压力,但是压缩数据的感知重构一直是个难点。针对滚动轴承压缩信号的故障特征提取问题,提出一种基于特征代理与凸优化算法的故障信号重构方法。分析了滚动轴承局部故障信号的稀疏和卷积特性,学习得到故障冲击模式。对压缩得到的轴承观测信号,构造包含冲击时刻特征的代理,并对代理建立目标优化函数,采用快速迭代收缩阈值算法(Fast Iterative Shrinkage Threshold Algo⁃rithm,FISTA)直接从代理提取出稀疏系数,将学习模式与稀疏系数卷积重构出故障信号。与直接利用FISTA从压缩信号中提取冲击特征相比,所提方法在不降低求解精度的同时降低了计算复杂度。相比于常用的贪婪类重构算法,所提方法无需预先估计信号的稀疏度,且能得到全局最优解。通过滚动轴承仿真和实验信号进一步验证了所提方法的有效性。