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EMD的高压燃气管道泄漏信号欠定盲分离方法

为能将城市高压燃气管道泄漏产生的应力波信号中混有多种干扰振动及噪声的有效泄漏信号与多源混合振动信号分离,提出基于EMD的泄漏信号欠定盲分离方法。对传感器采集的混合信号进行经验模态分解;对各固有模态函数归一化峭度特征进行分析,选取含主要泄漏信息的固有模态函数进行重构;构造由重构信号及观测信号组成的矩阵,用扩展联合对角化算法实现信号分离,以解决欠定情况下的盲分离问题。实验结果表明该方法能较好实现有效泄漏信号的提取。     

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.     

遥测振动信号单通道盲源分离自适应滤波幅度校正方法

针对基于经验模态分解(empirical mode decomposition,EMD)和独立分量分析(independent component analysis,ICA)的单通道盲源分离幅度不确定性问题,根据最小失真准则提出了一种自适应滤波幅度校正方法。利用EMD将单通道信号分解为一系列本征模态函数(intrinsic mode function,IMF),依据对数坐标下的边际谱分布确定单通道信号包含的独立分量数目。选择对应的IMF组合作为观测信号分量,利用ICA完成分离。根据分离信号数目确定横向滤波器阶数,并将分离信号作为滤波器的输入信号分量。利用滤波器输出和原始单通道信号设计目标函数,自适应调整滤波器系数使算法完成收敛,算法收敛后的滤波器权系数即为对应分离信号的幅度校正系数。仿真及飞行器试验遥测振动信号的处理结果证明在EMD-ICA基础上,该方法可准确得到信号各分量的幅度信息,为遥测振动信号进行时域统计及时频分析中能量检测提供了有效技术途径。     

应用JADE盲分离算法分离统计相关源

在一些如故障诊断等复杂的应用系统中，不相关源与相关源往往以相互混合方式同时存在于传感观测中。由于相关源不满足盲源离理论有关源的统计独立性前提假设，因此现有的盲源分离算法如基于矩阵联合对角化的算法等，无法从混有相关源的传感观测中准确分离源信号(不相关源信号和相关源信号)。本文在基于矩阵联合对角化的盲分离算法的基础上，提出通过对其源估计进行修正的相关源分离算法。理论分析和仿真结果表明：修正后的基于矩阵联合对角化的盲分离算法，能有效地分离包含相关源的混合观测信号。     

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。     

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。     

欠定无人机发动机开车声音信号盲源分离

针对无人机发动机开车实验,设计了一个四通道声音信号采集系统并对采集信号进行盲源分离。首先以相关系数为标准采集4路信号,其次选取其中3路信号利用EMD-NLPCA盲源分离算法进行欠定盲源分离,最后得到发动机螺桨噪声、排气噪声、试验间的风机噪声和其他背景噪声等4种信号,为进一步进行发动机故障定位和诊断提供了必要的数据基础。     

机械振动信号非线性混叠的盲源分离

设备状态信号的处理是状态监测及故障诊断的基础.在实际运行环境中,通过传感器检测的信号有可能是振源信号的非线性混合、畸变信号.传统的振动信号处理方法对此种非线性混合信号处理效果并不理想.非线性盲源分离技术由于自身独特的盲处理优势,可以有效的去除外来干扰并分离出源信号,有助于提高诊断的准确性.针对直升机齿轮箱振动信号的非线性混叠进行盲源分离,分离出轴承故障振动信号,表明盲源分离技术是机械故障诊断领域的一个有效的信号处理方法.     

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。     

基于单通道算法的内燃机油底壳辐射噪声分离

通过对内燃机的辐射噪声源进行分离和识别,得到的各独立噪声可为其减振降噪和监测诊断提供依据。在内燃机噪声源识别中,燃烧噪声和活塞敲击噪声在时域和频域上均有混叠,很难准确地将其进行分离。在半消音室中进行内燃机振动噪声试验,采集一路内燃机油底壳近场辐射噪声,先对其进行消除趋势项及滑动平均等预处理,减少随机误差成分,然后用集合经验模态分解得到IMF分量,用主分量分析降维,最后用快速独立分量分析进行盲源分离,并结合连续小波时频分析等方法进行识别。研究结果表明:通过采用单通道算法对内燃机油底壳辐射噪声进行分离和识别,可得到各独立分量,分别为内燃机的燃烧噪声和活塞敲击噪声。     

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。     

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。     

基于平面聚类势函数法的欠定混合信号盲分离

针对不充分稀疏欠定混合信号盲分离,提出了一种基于超平面聚类的势函数法来估计源信号个数和混合矩阵。该方法在源信号个数未知的情况下,利用聚类平面法线向量构成势函数,通过估计势函数的局部最大值来估计聚类平面的法线向量,然后再通过估计聚类平面的交线来实现混合矩阵的估计。为了提高算法对异常值的鲁棒性,不直接估计势函数的局部最大值,而是采用聚类算法来估计势函数的局部最大值。计算机仿真试验证实了该算法的有效性及其较好的性能。     

基于盲源分离的结构模态参数识别

提出一种结构模态参数识别的新方法。该方法以盲源分离理论中基于二阶统计量的AMUSE算法为基础,通过对测试数据Hilbert变换构建分析数据矩阵,通过求解不同时滞下数据协方差矩阵的广义特征值问题实现对结构模态参数的识别。数值算例结果表明,该方法不仅适用于实模态情况,同时适用于复模态情况,且计算简单,识别精度高,对测量白噪声有很好的鲁棒性。     

基于变分模态分解的侵彻过载信号盲分离

侵彻过载信号包含复杂的信号分量,传统的信号处理方法无法有效提取弹体的侵彻过载特征.提出一种将变分模态分解与盲源分离相结合的侵彻过载信号特征分离方法,首先由变分模态分解将源信号分解成一系列本征模态函数;然后将本征模态函数与源信号组成多维观测信号,对其自相关矩阵进行奇异值分解估计源信号数目,并计算各本征模态函数与源信号的相...     

机械声源信号的带通滤波盲分离

盲源分离是一个很独特的盲信号分析与处理工具，在机械设备状态监测与故障诊断领域有较好的应用前景。但在实际应用于机械源信号分离中，效果尚不够理想。特别是，当传感观测中存在高斯噪声或调制源时，往往无法获得准确的源波形恢复。本文在分析现有盲源分离算法的基础上，提出一种新的、基于带通滤波的改进盲源分离方法。仿真以及实际的机械声源信号分离实验结果证实了新方法的有效性。     

基于频域盲解卷的噪声信号分离

由于机械噪声传播过程中存在反射等多种因素影响，大多数情况下混合噪声分离更适合采用卷积模型，为此提出了一种多频点盲解卷算法。有别于传统的频域盲解卷算法，新算法利用有限的少数几个频率点直接从频域模型恢复出时域噪声信号。算法为瞬时混合盲分离。主成分分析一瞬时混合盲分离结构，首先对给定的每一个频率点执行瞬时混合盲解卷算法，获得噪声源的基本估计，然后再经过主成分分析和第二次盲源分离。提高分离性能和增加算法鲁棒性。由于算法不需要对所有频率点执行瞬时混合分离，计算量小，同时也不存在传统频域盲解卷算法排列顺序不确定性的缺点，具有较好的应用价值。仿真实验证实了新算法能有效地分离机械噪声信号。     

基于盲源分离技术的一种信号处理方法研究

文章利用盲源分离技术试图从给定的一组混合观察数据中恢复未知的独立信源。然后使用Matlab中的时频工具箱,根据分离出的信号进行时频分析,提取信号中所包含的特征信息,达到能够识别出期望信号,并能提取其余干扰信号的特征。     

基于BSS的含噪声机械振动信号分离研究

水下航行器的噪声源识别面临的两个问题(:1)无法获得振源信号(,2)测得振动信号有环境噪声影响且振源之间相互耦合。将环境噪声作为一个独立的噪声源,给出瞬时混合信号的盲源分离(BSS)数学模型;利用基于二阶统计特性的两次去相关盲源分离算法,对机械振动加白噪声的混合信号和水池试验实测混合信号进行分离;通过试验验证两次去相关盲源分离方法可以用来解决上述问题。