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。     

基于阶比滤波的单通道缸盖振动信号盲源分离

传统盲源分离方法要求传感器观测信号数目不小于源信号数目,且在源信号平稳、相互独立的前提下,才能得到较为准确的分离信号,但对于发动机缸盖振动非平稳信号,由于激励源较多,这些条件不易满足。为实现缸盖振动信号盲源分离,提出了基于阶比滤波的单通道缸盖振动信号盲源分离方法。利用燃爆激励信号频率随转频变化的先验信息,通过阶比滤波得到阶比分量,将阶比分量和单通道信号组成多维观测信号,通过快速独立成分分析方法得到了缸盖振动非平稳信号的分离信号。仿真和应用研究证明了该方法的有效性。     

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。     

基于盲源分离技术的故障特征信号分离方法

信号采集过程中，传感器测量到的信号是实际振动信号在此测量方向的投影值，由于其他不相干振源的影响，测量信号由多个振动信号成分组成。在分析多振源信号混合模型的基础上，采用盲源分离技术分离不同的振源信号，讨论分离结果的广义初等相等性质的影响，研究估计振源数目的方法和选取测量信号的方法，利用二阶特征矩阵联合近似对角化算法，从测量信号中分离故障特征源信号。该算法可减小信号采集不当造成的影响，有效提高特征信号的提取。     

基于LCD的齿轮箱混合故障盲源分离研究

盲源分离是一种有效的混合故障诊断方法,而局部特征尺度分解（LCD）是非平稳信号的有效分析处理工具,综合两者的优点,提出了基于LCD的齿轮箱混合故障盲源分离方法。将源信号LCD分解,得到新的多维信号,采用Bayesian信息准则（BIC）估计盲源的数目并对多维信号进行重组。最后进行联合近似对角化处理,实现源信号的盲分离。仿真和实验结果表明,该方法能够有效地实现齿轮箱混合故障盲源分离。     

单通道盲源分离算法及其在工程机械振源分析中的应用

研究一种新的单通道盲源分离方法,解决了传统盲源分离方法因传感器数量不足而无法有效分离源信号的问题,同时源信号幅值也得到了准确的恢复。首先利用集合经验模态分解方法将一维测量信号分解为具有不同尺度特征的本征模态函数,而后与原测量信号组成多个二维矩阵,通过稀疏分量算法得到各源信号的真实估计。利用仿真信号,与已有方法进行对比,验证了提出方法的有效性。将提出的方法应用在挖掘机动力源附近的振动分析中,成功分离出了多个振源信号。利用时频分析对源信号分别进行特征识别,并将分离结果用于振源的贡献度与声信号传递特性分析。得到各振源对于测试位置的贡献度排序,以及对于挖掘机噪声信号的传递规律,为挖掘机的减振降噪措施提供了可靠的依据。     

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。     

基于改进S变换和ICA的相关源分离方法

含有同频成分的机械振源信号不满足统计独立条件,无法直接采用传统盲源分离方法进行分离与识别,为解决该问题,提出了一种基于改进S变换(modified S-transform,简称MST)和独立成分分析(independent component analysis,简称ICA)的相关源分离方法。首先,通过改进S变换对观测信号进行时频化处理,利用相关成分在时频域中实部和虚部的向量夹角,识别并剔除混合信号中的相关项,保证新的观测信号满足独立性条件;其次,以负熵为独立性测度,基于快速固定点独立成分分析进行分离矩阵估计;最后,将该矩阵用于最初的观测信号,从而分离出振源信号,定量计算各个振源的贡献比。通过仿真和实例分析验证了该方法在相关性振源分离中的有效性。     

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。     

第二代小波降噪在盲源分离技术中的研究应用

为了在噪声环境下正确实施盲源分离,采用第二代小波降噪与盲源分离相结合的方法,使噪声环境下盲源分离算法的性能得到较大地改善。并通过轴承振动信号实验研究证明该方法的优越性。     

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。     

盲分离与Hilbert-Huang结合应用于航空发动机振动信号分析

在航空发动机故障诊断中,首要任务是分析故障信号提取故障特征。针对航空发动机非平稳振动信号,提出了利用盲分离(BSS)获得发动机的振源信号,结合Hilbert-Huang变换(HHT)对振源信号进行时频分析提取故障特征的方法。首先利用仿真信号验证了此方法的有效性,然后分析了某航空涡扇发动机空中停车故障并与直接应用HHT分析的结果进行比较,证实了盲分离与HHT的结合能更准确地提取航空发动机非平稳故障特征。     

混合信号振声源分离与多机组故障诊断

针对机房设备混合信号难以提取有用信息,提出了多参数的振声诊断方法。应用最小互信息梯度下降的盲分离算法,通过展开边缘熵和修正四阶累积量估计值的方法改善算法性能,在故障源数量未知且可能大于传感器数量的情况下,根据信息源之间的独立性测度关系依次提取最显著的特征值。仿真结果证明,改进算法估计误差减小且算法可靠。在诊断实例中,首先,分离机房内的混合噪声信号以确定主要故障来源;然后,采集故障源的振动信号进行非线性盲分离,提取热泵机组压缩机不对中、齿轮啮合不良和碰磨的故障特征;最后,根据分离的振源信号特征识别故障类型,建立基于盲源分离算法的大空间设备群的振声诊断方法。     

基于信源估计和频域反卷积的滚动轴承故障特征分离与辨识

针对轴承故障的振动特征由于受到强振源的抑制作用而增加了故障分离与辨识难度的问题,建立了基于信源估计和频域反卷积的故障诊断方法。利用小波包分解将信号分离成多个子带信号,并和奇异值分解相结合,解决欠定条件下的信号源数估计问题;根据估计的源数,选取相应维数的观测信号,通过短时傅里叶变换、复数域独立分量分析、相关排序、短时傅里叶逆变换,完成频域反卷积的分析过程,实现故障特征的分离与提取。仿真信号和实验数据均验证了该方法在故障特征分离与微弱特征辨识中的有效性。     

Source separation of diesel engine vibration based on the empirical mode decomposition and independent component analysis

Vibration signals from diesel engine contain many different components mainly caused by combustion and mechanism operations,several blind source separation techniques are available for decomposing the signal into its components in the case of multichannel measurements,such as independent component analysis(ICA).However,the source separation of vibration signal from single-channel is impossible.In order to study the source separation from single-channel signal for the purpose of source extraction,the combination method of empirical mode decomposition(EMD) and ICA is proposed in diesel engine signal processing.The performance of the described methods of EMD-wavelet and EMD-ICA in vibration signal application is compared,and the results show that EMD-ICA method outperforms the other,and overcomes the drawback of ICA in the case of single-channel measurement.The independent source signal components can be separated and identified effectively from one-channel measurement by EMD-ICA.Hence,EMD-ICA improves the extraction and identification abilities of source signals from diesel engine vibration measurements.     

Extraction of second-order cyclostationary sources—Application to vibration analysis

This paper addresses the issue of extracting the pure second-order cyclostationary (CS2) part of a signal. This proves very useful in many situations where the CS2 part actually contains most of the information in a signal, such as in acoustics or in vibration analysis. The proposed method exploits the spectral redundancy induced by the pure CS2 part and tries to reconstruct it by combining several filtered frequency-shifted versions of the signal. It only requires the a priori knowledge of the cyclic frequencies of the sources of interest. Contrary to other blind source separation algorithms, the method does not need any knowledge about the number of sources, it does not need to set up a forgetting factor, and, it works in highly noisy contexts. The derivation of the optimal filters is described in detail. The effectiveness of the method is finally demonstrated on both simulated and real industrial examples.