基于改进频域压缩感知的轴承复合故障欠定盲提取

针对旋转机械复合故障频域盲提取算法的不足,为提高欠定盲提取分离结果精度,提出基于多尺寸多结构元素的闭-开组合形态滤波、遗传模拟退火聚类及频域压缩感知重构算法相结合的(C-OACMF-GASA-CS)故障特征欠定盲提取方法。利用形态滤波滤除背景噪声及提取冲击信号;利用遗传模拟退火算法估计混合矩阵;用估计矩阵重构传感矩阵,并用正交匹配追踪基频域压缩感知重构分离信号。实验仿真及双通道滚动轴承故障加速度振动信号分析结果表明,该方法能有效分离提取滚动轴承故障特征。     

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。     

基于密度峰值聚类算法的模态参数识别

稀疏成分分析是解决欠定盲源分离问题的一种有效方法,其主要分为两步:计算振型矩阵和重构单模态信号。在计算振型矩阵时,针对无法预知源信号数量和高阶振动模态混叠的问题,利用一种基于密度峰值聚类算法识别模态振型。相比于传统的聚类算法,该方法具有以下特点:①利用决策图直观地选出聚类中心和聚类数目;②算法可以自动分离噪声点,对噪声不敏感。在重构单模态信号时,利用可以快速重构稀疏信号的SL0算法,重构出单模态时频域信号,提取出各阶模态频率。通过振动结构仿真算例验证了该方法的有效性。     

SCA-VMD在变压器声信号降噪中的应用

针对采集变压器运行声信号时会混入噪声的情况,提出了基于稀疏分量分析-变分模态分解（sparse component analysis-variational modal decomposition,SCA-VMD）分离变压器运行声信号并降噪的方法。基于稀疏特性的欠定盲源分离能够在观测信号数目小于未知源信号数目的情况下实现源信号的有效分离,变分模态分解（VMD）能将一个多分量信号一次性分解为多个单分量信号。以两路观测信号作为输入,利用稀疏分量分析法（SCA）分离得到变压器运行声信号,再利用VMD将分离信号分解为4层本征模态函数（intrinsic mode function,IMF）分量,通过阈值滤波的方法对高频分量和低频分量进行去噪处理,利用新的IMF分量重构得到去噪信号。仿真试验和实际试验结果表明,该方法能实现对变压器运行声信号的有效分离和去噪处理。     

基于DSS和FSWT的欠定信号识别方法研究

针对旋转机械信号分析时产生的欠定信号盲源分离问题,建立了一种基于频率切片小波变换(Frequency Slice Wavelet Transformation,FSWT)和去噪源分离(Denoising Source Separation,DSS)的欠定信号分析方法(FSWT-DSS),首先通过FSWT反变换重构出新的混合信号,有效解决欠定盲分离维数不足的问题,再应用DSS分离得到源信号,解决了欠定盲分离问题,同时解决了单独应用FSWT时进行时频分析的不足。算法仿真和应用实例验证了FSWT-DSS方法在实测故障信号分析中的有效性。     

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。     

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关系数,根据源信号数目和相关系数,选择相应的本征模态函数与源信号重构多通道观测信号;最后采用特征矩阵联合近似对角化法对多通道观测信号进行盲源分离。与传统信号处理方法相比,该方法能够有效分离出侵彻过载信号,积分结果较好地反映了弹体的实际侵彻深度,为引信系统的结构设计提供依据。     

柴油机振动信号盲分离组合算法

由于机械系统的振动信号能有效反映系统特征,对其进行盲解卷积能提供由混合信号中分离出源信号的可能性,为此提出机械系统振动卷积模型;将多通道盲最小均方差与缩减盲源方法结合提出MBLMS-TDS组合算法,且利用该算法对卷积混合信号进行盲解卷积验证算法的合理性;用该算法对柴油机表面混合振动信号进行分离,获得活塞撞击缸体信号与柴油机燃烧信号。     

基于FSDPC_Otsu算法的滚动轴承故障研究

针对振动源数未知且观测信号小于振动源数量的欠定盲源问题,提出一种改进快速寻找密度峰值聚类(FSDPC)的方法。首先将混合信号投影到多维空间上并计算每点的密度值,在此基础上利用最大类间方差法(Otsu)对点密度进行阈值分割,去除干扰点对聚类准确率的影响;然后根据数据的密度峰值确定聚类中心,估计混合矩阵;最后通过L1范数最小化对混合信号进行分离并进行包络谱分析,实现轴承故障诊断。FSDPC_Otsu方法可在源数和聚类中心初值未知的条件下估计混合矩阵,且保证混合矩阵精度。实验结果表明,应用FSDPC_Otsu方法的稀疏成分分析能够对轴承多故障信号进行欠定盲分离,进而实现故障识别与诊断。     

基于改进HHT和马氏距离的齿轮故障诊断EI北大核心CSCD

针对齿轮振动信号非线性和非平稳的特点,提出一种基于改进希尔伯特-黄变换与马氏距离相结合的故障诊断方法。利用自适应白噪声的完备经验模态分解将齿轮振动信号分解成一系列固有模态函数,并采用敏感固有模态函数判别算法判断出对故障信息敏感的模态函数;通过对敏感固有模态分量的局部希尔伯特瞬时能量谱的分析,得出信号能量随时间变化的精确表达;以不同故障信号局部希尔伯特瞬时能量谱的最大峰值作为特征向量,采用马氏距离对齿轮故障进行状态识别。试验结果表明,该方法可有效识提取齿轮故障特征,实现不同故障状态识别。     

基于改进HHT和马氏距离的齿轮故障诊断

针对齿轮振动信号非线性和非平稳的特点,提出一种基于改进希尔伯特-黄变换与马氏距离相结合的故障诊断方法。利用自适应白噪声的完备经验模态分解将齿轮振动信号分解成一系列固有模态函数,并采用敏感固有模态函数判别算法判断出对故障信息敏感的模态函数;通过对敏感固有模态分量的局部希尔伯特瞬时能量谱的分析,得出信号能量随时间变化的精确表达;以不同故障信号局部希尔伯特瞬时能量谱的最大峰值作为特征向量,采用马氏距离对齿轮故障进行状态识别。试验结果表明,该方法可有效识提取齿轮故障特征,实现不同故障状态识别。     

EMD信号分析方法的声发射管道泄漏检测研究

针对管道泄漏声发射检测信号的非平稳特征,提出了基于经验模态分解(EMD)的信号分析方法。该信号分析方法将管道泄漏产生的声发射信号通过EMD分解为多个平稳的固有模态函数(IMF)之和,选择包含声发射特征的若干IMF分量进行重构,可以提取到管道泄漏声发射信号的本质特征,消除噪声信号的干扰。通过对重构后的信号进行互相关分析计算,使基于声发射方法的管道泄漏检测的定位精度得到较大提高,验证了Hilbert-Huang变换是表征声发射信号的非平稳特征及信号参数提取的有效工具。     

基于EEMD和二次相关法的管道泄漏定位检测

针对当前管道泄漏信号噪声大、定位误差大的问题,提出一种提高定位精度的新方法.泄漏信号经过总体平均经验模态分解(EEMD)之后,可以得到不同尺度的固有模态函数(IMF)分量,这些分量与原信号的相关系数可以作为信号重构的主要依据.这种自适应的降噪方法,不仅提高了重构信号的信噪比,还有效去除了模态混叠的干扰.然后,利用二次相关运算对两路降噪后的泄漏信号进行延时估计,再根据泄漏定位模型计算泄漏位置.最后,采用直接相关方法、基于经验模态分解(EMD)的相关方法以及本文提出的EEMD相关数据处理方法,分别对同组实验数据进行处理,对比定位误差.实验结果表明,EEMD相关方法相比前两种方法,有效抑制了模态混叠,提高了定位精度.     

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。     

桥梁动力测试信号的自适应分解与重构

针对桥梁结构动力测试信号噪声水平高、难以分离结构有效信号的特点,在总体平均经验模态分解方法和主成分分析的基础上,建立了自适应分解与重构方法。对经验模态分解结果的模态混叠现象进行深入分析,利用白噪声概率密度函数的均匀性对模态混叠模式一进行了改进,基于相关性分析改进了模态混叠模式二,改进后的分解方法在计算效率和分解精度上均有较大提升;随后对所有分解获得的固有模态函数进行多尺度主成分分析,实现降噪和选择并重构测试信号。分别用模拟信号和实际桥梁测试信号对所提方法的有效性进行了验证。结果表明:改进后的信号自适应分解和重构方法能在降噪的同时,有效地提取桥梁结构信息,可用于实际桥梁结构的动力测试分析中。     

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。     

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WOA-VMD改进的信号盲源分离研究及应用EI北大核心CSCD

准确有效识别出水电站厂房振动信号的各个振源,对于水电站长期安全稳定运行有重要指导意义,盲源分离(blind source separation,BSS)是进行信号分解与振源识别的一种有效方法。为了实现水电站厂房复杂环境下振动信号的盲源分离,建立一种基于鲸鱼算法变分模态分解(whale optimization algorithm and variational mode decomposition,WOA-VMD)降噪改进的信号盲源分离模型。采用WOA-VMD和相关法对观测信号进行降噪处理,确保盲源分离结果的准确性;求解多维降噪信号的协方差矩阵并进行奇异值分解,采用优势特征值法进行源数估计;最后对降噪信号进行中心化、白化前处理,通过联合近似对角化算法得到分离矩阵,实现观测信号的盲源分离。仿真结果表明:相较于传统盲源分离模型,改进模型将分离信号与源信号的相关系数分别提升了9.1%,7.1%,8.3%,分离信号主频误差也均有所降低。将该方法运用到水电站厂房振动工程实例,也取得了较好的分离效果。