基于CEEMDAN-ICA的干气密封振动信号降噪方法*

干气密封运行过程中的振动信号特征信息微弱并受外界强噪声干扰,其振动信号难以真实反映干气密封摩擦学特性。针对上述问题以及振动信号难以从噪声中分离的问题,提出一种基于CEEMDAN（自适应噪声的完全集合经验模态分析）与ICA（独立成分分析）相结合的信号降噪方法。首先对试验采集的干气密封运行时的加速度信号进行CEEMDAN分解得到IMF分量,然后通过ICA变换得到对应独立成分分量并计算其模糊熵值,将模糊熵值不符合条件的分量进行置零,并把符合条件的分量进行重构得到降噪后信号。利用干气密封加速度实验信号进行算法分析验证,证实了该方法相较于其他传统降噪方法更加有效,为干气密封故障诊断提供了一种新的途径。     

基于粒子滤波的电力机械设备状态在线监测

为提升电力机械设备状态在线监测的效果，提出基于粒子滤波的电力机械设备状态在线监测方法。通过人工萤火虫群算法改进粒子滤波算法后，借助随机子空间算法构建改进粒子滤波算法所需状态方程。利用该状态方程获取电力机械设备正状态观测矩阵和输出矩阵数值，并将其看作模态参数，依据该模态参数计算粒子滤波状态序列和电力机械设备振动状态变量数值后，构建粒子滤波器，使用该滤波器去除电力机械设备振动信号内干扰噪声后，对电力机械设备振动信号实施归一化处理，得到粒子权重概率和改进粒子滤波监测数值。通过设置振动信号监测步长和阈值，计算监测信号与采集信号差值，使其与所设阈值进行对比，获取电力机械设备状态在线监测结果。实验结果表明，该方法监测的电力机械设备信号最大偏差数值仅为0.003 dB,具备较好的信号跟踪能力，且具备较好电力机械设备振动监测能力。     

粒子滤波在含噪齿轮箱故障盲源分离中的应用

在机械故障诊断中,传感器所获得的信号不可避免地受到各种未知噪声的干扰,针对这种复杂噪声环境下的机械信号盲源分离不能得到较好分离效果的问题,提出了一种将粒子滤波用于含噪信号盲分离的方法,首先利用Rao-blackwellised粒子滤波对观测信号进行降噪处理,然后再进行独立分量分析。仿真和实验结果表明该方法是有效的。     

基于CEEMD的滚动轴承振动信号自适应降噪方法

针对滚动轴承故障特征信号容易被噪声掩盖难以提取的问题,提出了基于互补集合经验模态分解(CEEMD)的滚动轴承振动信号自适应降噪方法。为了准确判定噪声分量和有用信号分量的分界点,在对振动信号进行CEEMD分解后,设计了依据信噪分量自相关函数的单边波峰宽度特性自适应地判定分界点的方法。为了保证重构信号的完整性,利用改进的小波阈值降噪方法提取低频IMF分量中的高频有效信息。实验分析表明,结合改进阈值函数的CEEMD自适应降噪方法能够有效地去除故障振动信号中夹杂的噪声,并且很好地保留了滚动轴承振动信号的突变细节,达到了不错的降噪效果。     

基于改进稀疏编码的微弱振动信号特征提取算法

针对强噪声环境下难以有效提取微弱振动信号特征的问题,提出了基于改进字典学习和移不变分量过滤(IDL-SICF)的稀疏编码振动信号特征提取算法。首先,将振动信号进行分段和平滑预处理以降低数据处理复杂度,接着利用改进的字典学习和高效系数求解算法构建基于移不变稀疏编码的自适应滤波器,然后过滤字典原子重构的移不变分量以获得表征信号本质特征的最优基函数,取最优基函数对应的移不变分量的特征频率强度作为评价信号特征提取效果的优劣。仿真和实测数据的试验结果表明,相比于现有微弱振动信号提取算法,提出的算法具有更强的特征提取能力,在实际应用中具有较高的可行性。     

基于WT与cICA的齿轮箱低频故障特征提取

齿轮箱低频故障信号易受到高频振动及强噪声等因素的干扰,测量信号中隐藏的有效低频故障特征比较微弱,再考虑到源噪声的影响,则约束独立分量分析直接提取低频故障特征的效果很差。为此提出了基于小波变换与约束独立分量分析的齿轮箱低频故障特征提取方法,通过对测量信号的小波多分辨率分解,有针对性地选择小波系数重构,提高了信噪比和非高斯性,从而增强了约束独立分量分析方法提取齿轮箱低频故障特征的效果。而未经小波变换除噪时,约束独立分量分析的效果不佳。断齿与局部断齿的低频故障特征提取试验结果表明,提出的方法能有效降低高频振动及源噪声等因素的干扰,提取出齿轮箱的低频故障特征,尤其是微弱低频故障特征,为齿轮箱低频故障特征提取与故障诊断提供了一种有效方法。     

基于EEMD信息熵和PSO-SVM的自动机故障诊断

针对自动机振动信号的瞬态冲击、非线性和非平稳性,提出一种基于集合经验模式分解(EEMD)的信息熵和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用小波阈值降噪对振动信号进行预处理;其次运用具有抗混叠效应的EEMD对降噪信号进行分解得到本征模式分量(IMF),从而提取能反映自动机状态的特征参数:能量熵、边际谱熵和奇异谱熵;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将特征向量子集分别作为PSO-SVM和概率神经网络(PNN)的输入参数以识别自动机故障,结果表明:PSO-SVM相对于PNN可以提高故障分类正确率,同时证明基于EEMD信息熵和PSO-SVM方法在自动机故障诊断中的有效性。     

IVMD融合RobustICA的内燃机噪声源分离

为了准确分离识别内燃机的主要噪声源,提出了一种改进变分模态分解融合鲁棒独立分量分析的方法。首先,针对变分模态分解方法的分解数选择问题进行了算法优化,提出了基于重构信号能量比和中心频率的改进变分模态分解方法,并利用仿真信号进行了验证;其次,进行了内燃机噪声试验,利用改进变分模态分解将单通道信号分解成多个信号分量,根据信号分量与源信号的互信息主要分量识别,克服了主要噪声分量选择客观依据不足的问题;最后,通过鲁棒独立分量分析提取主要噪声分量的独立成分,并结合相干分析和时频分析进行噪声源识别。结果显示,所提出的方法能够有效进行噪声源分离,可成功识别出燃烧噪声、活塞敲击噪声和空压机噪声等内燃机主要噪声源。     

基于MAC与PSO的自动机测点优化

针对某型高射机枪自动机机箱的外表面形状比较复杂,传感器的布置受到结构形状的限制,自动机构件运动的敏感点难以获取,提出了基于模态保证准则与粒子群算法的自动机测点优化配置方法。根据对某型高射机枪自动机的ANSYS有限元模态分析,并针对机枪的模态试验结果,建立了基于模态保证准则的适应度函数,并通过运用粒子群算法优化传感器的配置,解决了自动机机箱振动信号采集过程中测点的选择和优化以及传感器布置数量难以估计和定位困难的问题。     

采用知识的粒子群算法的多频微弱信号自适应随机共振检测方法

调参随机共振系统结构参数的选择对该检测方法的性能优劣起着决定性的作用。针对工程应用中对多频微弱信号实时检测的要求,提出以平均输出信噪比为适应度函数,将随机共振系统产生最佳共振效应时势垒与噪声强度大致相等这一特性作为知识,采用基于知识的粒子群算法来并行优化随机共振系统结构参数。与标准粒子群算法相比,该算法能以更快的速度得到最佳的系统结构参数,自适应地实现非线性系统、输入信号和噪声之间的最佳匹配,削弱多频含噪信号中的噪声,提高信号的输出信噪比。仿真试验和水轮机振动信号提取的工程应用均表明,该方法参数寻优效率高,简单易行,在采样点数较少的条件下能最优地检测出淹没在强噪声中的多频微弱信号,可以实现早期故障特征信号的提取。     

虚拟噪声通道在基于ICA消噪过程中的应用

考虑应用独立分量分析方法进行信号的消噪处理时，要求观测通道的个数大于或等于独立信源的个数的条件，以及实际应用中的噪声源的随机性，尝试引入虚拟噪声通道的概念，克服难以确定噪声源的个数，因而很难满足独立分量分析方法应用要求的限制，根据具体的检测条件和被测对象的特性，引入相应的虚拟通道数，从而提高独立分量分析方法在消噪方面的应用性能。实验表明，利用该方法可以得到很好的消噪结果，有效提高信号的信噪比。     

基于独立分量分析的潜艇振源贡献量定量计算方法

振动噪声控制对于潜艇具有重要意义。常用的振动噪声分析方法仅分析了噪声的来源,而未对振动噪声源对总振动噪声的贡献量进行定量计算。介绍盲源分离基本模型,以及基于独立分量分析理论和聚类评价方法提高盲分离性能的改进固定点算法,并基于该算法和先验信息理论提出一种定量计算振源贡献量的新方法。通过仿真试验分析基于两种不同分离准则算法的分离性能以及振源贡献量计算结果。将该方法应用于某型号潜艇缩比模型振源贡献量的定量计算中,对比分析表明该方法具有很高的计算精度。研究结论可为振动噪声的主动控制提供可靠的依据。     

基于小波分析的FastICA联合降噪方法在滚动轴承故障诊断中的应用研究

采用小波分析方法进行振动信号降噪存在选取参数依靠经验的问题,采用独立分量分析（ICA）方法进行振动信号降噪存在欠定问题,为了避免小波降噪以及ICA方法单独使用的缺点,提出了将小波降噪分析和基于负熵的FastICA独立分量分析相结合来处理滚动轴承含噪振动信号的方法。首先对原始信号进行小波降噪处理,然后将处理后的信号与原始信号组成FastICA的输入矩阵,进行FastICA降噪处理,最后利用滚动轴承振动信号对该方法进行有效性验证。实验分析表明：该方法增大了振动信号的峭度值,达到了滚动轴承振动信号降噪的目的。     

房颤病人体表标测信号的f波提取方法研究

体表标测是一种无创的心电标测技术,在房颤的相关研究中得到了越来越多的应用。房颤病人的体表标测信号可以看做是心室信号、心房信号以及噪声信号三路统计独立的源信号瞬时线性混合而成。为了提取体表标测信号的心房活动(f波),利用独立成分分析(ICA)以及ICA与二阶盲辨识法(SOBI)结合的两种盲信号分离方法 ICA-SOBI法对9位房颤病人的体表标测信号进行f波提取。对提取的结果采用频谱集中度(SC)评价。统计结果表明ICA-SOBI法提取的f波SC较高,提取效果更理想。同时,用ICA-SOBI法对不同子区域的体表标测信号进行f波提取,发现与心脏最接近的体表区域提取的f波SC最高,这一结果对体表电极点的空间分布设计有一定的指导意义。     

基于改进Bussgang算法的多机组故障诊断仿真和试验

针对非平稳信号改进Bussgang算法,借助参考噪声抵消包含在混合信号中的噪声,最小化输出信息的广义能量来获得最好的消噪效果;通过计算机仿真确定适合的非线性函数,仿真结果发现随着延迟系数的增大,收敛误差函数值减小,收敛性能增强;试验模拟了两个故障和三个故障的情况,分离结果与基于ICA、Bussgang算法的结果比较,验证改进算法对多机组含噪非平稳信号分离的有效性。     

LMD-ICA联合降噪方法在滚动轴承故障诊断中的应用

针对经典独立分量分析（ICA）只能应用于观测源数不少于信号源数的超定盲源分离问题,提出局部均值分解和ICA相结合的欠定盲源分离新方法。该方法将采集的单通道振动信号进行局部均值分解,基于互相关准则对分解的分量进行重组,构建虚拟噪声通道;将虚拟噪声通道与振动信号作为盲源分离的信号输入,采用基于负熵的FastICA算法实现信号源和噪声的分离,从而达到降噪目的。将该方法应用于滚动轴承故障信号,频谱分析结果表明,该方法处理后的信号中噪声得到一定程度滤除,频谱中毛刺更少,故障特征频率更加明显,有利于故障特征的提取,实验分析证明了该方法的有效性。     

信噪比改进技术的新发展

概述了改进信噪比在信号分析与处理领域的重要性。针对常用改进信噪比方法的不足之处,介绍了小波去噪方法的基本原理,并在基于最小二乘法的降噪方法的基础上,提出了一种通过滤波的改进的最小二乘法。还介绍了文中所提出的方法在通过计算机进行运算处理时的步骤。最后,通过仿真数据说明了该方法的实用性和有效性。     

基于混沌振子微弱信号检测的改进与比较

为实现强噪声背景下微弱信号的检测,利用混沌系统非平衡相变对系统参数的扰动和对噪声具有免疫力的特点,根据Holmes型的Duffing振子检测系统的检测原理以及Melnikov方法,对Duffing方程的非线性项进行了改进,非线性项取（-x^4＋x^5）。改进后的系统相对原来的检测系统具有更低的信噪比门限,由原来的-92．5dB降到了-111．5dB。数值计算与仿真结果证明了该方法的有效性。     

基于小波变换的盲信号分离的神经网络方法

提出一种新的盲信号分离的神经网络方法,该方法将小波变换和独立分量分析(ICA,Independent Component Analysis)相结合。利用小波变换的滤噪作用,将混合在原始信号中的部分高频噪声滤除后,再重构原始信号作为ICA的输入信号,有效地克服了现有ICA算法不能将噪声从源信号中分离的缺陷。实验结果表明,将该方法用于多通道脑电信号的盲分离是很有效的。