共查询到19条相似文献,搜索用时 156 毫秒
1.
2.
3.
滚动轴承故障信号特征往往受背景噪声影响而难以准确提取,集合经验模式分解能将源信号有效分解出具有真实物理意义的本征模态分量,提高故障特征的诊断精度,盲源分离技术能够分离故障信号进而提取故障特征。将集合经验模态分解与盲源分离技术相结合,通过相关系数的计算和敏感因子的数值判断合理选用源信号的分量,构建出噪声信号,再通过盲源分离技术,分离噪声信号。仿真分析和实验表明,此方法可以成功的分离出典型的轴承故障特征,可有效提高轴承故障诊断效果。 相似文献
4.
5.
机械噪声故障诊断的难度在于实际检测的噪声是多个设备或零部件噪声信号的混合,信噪比低,基于二阶统计量盲源分离算法的故障噪声诊断技术,利用二阶协方差矩阵的联合对角化,从测量噪声中分离出感兴趣故障噪声进而提取特征,但该算法抗干扰噪声性能差。本文利用多个协方差矩阵平滑滤波后的矩阵进行白化,进一步提高了抗干扰噪声能力,在样本数据较少时仍能实现较好的盲源分离效果,仿真实验证实了该算法的有效性。 相似文献
6.
盲解卷积和频域压缩感知在轴承复合故障声学诊断的应用 总被引:2,自引:0,他引:2
针对时域盲解卷积算法对单一故障机械声信号有效,及传统稀疏分量分析对声信号分析失效等问题,提出一种盲解卷积、形态滤波和频域压缩感知重构的稀疏分量分析相结合的轴承复合故障声学诊断方法。通过时域盲解卷积算法优选分量结果,提取声信号的冲击成分。使用形态滤波滤除背景噪声。使用模糊C均值聚类估计混合矩阵,重构传感矩阵,并运用稀疏度自适应匹配追踪基算法(Sparsity adaptive matching pursuit,SAMP)的频域压缩感知重构分离信号。双通道滚动轴承故障声信号分析结果表明该方法能够有效分离和提取滚动轴承故障特征。 相似文献
7.
基于时频分析的欠定信号盲分离与微弱特征提取 总被引:2,自引:0,他引:2
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。 相似文献
8.
9.
10.
11.
由于旋转机械在运行过程中,传感器测得的振动信号是各振源的混叠信号且含有很强的噪声,常规的信号处理方法难以分离混叠信号,对设备的状态监测和故障诊断造成了很大的困难。针对这一问题,介绍了盲源分离基本原理和方法,指出源分离算法在脉冲噪声环境下失效。针对强脉冲噪声环境下的混叠振动信号,首先,通过中值滤波降噪方法对振动信号进行降噪;然后,通过盲源分离算法对降噪后的信号分离;最后,利用该方法对实测混叠转子振动信号成功实现了降噪和故障信号分离。仿真结果验证了提出方法的有效性。 相似文献
12.
13.
将人工免疫算法用于盲源分离算法,阐述了盲源分离过程,提出了免疫优化盲源分离算法(AIS-ICA算法),针对4组特定信号的混合与分离进行了仿真试验。仿真试验结果表明,该算法具有收敛速度快、分离精度高和稳定性好等优点。将该算法用于齿轮箱振动信号的盲源分离及其故障诊断,增强了振动信号所携带的故障信息,结果表明该算法用于齿轮箱振动信号分离可增强故障信息,降低齿轮箱故障诊断难度。 相似文献
14.
将量子优化原理应用于独立分量分析中,提出了量子独立分量分析算法(quantum independent component analysis,简称QICA),针对3组特定信号进行了混合与分离的仿真实验,得到了较好的分离效果。将该算法用于齿轮箱振动信号的源分离及其故障诊断中,实验结果表明,该算法用于齿轮箱振动信号分离可以明显增强故障信息,降低齿轮箱故障诊断难度。 相似文献
15.
Z.M. Zhong J. Chen P. Zhong J.B. Wu 《The International Journal of Advanced Manufacturing Technology》2006,28(9):855-862
As the result of vibration emission in air, a machine sound signal carries important information about the working condition
of machinery. But in practice, the sound signal is typically received with a very low signal-to-noise ratio. To obtain features
of the original sound signal, uncorrelated sound signals must be removed and the wavelet coefficients related to fault condition
must be retrieved. In this paper, the blind source separation technique is used to recover the wavelet coefficients of a monitored
source from complex observed signals. Since in the proposed blind source separation (BSS) algorithms it is generally assumed
that the number of sources is known, the Gerschgorin disk estimator method is introduced to determine the number of sound
sources before applying the BSS method. This method can estimate the number of sound sources under non-Gaussian and non-white
noise conditions. Then, the partial singular value analysis method is used to select these significant observations for BSS
analysis. This method ensures that signals are separated with the smallest distortion. Afterwards, the time-frequency separation
algorithm, converted to a suitable BSS algorithm for the separation of a non-stationary signal, is introduced. The transfer
channel between observations and sources and the wavelet coefficients of the source signals can be blindly identified via
this algorithm. The reconstructed wavelet coefficients can be used for diagnosis. Finally, the separation results obtained
from the observed signals recorded in a semi-anechoic chamber demonstrate the effectiveness of the presented methods . 相似文献
16.
A blind deconvolution separation of multiple sources, with application to bearing diagnostics 总被引:5,自引:1,他引:4
A method is presented, geared to separating signals from different sources which are convoluted and mixed by the mechanical systems before being measured. The method is based on an automatically operating blind deconvolution separation method, with Kurtosis of the separated signals as the measure to be maximised. The application described involves bearings diagnostics, whereas with many classical diagnostic methods, Kurtosis is traditionally one of the accepted criteria for fault detection. The method is tested on simulation and experimental cases. Results show that separation is possible even when measurements are distanced from the vibration exciting sources of the faulty bearing. Furthermore, the method eliminates the effect of structural resonances, which often causes severe problems in classical diagnostic methods. 相似文献
17.
高速列车非平稳振动信号盲源分离方法及应用 总被引:1,自引:0,他引:1
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。 相似文献
18.
19.
连轧机组的稳定性对于保障轧制产品的质量精度起着决定性的作用,连轧机组中监测各轧机状态的信号具有强耦合性,从复杂的信号中分离出各轧机独立的状态信号,对连轧机组的状态监测和故障诊断具有重要的意义。提出了一种基于稀疏特征的连轧机故障信号分离方法,并进行了仿真和现场验证。首先,通过基于时频谱分割的稀疏分解方法将各混合信号中的微弱冲击特征提取出来;其次,对所有稀疏表示信号的原子按照一定规律排序,得到各混合信号的稀疏矩阵;然后,根据稀疏原子的相似性对稀疏表示的原子进行聚类,确定盲源分离的源个数;最后,根据稀疏矩阵的系数和源个数比较准确地估计出混叠矩阵,实现混合信号的盲分离。 相似文献