基于快速遗传算法的固定阶H2/H∞自适应噪声抵消器

讨论了混合型固定阶H2／H∞自适应噪声抵消器的设计方法。其不仅能充分利用H2设计的最优性，而且能利用H∞设计的鲁棒性，克服了信号处理中存在模型扰动和噪声的不确定性等问题。固定阶次的H2／H∞自适应噪声抵消器的设计方法是从工程实践的观点出发，不仅实现简单，而且节省运行时间。采用快速遗传算法获取自适应噪声抵消器的系数。仿真结果表明：该方法设计的噪声抵消器即使噪声特性发生改变，而滤波器的结构及参数不变时，其去噪效果仍然良好；同时，该方法可以用于多路信号和复杂信号的噪声消除。     

基于自适应模糊神经网络的噪声抵消器

讨论了基于自适应模糊神经网络的噪声抵消器的设计方法。自适应模糊神经网络系统具有非线性映射和自学习能力，能够用于噪声信号的非线性建模。它不仅能够获取信号的最佳估计，并互能够克服信号处理中存在的模型和噪声的不确定性、不完备性。该法设计的滤波器效果良好，并可以用于多路信号和复杂信号的噪声消除。     

强干扰下复杂系统的独立源识别方法

为了识别强干扰环境下复杂系统的独立源信号,利用主分量分析(PCA)的主投影方向辨识能力,以及独立分量分析(ICA)的冗余取消与盲源分离特性,提出一种基于复合PCA-ICA神经网络的独立源识别方法。ICA与 PCA的有机结合使两者优势得到充分发挥,隐藏于多通道传感观测中的独立源波形得以分离。借助基于快速傅里叶变换与最大相关分析准则的自适应分析校正,消除ICA估计源的盲不确定性,准确地估计源波形及其混合参数,从而实现独立源信号的识别。仿真试验结果证明该方法的有效性,也表明它在复杂系统源识别方面具有较大的应用潜力。     

基于FFT-MCC分析的ICA(BSS)盲不确定性消除

为了消除ICA（BSS）估计的幅值、相位及排序等盲不确定性，提出一种基于快速傅里叶变换与最大相关准则分析的ICA（BSS）估计源自适应校正方法。借助对原始传感观测及估计源的频谱分析，近似获得各本底源信号在观测信号中所占的比重——初始放大权值；基于最大相关准则优化调整ICA（BSS）估计源的相位，并对初始放大权值进行微调，从而消除ICA（BSS）估计的盲不确定性，实现源波形的恢复及其混合参数的估计。仿真试验结果证明了该方法的有效性，也表明它在复杂系统源识别或重建方面具有较大的应用潜力。     

基于自学习字典的盲提取方法在滚动轴承多故障诊断中的应用

当齿轮箱中的多个轴承同时发生故障时,由于各故障源之间的相互耦合效应,常规盲提取方法难以对其进行有效特征提取.为解决上述问题,提出一种基于稀疏表征自学习字典理论的盲提取方法.首先,将稀疏表征自学习字典方法用于滚动轴承多故障信号分析,得到一系列自学习字典集;然后,利用学习到的字典集重构滚动轴承多故障信号以消除噪声及干扰信号...     

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。     

BSS与Morlet小波变换在轴承声学故障诊断中的研究

声音信号的测试与分析是滚动轴承故障检测与诊断的一种新方法,但其信噪比较低,因此提出了基于盲源分离技术和自适应Morlet小波变换诊断轴承声学信号故障的新方法。首先利用小波包将单通道的声音信号分离成2个虚拟通道的声音信号,再用盲源分离技术将信号进行源信号的提取,然后利用最小Shannon熵对Morlet小波的形状参数进行优化,找到与所测声音信号特征成份最匹配的小波,再对小波系数矩阵进行奇异值分解,通过奇异值与变化尺度的关系曲线得到最佳小波变换尺度,最后对滚动轴承故障信号进行Morlet小波变换进行故障特征提取。结果表明:该方法能有效地从强噪声背景下提取出轴承声学信号的故障。     

基于小波半软阈值消噪的盲源分离方法

为了有效提取含噪机械故障信号中的故障特征信息,研究了一种基于小波半软阈值消噪的盲源分离方法。利用小波半软阈值对故障信号进行消噪处理;采用联合近似对角化算法对信号进行盲源分离;考虑在噪声干扰下预消噪常常不足以消除全部噪声,因此在盲源分离后再进行适当的消噪处理,以提高其分离性能。实验验证了所提出方法的有效性和可行性。     

厚截面CFRP孔隙超声脉冲反射检测方法

目前对碳纤维复合材料(carbon fiber reinforced plastic,简称CFRP)孔隙缺陷超声检测识别的研究主要以薄板型CFRP为对象,针对厚截面CFRP孔隙缺陷检测的需要,提出了基于超声脉冲反射背散射信号处理的孔隙缺陷识别方法。背散射信号特征分析结果表明,背散射信号由材料近表面共振结构噪声、信号指数型衰减成分、孔隙的反射和散射信号以及随机噪声组成。为得到孔隙的反射和散射信号,首先,利用提升小波变换良好的去噪能力除去背散射信号中的随机噪声;其次,设计低通滤波和自适应滤波分别除去信号中的共振结构噪声和衰减成分。对实验信号的处理结果表明,上述处理方法可以有效去除相应信号成分。在此基础上进一步提出了背散射信号幅值C扫描成像方法,将该成像方法应用于厚截面CFRP孔隙缺陷识别,可以有效识别试块中的含孔隙区域。     

基于奇异值分解的欠定盲信号分离新方法及应用

提出一种利用相空间重构和奇异值分解实现信号升维,从而对欠定信号进行盲分离的新方法。选择合理的时间延迟和嵌入维数对信号进行相空间重构而得到吸引子轨迹矩阵,对该矩阵进行奇异值分解,并根据不同信号的奇异值分布特性选择合适的奇异值进行逆变换,从而可以得到源信号的新的线性组合,实现了信号升维。随后对新混合信号与原混合信号之间的关系进行讨论,分析二者之间的相关性,证明了该方法的合理性。利用该方法首先分析几种常见信号如正弦信号、调频信号、调幅信号等的奇异值分布特性,研究这些信号与白噪声混合时的欠定盲分离,并将其用于实测齿轮故障信号的盲分离,研究表明该方法能够识别齿轮系统的典型故障,取得了较好效果。     

强脉冲干扰非线性混叠转子故障信号分离

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。     

采用盲源分离的旋转机械振动仿真研究

盲源分离作为一种基于主向量分析的信号处理方法,目的是通过假设源信号之间的统计独立性,由一组观测信号恢复出源信号。研究了盲信号分离理论,尤其是盲卷积分离,采用基于交叉残余误差RCTE控制准则的盲分离算法,并针对旋转机械振动信号的特点生成仿真信号,将该方法应用于旋转机械振动信号瞬态成分与噪声卷积混合问题,仿真试验结果表明了该算法的有效性。     

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。     

基于奇异值分解的侵彻过载信号降噪方法

为解决硬目标侵彻过载信号的降噪问题,提出侵彻加速度信号的奇异值分解技术。首先,通过主体奇异值分量稳定原则确定信号的重构子矩阵;然后,利用前K次奇异值能量占优法则提取奇异值的有效阶次,在此基础上对实测信号进行奇异值分解;最后,利用分解出的有效奇异值完成信号的重构。实验证明,经此方法处理的侵彻过载信号可以有效剔除隐含在弹体加速度信号中的振动和噪声,重构后的加速度曲线具有比小波降噪效果更好的信噪比,积分得到的位移曲线能较好反映实际侵彻深度,是侵彻过载信号处理的一种新的可行方法。     

基于经验模式分解的单通道机械信号盲分离

盲源分离是机械设备复合故障诊断的一种有效方法,经验模式分解是非平稳信号分析的有力工具,它将非线性、非平稳信号分解成为一系列线性、平稳的本征模函数信号。在机械故障信号盲分离中,单通道机械信号盲分离是一个病态问题。针对单通道机械信号盲分离的困境,综合盲源分离和经验模式分解各自的优点,提出基于经验模式分解的单通道机械信号源数估计和盲源分离方法。针对单通道机械观测信号进行经验模式分解,并将单通道信号和其本征模函数组成多维信号,利用奇异值分解估计机械源数目,根据源信号数目重组多通道机械混合信号,并利用FastICA算法实现机械信号的盲分离。将该方法应用于轴承和齿轮的仿真研究,正确分离出轴承和齿轮源信号,仿真研究表明,它能很好地解决单通道机械信号的源数估计和盲源分离难题。     

Coherence technique for noise reduction in rotary compressor

The noise and vibration of a rotary compressor, a type of multi-input, single output system, are generally studied through frequency analysis. Although this method is effective in analyzing frequency components, using this method to identify the specific source of the noise (4 kHz to 6 kHz) is difficult. Hence, noise source should be studied systematically. In this study, a coherence analysis method based on systems analysis is used to identify the compressor noise source. Compressor noise source is identified through the coherence between the vibration signals on the shell of the compressor and the noise signal at one point near the compressor (1 m away from the compressor). A one-third octave band is employed for frequency analysis. The design of experiment is conducted to identify possible noise factors, such as volume, size, and neck area of the resonator in the compressor cylinder. Analysis showed that noise was generated from the cavity of the cylinder and the muffler inside the rotary compressor. A new type of muffler was applied to the rotary compressor to verify this finding. Noise was dramatically reduced.     

基于盲源分离与小波降噪的旋转机械故障分析

基于小波降噪和盲源分离相结合对机械信号进行分离与故障诊断。首先使用经分析选择的较好小波阈值对非平稳振动信号进行降噪,然后运用盲源分离技术分离出激振信号,结果表明利用小波阀值降噪后进行盲源分离时分离信号与源信号相似系数优于直接盲源分离;将小波降噪和盲源分离相结合应用于某燃气轮机的实测故障信号提取,诊断出转子发生了不平衡及碰摩等故障现象,与实测情况相符,有效说明了该方法在旋转机械故障诊断中的实用性。     

二阶线性系统调参共振的特征信号检测

以二阶线性系统为信息检测处理模型,提出二阶线性系统调参共振的特征信号检测方法。该方法利用线性系统的共振特性,得到系统响应最大值随固有频率变化的特性曲线,根据曲线中的极大值即可识别噪声中的特征信号。仿真和转子故障诊断实验表明,所提出的方法原理简单,能为实际信号检测与处理提供一种可行实用的方法。     

ESTIMATION OF THE NUMBER OF CORRELATED SOURCES WITH COMMON FREQUENCIES BASED ON POWER SPECTRAL DENSITY

Blind source separation and estimation of the number of sources usually demand that the number of sensors should be greater than or equal to that of the sources,which,however,is very difficult to satisfy for the complex systems.A new estimating method based on power spectral density (PSD)is presented.When the relation between the number of sensors and that of sources is unknown, the PSD matrix is first obtained by the ratio of PSD of the observation signals,and then the bound of the number of correlated sources with common frequencies can be estimated by comparing every column vector of PSD matrix.The effectiveness of the proposed method is verified by theoretical analysis and experiments,and the influence of noise on the estimation of number of source is simu- lated.     

基于改进阶次分析与自适应VMD的变转速齿轮箱故障诊断研究

变转速齿轮箱由于工况复杂导致转频不稳定,齿轮箱的微弱故障信号可能会被掩盖在强噪声中,不能直接应用传统的时频分析方法,为故障特征的提取增加一定的难度。针对变转速信号的处理,传统的计算阶次分析方式(COT)很好地解决了变转速齿轮箱的故障特征难以提取出来的问题,但由于传统COT中所使用的重采样方法是基于样条插值法的,无法根据转频选取转频,导致重采样间隔并不均匀;提出了改进的阶次分析方法,根据采样的各点角速度依次进行重采样,提高了阶次分析的精度。同时,变转速齿轮箱因动力传递复杂,导致变转速齿轮箱噪声更加严重。变分模态分解(VMD)常被被用来去除复杂信号噪声,提取被掩盖在强噪声中的微弱故障信号。提出了自适应VMD使用能量法,确定分解层数后对分量进行指标化选取,使去噪的效果得到进一步提升。通过对实验信号分析,使用此方法进行验证。结果表明,此方法能有效转换变转速齿轮箱信号为阶次信号并对故障进行识别。