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。     

大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)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(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析（independent component analysis,简称ICA）理论中的快速独立分量分析（fast independent component analysis,简称FastICA）算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。     

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。     

航空发动机转子振动信号的分离测试技术

在传统谱分析方法的基础上,尝试应用盲源分离技术对飞机发动机振动信号进行振源分离.首先,介绍了发动机振动信号的基本处理方法和常见的发动机故障类型及特征,引入了盲源分离理论并讨论了其在航空发动机振动信号处理中应用的可行性.然后,对某型涡扇发动机振动过大的现象进行了故障诊断分析.最后,应用FastICA和JADE算法对检测的振动信号进行分析,分离出了发动机的振源信号.这说明发动机振动信号分析采用盲源分离与谱分析相结合的技术可以有效分离振源信号,提高故障诊断的准确性.     

基于振动信号EMD和ICA的刀具破损识别

针对多齿铣削过程中振动信号的特点,提出了一种基于经验模态分解(EMD)和独立分量分析(ICA)相结合的方法,对混叠在振动信号中的铣刀破损信号进行分离。对振动信号进行经验模态分解提取出信号中的所有本征模函数,然后应用fastICA对所提取出的本征模函数进行独立分量分析。利用该方法对铣削加速度振动数据进行了分析,试验表明,该方法可以提取出混合信号中与刀具破损状态相关的故障特征频率成分。     

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。     

基于独立分量分析的壳体结构振源数目估计方法

在振源数目未知的条件下,仅利用多通道观测混合信号准确分离源信息是信号源盲分离的技术难题之一。为了揭示观测振动混合信号的复杂组成结构,以及为振源信息盲分离提供可靠的先验信息,提出一种基于独立分量分析和聚类评估技术的信源数目估计方法。通过仿真试验与壳体结构试验台典型机械振动信号分析,定量比较基于信息理论的源数估计方法AIC/MDL与提出方法的性能,研究结果表明所提出方法可从振动调制混合信号中准确可靠地估计信源数目,具有更好的工程应用性能。     

温变工况下螺栓松动检测的独立成分分析方法

导波损伤检测技术的关键在于检测出结构损伤引起的导波信号变化,但环境温度变化也会影响导波传播过程,引起信号改变,导致损伤检测的失败。为了消除温度变化的影响,笔者采用独立成分分析(independent component analysis,简称ICA)方法处理导波响应信号。作为一种盲源分离的算法,ICA能够从混合信号中提取得到独立的未知源信号分量。因此利用ICA方法能将导波的响应源信号从被温度变化干扰的混合信号中分离出来,实现消除温度变化干扰的目的。为验证该方法的可行性,以螺栓连接铝板为对象进行实验,采集不同温度下螺栓全紧及松动状态的导波响应信号,将其经过ICA方法处理后应用到损伤定位算法中。结果表明,应用ICA处理后的导波信号能够成功定位松动螺栓,证实了ICA方法排除温度变化对导波传播影响的有效性。     

基于全矢谱时间固有尺度分解和独立分量分析盲源分离降噪的滚动轴承故障特征提取

结合盲源分离技术和全矢谱技术的各自优势,提出一种同源双通道信噪盲源分离法。首先采用时间固有尺度分解（ITD）和独立分量分析（ICA）相结合的分析法降噪,对同源双通道的轴承信号进行ITD分解,根据相关系数准则将分解得到的PRC分量进行重组作为ICA输入矩阵,再采用FastICA解混,实现故障信号与噪声信号的分离;其次采用全矢谱技术对信噪分离降噪后的双通道有效分量信号进行全矢信息融合,做全矢谱分析。滚动轴承故障实验对比分析表明了该方法的有效性。     

基于多尺度核独立成分分析的柴油机故障诊断

为提高利用缸盖振动信号进行柴油机故障诊断的精度和速度,提出了一种基于多尺度核独立成分分析提取故障敏感频带的柴油机故障诊断方法。首先,提出奇异值能量标准谱对缸盖振动信号中的微弱冲击特征进行增强;然后,对信号进行固有时间尺度分解,并基于相关性准则选择有效频带分量;最后,利用核独立成分分析消除有效频带之间的频带混叠,得到故障敏感信息集中的独立频带,并计算其自回归模型(auto regression model,简称AR)参数、模糊熵和标准化能量矩作为特征向量输入核极限学习机(kernel extreme learning machine,简称KELM)进行柴油机故障诊断。试验分析结果表明,该方法可以快速准确地提取缸盖振动信号中的柴油机故障敏感频带,增强故障敏感特征,故障诊断准确率达到99.65%。     

齿轮箱复合故障信号的非线性盲源分离算法研究

针对齿轮箱复合故障分析问题,文中提出一种新型非线性盲源分离（Nonlinear Blind Source Separation, NBSS）算法。该算法先利用反向传播（Back Propagation, BP）神经网络逼近非线性混合模型的逆,并对经过BP 神经网络处理后的信号进行独立成分分析（Independent Component Analysis, ICA）;然后以独立成分分析后的信号的负熵作为适应度函数,采用遗传算法对BP神经网络的参数进行寻优;最后利用优化的BP神经网络参数,对观测到的混合信号进行分解,分离出纯净的振源信号。与采用粒子群优化（Particle Swarm Optimization, PSO）算法的核独立成分分析（Kernel ICA, KICA）相比,该方法提取的分离信号具有更高的精度,为齿轮箱复合故障诊断提供了关键技术与有效方法。     

独立分量分析在机械振动信号上的应用研究

独立分量分析在机械振动信号的特征提取上能起到重要作用。首先建立以信息论为框架的独立性判据和优化算法,然后给出衡量独立分量分析分离性能的指标,这样建立的优化算法能很好地分离出混合信号。最后对两个亚高斯信号和一个超高斯信号的混合信号进行仿真实验。仿真结果表明,灵活的ICA算法分离效果要好于随机梯度算法的分离效果,该信号分析方法具有收敛性好,误差小的优点。     

基于变分模态分解和鲁棒性独立成分分析的内燃机缸盖振动信号分离

针对缸盖振动信号中燃烧信号和活塞敲击信号在时频域混叠严重难以分离的问题,用基于VMD和RobustICA的方法分离各独立源信号。通过试验测量内燃机单通道缸盖振动信号,首先对测得的信号进行消除趋势项及滑动平均等预处理,用VMD算法对预处理后的信号进行分解;然后用RobustICA算法提取独立成分,并用组合模态函数法对时域和频域相似性较高的分量成分进行组合;最后结合频谱分析、连续小波变换、相干函数法及倒拖试验对分离得到的结果进行识别验证。研究结果表明：在不同的试验工况下,该方法可以有效地从缸盖振动信号中分离出燃烧信号和活塞敲击信号。     

Separation method of rolling bearing compound fault characteristics based on Improved harmonic wavelet packet decomposition and fast ICA

Compound fault characteristics in single-channel vibration signals of rolling bearings are difficult to separate. On the basis of improved harmonic wavelet packet decomposition and fast independent component analysis (FICA), this study proposes a new method to address this problem. First, a series of mutually independent frequency bands are obtained after harmonic wavelet packet decomposition of the initial vibration signal to satisfy the requirement that the number of observed signals must be larger than the number of source signals in the FICA algorithm. Second, the optimal frequency bands are selected based on the maximum kurtosis index and used as the input matrix of the FICA algorithm to separate the compound fault characteristics further. Lastly, accurate separation and extraction of the compound fault characteristics of the rolling bearings are realized. Results show that the proposed method can effectively separate the compound fault characteristics in the single-channel vibration signals of the bearings.

     

柴油机缸盖振动信号典型特征提取

针对柴油机缸盖振动信号信噪比低且呈非平稳特性,提取柴油机振动信号的典型特征。通过分析缸盖在不同时刻受到的激振,判断汽缸各个部件的工作情况;提取信号振动烈度,并分析烈度与柴油机转速的变化关系,为柴油机的在线控制和故障诊断提供依据。     

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。     

柴油机振动信号快速稀疏分解与二维特征编码

针对柴油机故障诊断方法中的信号时频表征及特征提取问题,提出一种基于振动信号快速稀疏分解与二维时频特征编码识别的柴油机智能故障诊断方法。首先,为了获得时、频聚集性优良的时频图像,提出一种随分解残差信号自适应更新Gabor字典的改进匹配追踪(adaptive matching pursuit,简称AMP)算法,利用AMP算法将柴油机振动信号分解后叠加各原子分量的Wigner-Ville分布,获取原信号的稀疏分解时频图像;然后,为提取时频图像的特征参量,提出了双向二维非负矩阵分解(two-directional,2-dimensional non-negative matrix factorization,简称TD2DNMF)算法,用于对时频图像的幅值矩阵进行特征编码,获取蕴含在时频图像内部的低维特征,并利用最近邻分类器实现了时频图像的自动分类识别。将提出的方法应用于4种不同状态柴油机气门故障的诊断试验中,结果表明,该方法能够获得无交叉项干扰、聚集性好的时频图像,使各时频分量的物理意义更加明确,并改进了传统图像模式识别中的特征参数提取方法,是一种有效的柴油机故障诊断方法。     

Detection of signal transients using independent component analysis and its application in gearbox condition monitoring

This paper addresses feature extraction of the higher-order statistics, which can effectively characterize the transients, using independent component analysis (ICA) for the one-dimensional measured vibration signal, and then proposes a novel automatic technique for detecting the transients in vibration signals with the low signal-to-noise ratio by ICA feature extraction. The basic principle of the ICA-based transient detection method is that the independent components (ICs) coefficients of the transients and the noise can be effectively distinguished by their different sparseness properties. Specifically, the proposed method mainly includes three steps: training the ICA basis features from the signal segments, denoising the sparse ICs coefficients using the shrinkage function deduced by the maximum a posteriori (MAP) estimation, and reconstructing the transient segments by the shrunken coefficients through the ICA basis functions. Experimental results through the simulated signal analysis and the vibration signal analysis show that the ICA-based method is very effective for transient detection outperforming the traditional methods and is valuable for gearbox condition monitoring and fault diagnosis.     

Investigation on Major Noise Sources of Vehicle Diesel Engine Based on Sound Intensity Measurement

In order to reduce the noise and vibration of the diesel engine,it is crucial to exactly identify the engine noise source character.Based on "two-microphone" method,the sound intensity measurement of a vehicle four-stroke diesel engine was carried out in a hemi-anechoic chamber.Then the sound intensity contour maps were obtained from the measurement results and the main noise components of different frequencies on all the measurement surfaces were picked out to construct contour maps.By analysizing the relationship between the characteristics of contour maps and the space distribution of the engine compartment,the major sources of the exterior radiation noise of the diesel engine were identified.The results provided a creditable basis for improving the noise performance of the engine in the next phase.