独立分量分析在滚动轴承包络分析中的应用

提出了一种利用独立分量技术消除或有效抑制包络分析中强干扰对分析结果影响的方法.该方法首先用包络分析方法提取滚动轴承振动信号的包络波形,再通过独立分量分析实现各振源包络分量的分离去噪,最后对滚动轴承相关的包络分量进行包络谱分析,获得对滚动轴承故障在强干扰源存在下的准确结果.     

基于短时傅里叶变换和独立分量分析的滚动轴承包络分析

滚动轴承的早期故障信号能量小,频带分布广泛;而传统包络谱分析技术直接在强干扰影响下对滚动轴承的故障特征提取经常失效.提出一种基于短时傅里叶变换(short time Fourier transform,STFT)的能量谱和独立分量分析( independent component analysis,ICA)的抗干扰滚动轴承包络分析新方法.该方法首先对获取的滚动轴承振动信号进行STFT能量谱分析,获取信号采样频带下的能量分布,采用带通滤波器获得高频带能量信号,并提取该包络波形,再通过ICA实现包络波形按源分离去噪,最后通过比较各独立分量的包络频谱与滚动轴承理论计算故障特征频率的匹配性,实现滚动轴承故障的精确诊断.仿真数据和试验验证该方法的可行性.     

基于ICA和小波变换的滚动轴承故障诊断方法研究

提出了结合独立分量分析(ICA)和小波变换进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对冲击脉冲信号进行预处理,使信号较好地满足独立分量分析的前提条件。然后,应用独立分量快速算法分离故障轴承的冲击脉冲信号,通过小波快速算法完成信号重构,实现滚动轴承故障的识别。实验结果表明,利用独立分量分析方法提取的故障状态特征向量与小波快速算法相结合可以有效、准确地识别滚动轴承的故障信号。     

基于小波域平稳子空间分析的风力发电机齿轮箱故障诊断

风力发电机齿轮箱故障信号为非平稳瞬态微弱信号,容易被齿轮啮合信号及其他噪声淹没。提出一种融合连续小波变换(Continuous wavdot transform,CWT)和平稳子空间分析(Startionary subspace analysis,SSA)的信号分解方法并应用于风力发电机齿轮箱故障诊断中。平稳子空间分析作为一种盲源分离技术可将高维数据分解成平稳源部分和非平稳源部分,对待分析信号各分量间的独立性没有要求且不需要任何先验信息。连续小波变换则可利用其所具有的多尺度分析特性把一维时间序列转换为不同尺度下的多维时间序列。对观测得到的一维时间序列数据进行连续小波变换得到多维时间序列作为平稳子空间分析的输入,利用平稳子空间分析方法将该多维时间序列分解为平稳源信号分量和非平稳源信号分量,对非平稳源信号进行包络谱分析得到齿轮箱故障的特征频率。该小波域平稳子空间分析方法被应用于一个实际风力发电机齿轮箱振动信号的分析,试验结果表明该方法可有效地诊断出齿轮箱中的轴承故障。     

EWT-KICA联合的滚动轴承故障诊断

滚动轴承故障信号能量较弱,故障信息在实际工况下更容易受到噪声的影响,致使很难有效地实现信噪分离。针对这一问题,提出经验小波变换（EWT）和核独立分量分析（KICA）联合的振幅解调方法消噪。使用经验小波变换对轴承故障信号进行分解,根据相关系数准则对分解获得的IMF分量信号进行筛选,重组分量信号并构造虚拟噪声信号。使用核独立分量分析算法对重构的信号进行增强处理并分解,实现信号和噪声的分离。采用包络谱法对分离后的信号进行分析。仿真对照实验表明,该方法具备较强的特征提取能力。     

SDICA方法在单通道信号故障分类中的研究

提出了一种针对工程单通道信号的子带分解独立分量分析(subband decomposition independent component analysis,简称SDICA)故障分类方法。利用经验模态分解方法(empirical mode decomposition,简称EMD)得到的多个基本模式分量作为子带信号,对子带信号进行独立分量分析(independent component analysis,简称ICA),在ICA方法过程中提取了分离过程特征中产生的残余互信息值,在估计子带信号中计算各自的近似熵值,并把残余互信息和近似熵值作为特征参数,输入广义回归神经网络实现故障分类。SDICA方法在单通道信号故障分类中引入了ICA理论,成功实现了工程单通道轴承信号3种故障高精度的识别,验证了具有良好表征故障能力的残余互信息值和估计子带近似熵能够成为故障分类的重要参数。     

基于Morlet小波包络分析的滚动轴承多源故障分离

滚动轴承初始故障振动信号比较弱,易被干扰噪声淹没,使得传统的包络分析方法失效,而且实际采集的信号往往为多个振源的混合信号.提出用Autoregressive模型对轴承故障数据进行预处理,得到包含故障脉冲冲击的信号.利用kurtosis最大化准则自动获取complex Morlet小波包络分析方法的中心频率和包络带宽,对采集信号进行包络分析,最后对得到的包络信号进行独立分量分析实现各振源包络分量分离,进而获取故障冲击信号.仿真试验与模拟故障试验验证了该方法的有效性.     

基于谱峭度和cICA的滚动轴承故障特征提取

独立分量分析(independent component analysis,ICA)可以实现混合信号的按源分离,但由于其使用时通常需要预先知道信号源数量,使其应用受到限制。在ICA基础上发展起来的约束独立分量分析(constrained independent component analysis,cICA)方法,可根据一定的先验知识生成参考信号,以提取感兴趣的独立分量(independent component,IC)。包络提取技术可有效隔离解调共振带之外的干扰源信号,同时起到对信号的振源降维作用。谱峭度包络提取是近年来发展起来的崭新包络提取方法,可实现对信号包络的自适应提取。将谱峭度包络提取方法与cICA相结合,提出一种高鲁棒性的滚动轴承故障特征提取法,首先通过谱峭度实现对信号包络的自适应提取,再根据滚动轴承故障特征频率建立参考信号,以cICA实现对滚动轴承不同故障对应包络IC的有效提取。仿真和测试试验表明,该方法可实现在干扰条件下对滚动轴承故障特征信息的有效提取。     

结合小波变换和独立分量分析的脑电特征提取

在多道脑电信号的独立分量分析 ICA (Independent Com ponent Analysis)过程中 ,脑电独立源在数量上的不确定性往往是造成分离结果不理想的主要原因。目前还没有找到解决此问题的有效方法。根据脑电信号自身的特点 ,提出了一种结合小波变换 WT(Wavelet Transform)和独立分量分析的脑电特征提取新方法— WICA。新方法的主要思路是先对每一道脑电数据进行小波分解 ,然后根据需要选择不同尺度的小波子带信号进行脑电独立分量提取。实验结果表明 ,WICA方法在一定程度上能够克服因脑电独立源的不确定性所带来的影响 ,并能获得较好的脑电特征提取效果。     

基于小波变换和ICA的滚动轴承早期故障诊断

滚动轴承早期故障诊断的关键在于如何从低信噪比混合信号中检测出显著的轴承故障特征频率。提出以连续小波变换(CWT)和独立分量分析(ICA)相结合的方法来诊断单通道信号的滚动轴承早期故障,提出按频谱等间隔选取伪中心频率的小波分解尺度,并对ICA处理后的信号进行包络频谱分析以确定故障类型。最后,利用实际的滚动轴承实验数据对该方法进行了验证。     

基于形态成分分析的轴承复合故障诊断

独立分量分析(ICA)已被广泛运用于线性混合模型的盲源分离问题,但却有2个重要的限制:信源统计独立和信源非高斯分布。形态成分分析是最新提出的一种基于稀疏表示的信号和图像分解(分离)方法。介绍了形态成分分析的基本原理,进行了仿真说明,并应用该方法对设置了3种故障的轴承进行故障诊断,最终发现了故障特征,成功判别出了轴承的3种故障,验证了该方法在轴承故障诊断中的有效性。     

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%。     

机械故障信号主分量的最大熵谱分析

针对复杂机械系统中经常出现的多种故障并存现象,讨论了基于主分量分析的机械故障信息分离的方法,然后利用最大熵谱处理短数据的优点对分离信号作频谱分析,达到对故障信号准确定位的目的,取得了较为满意的结果。     

基于信号共振稀疏分解与包络谱的齿轮故障诊断

当齿轮出现断齿、裂纹等局部故障时,其振动信号会出现周期性冲击脉冲。在齿轮故障早期,由于冲击脉冲微弱,常淹没在齿轮的啮合频率、转频等谐波成分以及噪声中,因此,对于齿轮早期故障,直接对齿轮振动信号做包络谱分析以诊断齿轮局部故障通常效果不佳。针对这一问题,将信号共振稀疏分解方法与包络谱分析相结合,提出了基于信号共振稀疏分解与包络谱的齿轮故障诊断方法。该方法采用信号共振稀疏分解将冲击脉冲从齿轮振动信号中分离出来,然后对冲击脉冲做Hilbert包络分析,获取冲击脉冲出现的周期,进而对齿轮状态和故障进行识别。仿真算例和应用实例证明了该方法的有效性。     

机械故障信号的分离

针对机械故障信号经常是多种故障信号的混合，给正确的故障识别造成很大困难的实际情况，提出基于神经网络非线性主分量分析的机构故障信号分离方法。阐述了故障信息的分离与主分量分析的关系。并将二者统一起来，从理论上证明应用主分量分析方法进行故障分离的有效性；介绍神经网络非线性分离，取得令人满意的结果。     

基于优化VMD与欧氏距离的柴油机故障识别

为实现利用单一通道信号通过同一方法区分多种发动机故障的目的，笔者对现有算法进行了优化以提取振动信号中的故障特征。首先，针对变分模式分解（variational mode decomposition,简称VMD）的分解层数选择困难问题，文中以几种不同类型故障的频率特征为基础，优化了其中心频率迭代初始值，在保证准确性的前提下提高了算法的计算效率与简便性；然后，利用鲁棒性独立分量分析（Robust independent component analysis,简称Robust ICA）对VMD处理结果再次分解，分析发动机中可能存在的不同振源的同频率信号，并将两个阶段分解结果重构信号的四阶累积量作为故障判定指标。结果表明：以模糊C均值聚类（fuzzy C-means clustering,简称FCM）确定的聚类中心为参考点，利用各个工况点与喷油故障聚类中心的欧氏距离区分故障类型，取得了较高的正确率。     

基于ICA相关系数和VPMCD的滚动轴承故障诊断

将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)、独立分量分析(independent component analysis,简称ICA)和相关系数分析方法相结合,提出了基于ICA相关系数和VPMCD的滚动轴承故障诊断方法。首先,对不同工况下的滚动轴承振动信号分别进行独立分量分析,获得各工况信号的独立分量;然后,提取样本与不同工况信号独立分量之间的相关系数,并以相关系数绝对值的和作为该样本的特征值;最后,采用VPMCD分类器进行故障识别和分类。实验数据的分析结果表明,该方法能够有效应用于滚动轴承故障诊断。     

基于多模态数据全信息的概率主成分 分析故障检测研究

针对工业过程复杂的数据分布特性,本文提出了一种基于局部近邻标准化(LNS)的概率主成分分析(PPCA)故障检测方法(LNSPPCA)来解决由于过程数据的多模态特性和不确定性所引起的故障检测效果不理想问题。首先,通过LNS解决数据多模态问题,使标准化后数据尽可能的服从单一高斯分布,然后,使用PPCA方法从概率的角度对数据进行分析,能够考虑到数据的随机性,从而更真实的描述数据,提取更加全面有价值的信息,有效的在复杂的数据分布过程中对故障进行检测。因此,LNSPPCA方法可以有效提高多模态过程复杂数据分布的工业过程故障检测能力。利用数值例子和TE过程进行应用实验,并将测试结果与主成分分析法(PCA)、PPCA方法进行对比,验证了LNSPPCA方法的有效性。     

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。     

基于形态分量分析与能量算子解调的齿轮箱复合故障诊断方法

针对齿轮箱复合故障的故障特征分离,提出了一种基于形态分量分析与能量算子解调的齿轮箱复合故障诊断方法。该方法先根据振动信号中各组成成分形态的差异,采用形态分量分析方法构建不同形态的稀疏表示字典进行故障成分分离,将齿轮箱复合故障信号分解为包含齿轮故障信息的谐振分量、包含轴承故障信息的冲击分量和噪声分量,然后分别对谐振分量和冲击分量进行能量算子解调分析,最后根据各解调谱诊断齿轮和轴承故障。算法仿真和应用实例表明该方法能有效地分离齿轮箱复合故障振动信号中齿轮与轴承的故障特征。