转子共频相关故障源源数估计与子带盲分离

针对转子异常振动产生含交叉频率的响应,其共频相关故障源不满足统计独立要求,提出利用非负矩阵法在频域中计算故障源个数,不计及源信号和混合系统特性,可以正确估计出故障源数目或源数上限。提出利用小波包分解故障信号,选择互信息较小的子带进行重构,剔除共频信号并进行盲分离,得到独立非相关的源信号,保留了故障信息。理论及实验结果证明了所提出方法的有效性。     

动态故障源数估计的自适应盲源分离方法

在大型旋转机械故障诊断中,由于故障源数动态变化,无法准确估计源数并有效分离出故障源.针对这一问题,采用拓展四阶累积量矩阵估计动态故障源数,并根据源信号数与传感器数的关系,选择相应的盲源分离算法实现自适应盲源分离.实验结果表明,该源数估计算法能有效地估计出包括欠定情况下的动态故障源数,自适应盲源分离算法能有效地实现正定、超定与欠定盲源分离的故障诊断.     

基于源数估计的旋转机械源盲分离

在传统的源数估计方法基础上引入聚类分析思想，提出了一种基于奇异值分解的聚类不相关源数估计新方法。应用该方法，可以估计系统中独立源数的上界，并籍此获得足够维数的传感观测信号，保证盲源分离方法在实际应用中的正确实施。仿真以实验的结果证明了所提出的整体解决方案的可行性和有效性。     

基于源数估计的机械源信号盲分离方法研究

传统的机械源分离方法往往事先假设源信号的个数已知,否则无法进行机械源信号分离。然而,在实际中源信号的个数往往是是未知的。针对此不足,结合变分贝叶斯独立变量分析和自相关测定,提出一种机械源数的最佳估计方法,它是通过比较不同模型的信度来确定出信源的个数。仿真和实验结果表明该方法是有效的,并具有很好的鲁棒性。     

调制故障源信号盲分离技术

应用盲信号分离技术，通过模拟实际故障诊断中传感器所测信号的噪声干扰情形，较好地实现了一倒故障源信号与外加干扰的分离，突出了源信号中重要的调制特征。另外，对实际多维轴承故障信号的盲分离实验结果，也暗示了盲源分离技术在机械状态监测与故障诊断中的应用价值。     

一种新的盲信号源数估计方法研究

传统源数估计方法要求传感器数大于或等于源数,而盲信号很难满足这个条件,为此,提出了一种新的源数估计方法。该方法在传感器数与源数关系不明确的情况下,仅根据观测信号的功率谱密度函数的比值即可对源数作出估计。通过理论分析、仿真和实验,证明了该方法的有效性。     

某型航空发动机转子振动信号盲分离

航空发动机振动信号往往所含成分复杂、有用成分十分微弱,信噪比低,这大大限制了已有诊断方法在早期诊断中的应用.将盲信号处理方法引入到航空发动机振动信号分析,根据振动信号的特征,采取合适的预处理手段,然后应用FastlCA算法进行信号的分离研究,结果验证了盲处理方法的有效性,可以应用于航空发动机振动信号处理和故障诊断领域.     

基于非负矩阵分解的盲信号源数估计

为满足盲源分离算法对振源信号数量的苛刻要求,提出了一种基于非负矩阵分解的源数估计方法。该方法在传感器数大于或等于源数时,无论源信号是否相关均能准确估计源数;在传感器数小于源数时,能估计源数的下界。理论分析、仿真和工程实验证明了该方法的有效性和可行性。     

基于盲源分离技术的故障特征信号分离方法

信号采集过程中，传感器测量到的信号是实际振动信号在此测量方向的投影值，由于其他不相干振源的影响，测量信号由多个振动信号成分组成。在分析多振源信号混合模型的基础上，采用盲源分离技术分离不同的振源信号，讨论分离结果的广义初等相等性质的影响，研究估计振源数目的方法和选取测量信号的方法，利用二阶特征矩阵联合近似对角化算法，从测量信号中分离故障特征源信号。该算法可减小信号采集不当造成的影响，有效提高特征信号的提取。     

基于ITD-KICA盲分离降噪的滚动轴承故障特征提取

滚动轴承在实际工况下的故障信号和故障信息常常淹没于噪声中,传统的故障特征提取方法很难有效提取出轴承故障特征信息。因此,采用时间固有尺度分解(ITD)和核独立分量分析(KICA)相结合的信噪盲分离分析法降噪。对轴承信号进行ITD分解,根据相关系数将分解得到的PRC分量重组以及构建虚拟噪声通道,利用KICA解混实现故障信号与噪声信号分离,对信噪分离后的有效分量信号做包络谱的分析。通过仿真及轴承故障实验分析和对比表明,该方法能有效提取轴承的故障特征。     

基于EMD-PCA的轴承故障源盲分离方法

结合经验模态分解和主分量分析各自的优点,提出了一种基于EMD-PCA的轴承故障源的盲分离方法。利用EMD方法对混合观测信号进行分解得到若干个本征模函数分量,把所有的IMF分量重新组合在一起,作为新的观测信号,然后采用PCA对新的观测信号进行共性分析以得到源信号中的主要成分,并进行了轴承故障源分离试验验证。     

两次去相关用于振动信号盲分离

盲分离方法通常要求对混合信号进行去相关,提出了一种基于两次去相关的振动信号盲分离方法.首先对传统的预白化方法进行了分析,指出其本质就是空间去相关;然后对白化后信号某一非零延迟进行时间去相关,得到两次去相关盲分离方法,并对该方法的可分性进行分析,给出两次去相关盲分离方法的详细步骤;最后分别用亚高斯、超高斯的混合信号和振动混合信号的分离试验验证了该方法的可行性.     

基于流形学习的滚动轴承故障盲源分离方法

滚动轴承的故障信号是一种典型的非线性非平稳信号,其信号中常常混有噪声信号及其他干扰成分。提出了一种基于流形学习的滚动轴承故障盲源分离方法,首先,利用经验模态分解(empirical mode decomposition,简称EMD)对单通道模拟信号进行分解,对得到的多通道信号构造其协方差矩阵,计算矩阵的奇异值下降速比得到原始信号数目;其次,利用峭度等指标选择最优观测信号,利用核主成分分析(kernel principal components analysis,简称KPCA)提取信号的流形成分;最后,利用快速独立成分分析(fast independent component analysis,简称Fast ICA)还原得到源信号。该方法不但解决了故障信号的欠定盲源分离问题,还提出了最优观测信号的确定准则,并通过实例验证了方法的有效性。     

基于LCD的齿轮箱混合故障盲源分离研究

盲源分离是一种有效的混合故障诊断方法,而局部特征尺度分解（LCD）是非平稳信号的有效分析处理工具,综合两者的优点,提出了基于LCD的齿轮箱混合故障盲源分离方法。将源信号LCD分解,得到新的多维信号,采用Bayesian信息准则（BIC）估计盲源的数目并对多维信号进行重组。最后进行联合近似对角化处理,实现源信号的盲分离。仿真和实验结果表明,该方法能够有效地实现齿轮箱混合故障盲源分离。     

故障源信号的频域盲分离及其应用研究

盲源分离可以对相互统计独立的信号源经线性组合而产生的一组混合信号进行分离,从中得到各个独立的源信息.针对混合信号相位差对独立分量分析算法性能的影响问题,提出一种故障源信号的频域盲分离方法.该方法利用频谱的线性叠加性和无相位性,先将工程实测信号转换到频域,再对得到的信号频谱进行盲源分离.仿真实例和涡流传感器失效检测的成功应用表明,根据信号结构选择预处理方法十分重要,正确的预处理可以大大提高独立分量分析提取故障源特征的有效性.     

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。     

盲源分离算法在变速箱故障信号诊断中的研究

研究了基于最大信噪比的盲源分离算法,并将其应用在汽车变速箱振动信号分析上,其目的是在变速箱工作时将不同激振源分离出来以便进行故障诊断。通过计算机进行信号分离实验仿真,验证了以最大信噪比(SNR)为分离准则的盲分离算法对振动信号分离的可行性,并将该算法与阶次分析方法相结合,应用于汽车变速箱在降速实测振动信号的故障诊断中,实验结果表明以最大信噪比为准则的盲源分离算法具有计算准确度高及稳定性好的优点,取得了良好的效果。     

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。     

基于稀疏特性的欠定盲分离矩阵A的估计方法

给出了欠定情况下的盲分离模型,从时域和频域对信号的稀疏特性做了简要的陈述.基于信号稀疏特性的欠定情况下盲分离一般采用两步法,对其核心步骤混叠分离矩阵A的估计中的聚类方法做了总结、归纳.对比了几种主要聚类方法的优缺点,并对今后欠定情况下混叠矩阵A的研究方向做了进一步展望.     

一种适用于信源数时变的自适应盲源分离算法

针对信源数动态变化情况下的盲源分离问题,首先采用一种基于交叉验证技术的估计方法用于估计时变的源数,然后推导了一种基于自然梯度和Frobenius范数相结合的自适应盲源分离算法,该算法不需要对源信号作任何约束性的假设,因此该算法适合于分离服从超高斯或亚高斯分布的信号。提出的算法通过了源数不变和源数动态变化2种方式实验的验证。