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。     

MISEP盲分离算法在振动信号分析中的应用

利用MISEP算法对直升机齿轮箱振动信号的非线性混叠进行了盲源分离,分离出了轴承故障振动信号,并将该方法应用于实际的飞机发动机的振动信号分析,分离结果表明MISEP盲源分离算法是机械故障诊断领域的一个有效的信号处理方法。     

基于遗传算法的盲源分离在轴承诊断中的应用

提出了一种基于遗传算法的盲源分离算法，该算法直接从信号的样本序列估计信号的概率分布，解决了信号问互信息的求解问题，通过遗传算法最小化信号的互信息，实现对线性混叠信号的分离。将该算法用于轴承声音信号的分离，取得了较好的效果。     

一种基于累积量的盲源分离新方法及其应用

结合二阶累积量和四阶累积量各自的优点,提出一种基于联合近似对角化二阶累积量和四阶累积量的盲源分离算法。采用稳健白化算法有效地减小了噪声对分离精度的影响。盲源分离算法与基于四阶累积量和二阶累积量的算法相比,具有收敛速度快、分离精度高的优点,两个仿真试验验证了该算法能有效分离语音信号和超高斯与亚高斯信号混合的信号。应用该算法成功实现了实测转子复杂混叠振动信号的分离。     

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.     

基于NPCA的后非线性盲源分离方法

提出一种基于非线性主元分析和H∞滤波算法相结合的后非线性盲源分离方法,首先根据后非线性混叠的线性时变模型构造用于求解时变解混矩阵的非线性主元分析代价函数,然后利用H∞滤波算法优化其函数来恢复混合在非线性观测信号中的源信号,该方法仅需要源信号统计独立特性的先验信息。仿真实验结果表明,该方法不仅能以比其他传统方法更好的估计性能分离服从超高斯和亚高斯不同分布的源信号,还能在线动态地实现信号的后非线性盲分离。     

一种基于子空间法的机械故障欠定盲分离新算法

针对以往稀疏盲信号分离算法中恢复源信号时所采用的线性规划或最短路径法计算相对复杂,提出了一种基于子空间法的机械故障欠定盲源信号恢复方法。该算法假设源信号由两个正交向量构成:其中一个向量位于混叠矩阵A的行空间中,另一个位于A的零空间中,位于行空间中的向量可以通过A的Moore-Penrose伪逆得到,位于零空间中的向量通过贝叶斯估计得到。新算法容易实现,分离速度快,能够很好地满足盲分离对速度的要求。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分离齿轮系统的典型故障,取得了较好效果。     

基于独立分量分析的EMD模态混叠消除方法研究

针对经验模态分解(empirical mode decomposition,EMD)算法中存在的模态混叠现象,提出一种应用独立分量分析进行模态混叠消除的新方法.首先应用形态学滤波方法将信号中的噪声予以消除,减少由于噪声因素造成的模态混叠现象.然后将信号进行EMD分解,获得不同的IMF分量,将存在模态混叠成分的IMF分量进行相空间重构,利用基于峭度最大化的独立分量分解算法实现混叠成分的分离,仿真分析和工程应用的结果表明,所提方法能有效地消除EMD分解过程中的模态混叠现象.     

联合应用MUSIC与FastICA算法实现多个时空混叠源信号的波形重建

联合应用多信号分类与快速独立分量分析算法,分离多个时空混叠源信号,并重建其波形。利用多信号分类的方法,基于二阶统计量辨识观测信号的噪声子空间,并搜索与噪声子空间和方向矢量同时正交的多源位置参数,实现源信号波达方向的估计。利用基于固定点迭代的快速独立分量分析方法,通过最小化互信息这一高阶统计量测度来估计传感器阵列的增益模式,进而估计未知的源信号混叠矩阵。实现多个时空混叠源信号的分离与波形的重建。试验结果表明,基于多信号分类与快速独立分量分析联合的新方法,能有效辨识复值时空混叠矩阵,正确分离并重建来自不同方向的混叠源信号,从而为后续的进一步应用(如弱信号检测、故障诊断等)奠定基础。     

航空发动机振动信号ICA分离方法的研究

研究了基于独立分量分析(independent component analysis,ICA)的发动机转子振动信号分离方法,目的是对转子振动的混叠信号进行分离。首先,研究独立分量分析方法中Infomax方法和Fast ICA方法对混叠信号的分离效果;然后利用LABVIEW信号采集系统采集转子的振动信号,实现从混叠信号中分离源信号,并分别对转子的不对中和碰摩两种工作状态的转子振动信号进行分离测试,验证了该方法的适用性和有效性。