共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
研究表明脉动压力是引起气动噪声的主要根源,因此动车组减振降噪要先探究其表面脉动压力。针对微压阻式压力传感器特性及动车组模型试验环境建立了传感器输出模型;利用小波阈值方法进行降噪,通过尺度系数与原始信号的相关性来确定分解层数,根据3σ准则进行小波分解的阈值选取;根据相关系数分离出振动压力和风机噪声压力,最终提取出脉动压力,并利用脉动压力对测点处气动噪声进行预测。研究表明:提取出的脉动压力所预测的气动噪声和传声器所测的噪声变化趋势基本一致,转折频率都为120 Hz,验证了该脉动压力提取方法的正确性,为后续高速动车组压力测量以及减振降噪的研究提供了参考。 相似文献
3.
高速列车非平稳振动信号盲源分离方法及应用 总被引:1,自引:0,他引:1
高速列车具有若干时变激励源,传统的时频分析方法只能对观测的混合振动的总体强度分布、时频域结构加以分析,不能分离出与各振源对应的信号分量从而明晰振源状态与故障特征。盲源分离是一种可行的分析方法,但由于高速列车振动信号具有时变振源数目、时变信号长度、受车速调制的变频非平稳等特征,传统的盲源分离方法不适用。为了提高高速列车非平稳信号的盲源分离效果,基于自适应滤波理论提出全局最优信噪比盲源分离新方法,并对其可分离性的判别依据进行论证。新方法的有效性经仿真计算和实测数据分析得到验证。研究表明:新方法对高速列车时变非平稳信号的盲源分离效果优于传统的基于非线性函数的盲源分离方法和基于高阶累积量的盲源分离方法。 相似文献
4.
基于经验模式分解的单通道机械信号盲分离 总被引:8,自引:0,他引:8
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。 相似文献
5.
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。 相似文献
6.
利用源信号到达两传感器间具有不同能量衰减比的特性,提出了一种新的源数估计方法,解决了因传感器数量不足而无法准确估计源信号数目的问题。首先,利用线性时频变换方法得到两观测信号在频域的能量分布,然后,计算能量散点图中对应角度上的能量总和;最后,通过峰值检测法实现源数目的自动检测。通过理论分析、仿真和实验,证明了该方法的有效性。本方法为盲源分离算法处理振动、噪声信号,提供了可靠的先验信息。 相似文献
7.
《制造业自动化》2017,(11)
盲源分离在机械设备状态监测与故障预判中可以有效的去除干扰并恢复源信号,有助于信号进一步分析,具有重要应用价值。实际环境中机械信号通常是非平稳信号,经验模态分解对于解决实际应用中非平稳非线性的机械信号是一种有效方法。为了促进机械声学诊断的发展,解决混合声信号难处理的问题,同时为了降低实际信号采集成本,本文提出基于EEMD与Fast-ICA相结合的单通道机械噪声信号盲源分离方法,奠定机械声学故障诊断的基础。该方法利用EEMD算法将单个传声器接受的观测信号分解成多个IMF分量,然后选出合适的IMF分量与单通道信号组合,再利用特征值占优比估计源数目,以此为依据重构多维观测信号,实现单通道升维,最后利用Fast-ICA恢复机械信号。并将该方法用于三台异步电动机噪声信号的单通道盲分离实验,分离效果良好。 相似文献
8.
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。 相似文献
9.
10.
11.
12.
13.
14.
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。 相似文献
15.
针对在观测信号数目小于机械故障振动信号源数目的欠定情况下,源信号的个数难以估计的问题,提出一种变分模态分解(Variational mode decomposition,VMD)和奇异值分解(Singular value decomposition,SVD)相结合的盲源数目估计方法.首先利用VMD对振动信号进行分解,得到若干本征模态函数分量(Intrinsic mode function,IMF),然后对IMF进行重新组合得到多维观测信号的协方差矩阵,最后依据奇异值分解的结果来对信号源数目进行最终确定.仿真信号分析验证了该方法的有效性,将该方法运用到轴承复合故障振动信号中,分析结果表明,该方法能够实现欠定情况下源数目的可靠估计. 相似文献
16.
17.
在振动与声测量中,由于结构对振动的传播作用以及声传播过程中散射与混响效应的存在,传感器(如加速度计或麦克风)所测得的信号往往是多个源的混合。盲源分离作为一种强有力的冗余取消工具,可以正确恢复独立源信号的波形。不过在具体实施中,所有的盲源分离算法都依赖于一个基本假设,即传感观测信号数必须大于或等于系统中的独立源数,而实际机器中独立源的数目往往未知。为此首先提出一种基于奇异值分解的聚类不相关源数估计新方法,估计一个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,从而共同构建一个能获取无法直接观测的独立源波形的虚拟传感观测系统。实验结果表明了该系统潜在的实用意义。 相似文献
18.
《机械工程学报》2017,(18)
将基于延时差和强度差的双耳听觉空间定位理论用于柴油机辐射噪声的分离,探索双通道噪声信号分离的可行性。另外,由于柴油机辐射噪声中不可避免的时频域混叠及同一位置辐射的噪声存在多个激励源的问题,再针对双通道定位算法分离的结果进一步利用盲源分离方法进行分离。设计柴油机振动及噪声采集试验,为屏蔽其他缸的干扰源,仅裸露6号待测缸,而对其他缸对应的机体外表面进行消音棉和铅覆盖处理。分离结果表明,双通道算法相当于一种前处理"滤波器",能排除其他位置源的干扰,针对分离出的分量,再借助盲源分离方法能准确分离出机体侧辐射噪声中的燃烧激励成分和活塞敲击激励成分。而且相比于仅仅使用盲源分离方法,该联合噪声分离方案在分离复杂的柴油机辐射噪声上更为优越。 相似文献
19.