基于盲分离的电机故障诊断

电机故障发生时通常是多种故障同时发生,利用采集到的故障电机声音信号作为分析对象,基于盲分离理论,利用声源信号之间的相互独立性,对采集到的信号进行白化处理,采用一种已知较好的盲分离算法,从信号的联合概率分布密度出发,利用信号的联合概率的方向导数熵的最小值获得最佳旋转角度,对混合信号进行盲分离处理,得出令人满意的结果。成功分离了故障电机的各个单个故障的信号,验证了采用算法的有效性。     

基于联合近似对角化的多源局部放电混合信号分离方法研究

电气设备内存在多个局部放电源时,会产生混合的局部放电信号,这会给后续信号识别等工作带来困难。针对该问题,文中以电气设备内同时存在3种不同绝缘缺陷为例,分别用3种指数型信号模型和3种特高频局放数学模型构造了两组混合局放信号,以模拟不同电气设备产生的混合信号,并提出使用一种通用的基于联合近似对角化（JADE）的盲源分离算法来分离信号,接着使用相似系数和信号干扰比两种评价参数来描述分离算法的性能,最后在信号中加入适当的噪声,测试了算法的鲁棒性。仿真结果表明,该方法能够有效分离信号,分离信号与源信号的相似系数分别在0.90以上,信号干扰比在9.0以上,且具备一定的鲁棒性,为后续信号识别工作打下了一定的基础。     

盲源分离在振动机械故障诊断中的应用

采用了盲源分离的方法对机械振动信号进行了研究。首先简要地介绍了盲信号分离基本原理。基于最大负熵的原理,建立了用独立分量分析方法估计分离矩阵的FastICA的模型,并给出了实现步骤,编制了相应的程序。对实际振动传感器采集到的信号并进行盲分离实验,不同特征的信号可以被分离开来,分离出的信号极大地保留了源信号的信息特征。实验结果表明此方法是有效的,可作为振动机械故障诊断的信号预处理方法.     

基于EMD盲源分离算法的电力系统低频振荡模式识别

针对广预测量系统低频振荡过程中的高斯噪声干扰和定阶问题,提出了基于EMD(empirical mode decomposition)盲源分离(blind source separation,BSS)算法的单通道低频振荡信号的模式分析方法。首先将信号利用经验模态分解得到一系列本征模函数分量组合的新信号;其次针对存在模态混叠的本征模函数分量,提出利用信号周期性构造其多路信号,并利用独立分量分析消除模态混叠的有效方法;然后利用盲源分离技术--二阶盲辨识算法(second order blind identification,SOBI),处理多通道观测信号矩阵,从中提取出不同的单模式信号;最后将去噪、定阶后的信号运用最小二乘-旋转不变技术(TLS-ESPRIT)算法辨识,得到低频振荡模态参数。数值算例仿真、IEEE四机两区域仿真实验表明该算法能够有效分离源信号,相比于其他方法具有抗噪性能好、拟合精度高等优点。     

一种心音信号盲源分离方法

为了有效实现单路心音混合信号的盲分离,本文提出了一种基于EMD分解和独立成分函数的单路含噪心音信号盲源分离的方法。首先讨论了单路混合信号的分离模型,含噪信号预处理的方法,以及如何利用EMD变换进行窄带分层和获取独立成分函数的技术;然后通过独立成分函数作为基函数对单路含噪心音信号进行分解,使单路心音信号由一维向量转变为多维向量,从而实现心音信号的盲源分离;最后通过实际的心音分离实验,验证了本方法的实用性,其分离结果的相似度达到0.9792。     

基于两路传感信号的多源退化盲分离算法研究

在工程实际中大多数情况下面对的系统是一个黑匣子，无法确切知道其源信号的数目，传统的ICA算法无法使用。基于此给出了一种新的算法一退化盲源分离算法，该算法只需利用两路传感信号就可以确定其中的源信号数目，并将其通过构造分离系数分离出来。首先确定了该算法的适用前提条件假设，建立了考虑干扰信号因素在内的混合信号的数学模型，详细介绍了算法的实现过程。通过对5路人工合成的语音信号进行分离试验验证了该算法的可行性;并成功应用于工程实际中。     

基于神经网络的盲源分离算法的视觉诱发电位提取

诱发电位(evoked potential,EP)的分析是神经疾病诊断和评价脑功能的重要手段之一,从而微弱电生理信号的提取受到生物信号处理研究人员的关注。本文在研究基于神经网络的盲源分离算法的基础上将其运用于模式翻转视觉诱发电位(PRVEP)波形提取,通过与常用的平均叠加算法得到的波形进行对比,得出基于神经网络的盲源分离算法能够有效地提取视觉诱发电位。     

基于独立分量分析盲源分离快速算法

独立分量分析(ICA)是一种统计方法,在信号处理方面有着广泛的应用.文中介绍ICA的基本原理,探讨快速的定点算法,并给出了仿真结果.     

基于小波变换ICA盲源分离

独立分量分析(ICA)是90年代中期发展起来的一种统计信号处理的新技术,其在盲源信号分离中越来越显示其魅力,但在实际应用中必须考虑线性混合矩阵的时变性问题.同时,由于ICA输出结果在排序上的不确定性,使各段数据分离结果之间没有同一的对应关系,因此需要通过"试听"才能完成各数据分离结果的前后连接,这是一项烦琐的工作,尤其在声源比较多的情况下,工作量非常大.针对这些问题,文中提出一种将小波变换和ICA结合的方法.     

基于盲源分离和小波滤波的胎儿心电检测

利用胎儿心电信号与母亲心电信号及其他干扰信号之间的统计独立性、非相关性,采用盲源分离算法将胎儿心电信号从复杂的背景干扰中分离出来,但分离出来的胎儿心电图信号仍然受到噪声的干扰。本文提出联合小波滤波与盲源分离的胎儿心电检测方法,首先采用盲源分离处理多传感器采集到的信号,得到受干扰的胎儿心电图信号,然后采用小波滤除噪声,获得较为清晰的胎儿心电图信号。实际采集数据试验表明了该方法的可行性和优越性。     

基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。     

Fixed-point blind source separation algorithm based on ICA

This paper introduces the fixed-point learning algorithm based on independent component analysis (ICA); the model and process of this algorithm and simulation results are presented. Kurtosis was adopted as the estimation rule of independence. The results of the experiment show that compared with the traditional ICA algorithm based on random grads, this algorithm has advantages such as fast convergence and no necessity for any dynamic parameter, etc. The algorithm is a highly efficient and reliable method in blind signal separation. __________ Translated from Journal of Taiyuan University of Technology, 2007, 38(1): 35–37 [译自: 太原理工大学学报]     

一种WACEEMDAN和MSB的轴承故障诊断方法

针对滚动轴承发生故障时的冲击信号易被噪声淹没和其非平稳的特性,以及传统使用自适应白噪声平均总体经验模态分解(CEEMDAN)时固有模态函数(IMFs)中的有效信息不能被充分利用等问题,提出了一种基于加权自适应白噪声平均总体经验模态分解(WACEEMDAN)和调制信号双谱(MSB)的滚动轴承故障特征提取方法.首先,使用C...     

基于Hilbert边际谱和IPSO-SVDD的滚动轴承故障诊断

滚动轴承是旋转机械状态监控及故障诊断的重要研究内容。为了更加高效的对轴承故障位置及故障程度进行诊断,提出了一种基于Hilbert边际谱和改进粒子群算法(IPSO)优化支持向量数据描述(SVDD)相结合的滚动轴承故障诊断方法。该方法首先求取轴承振动信号的本征模态函数,在此基础上得到信号的边际谱以及信号的AR模型参数,积分求取边际谱的能量特征函数和AR模型参数相结合构成系统特征向量。然后针对传统网格搜索法或凭经验确定SVDD核心参数的缺点,提出利用基于动态因子的粒子群算法对SVDD的核心参数惩罚常数C及核函数宽度σ进行优化,利用优化后的SVDD模型对滚动轴承各状态信号进行智能诊断。人工数据集及真实数据集实验结果表明,该方法可以有效识别各故障状态信号,并且优化后模型的诊断效率及诊断精度高于传统网格搜索法确定的模型。     

基于 MPDE-EEMD 及自适应共振解调的轴承故障特征提取方法

针对滚动轴承振动信号具有非线性、非平稳性和非高斯性,并且故障特征往往淹没于系统噪声之中而难于识别的问题, 提出了以多种群差分进化(multiple population differential evolution, MPDE) 算法来改进集合经验模式分解( ensemble empirical mode decomposition, EEMD) 的 MPDE-EEMD 消噪方法,并与自适应共振解调技术( adaptive resonance demodulation technique, ARDT)相结合实现故障特征提取。 首先,为了解决 EEMD 中加入参数依靠人工选择且难以准确获取的问题,建立极值点分布 特性评价函数,利用 MPDE 来寻优获取最佳白噪声幅值,实现 EEMD 自适应分解。 然后,采用峭度与相关性相结合的准则对分 解后的 IMF 分量进行自动筛选,将满足条件的有效信号进行重构,实现对原始振动信号的降噪处理。 最后,采用 ARDT 自动确 定对消噪信号进行带通滤波的带宽和中心频率,再通过包络解调提取出滤波信号的特征频率。 将轴承仿真故障信号与实际故 障信号用于算法的验证,结果表明 MPDE-EEMD+ARDT 能有效提取出轴承故障特征。     

基于 MSK-SVM 的滚动轴承故障诊断方法

针对非线性支持向量机分类准确率受核函数影响的问题,提出一种多尺度核支持向量机(multi-scale kernel support vector machine, MSK-SVM)分类模型,并将该模型应用于滚动轴承故障诊断。该模型在常用的多项式核、高斯核和Sigmoid核函数基础上,引入了Morlet、Marr和DOG小波核函数。利用不同核函数的全局性和局部性以及核函数尺度参数不同作用范围不同的特点,组合具有不同特性及不同尺度参数的核函数作为多尺度核。基于梯度下降法,自适应地确定多尺度核函数权值,得到MSK-SVM滚动轴承故障诊断模型。为说明算法有效性,分别基于滚动轴承故障数据集和全寿命周期数据集进行了实验验证,并分析了基于不同特性MSK和相同特性MSK的SVM模型分类性能。结果表明本文所提模型较传统单个核函数SVM分类准确率更高,且具有良好的泛化能力。     

基于MCKD-EMD的风电机组轴承早期故障诊断方法

风电机组轴承处于早期故障阶段时,特征信号往往比较微弱,并且受环境噪声及信号衰减的影响严重,因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用,但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题,考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲,非常适用于轴承早期故障信号的降噪处理,因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪,然后对降噪后的信号进行EMD,选取敏感本征模态函数(IMF)并计算其包络谱,通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。     

基于DCT和EMD的滚动轴承故障诊断

根据轴承故障振动信号特点,提出了一种离散余弦变换和经验模态分解相结合的轴承振动信号故障诊断新方法。将离散时间序列经过离散余弦变换处理成对应的系数向量,在阈值处理的基础上,重构信号提高故障信号的信噪比;对重构信号进行经验模态分解,通过相关系数计算去除伪分量,并进行频谱分析。仿真信号和轴承故障信号的分析表明,该方法提高了信噪比,降低了EMD运算成本,减少了IMF的数量,保证了IMF的物理意义,成功完成微弱故障诊断。