基于时频分析的欠定信号盲分离与微弱特征提取

盲源分离对于多振源信号的故障诊断与识别是一种有效的方法,但是传统的盲源分离算法都是针对观察信号大于或等于源信号的情况,但对于观察信号小于源信号的欠定盲分离问题,这在很大程度上制约了盲源分离的实际应用。通过应用经验模式分解和时频分析对非平稳信号分析的优势,提出基于时频分析的欠定盲源分离方法进行设备微弱特征提取。对振动信号进行经验模式分解,并根据分解得到的内蕴模式分量估计源信号个数并选择最优的观察信号,将振动信号与选择的最优观察信号组成新的观察信号进行基于时频分析的盲源分离,通过对仿真信号和齿轮箱实测信号进行验证分析。并与基于独立分量分析的盲源分离算法进行对比,研究表明基于时频分析的盲源分离对混合信号具有更好的分离效果,能够较好地对微弱特征进行提取。     

基于奇异值分解的侵彻过载信号降噪方法

为解决硬目标侵彻过载信号的降噪问题,提出侵彻加速度信号的奇异值分解技术。首先,通过主体奇异值分量稳定原则确定信号的重构子矩阵;然后,利用前K次奇异值能量占优法则提取奇异值的有效阶次,在此基础上对实测信号进行奇异值分解;最后,利用分解出的有效奇异值完成信号的重构。实验证明,经此方法处理的侵彻过载信号可以有效剔除隐含在弹体加速度信号中的振动和噪声,重构后的加速度曲线具有比小波降噪效果更好的信噪比,积分得到的位移曲线能较好反映实际侵彻深度,是侵彻过载信号处理的一种新的可行方法。     

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。     

侵彻弹体频率特性分析及过载信号处理

为解决硬目标侵彻过载信号降噪问题,提出融合总体经验模态分解（EEMD）和小波变换（WT）的联合滤波方法。首先对实测信号进行总体经验模态分解,获得信号的本征模态函数（IMF）分量,然后计算各分量功率谱并与原信号比较,得出信号的有效分解尺度和弹体的过载响应频率,接着对高频IMF分量采用小波阈值降噪,最后将降噪后的高频分量与分解后的低频分量组合重构获得侵彻特征信号。实验证明,这一方法可以有效提取弹体响应频率,消除侵彻过程中弹体的高频振动信号和外部噪声,且处理后的加速度曲线具有更高的信噪比,积分所得速度和位移时程曲线也与实验结果相近。     

基于经验模式分解的单通道机械信号盲分离

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。     

基于欠定盲源分离的结构模态参数识别

针对欠定情况下传统盲源分离(blind source separation,简称BSS)算法无法有效识别结构模态参数的问题,研究了一种不受传感器数量限制的BSS算法。算法主要分为振型矩阵估计与单模态信号分离两步。首先,利用各阶模态响应信号在时频域中的聚类特性估计结构的模态振型;然后,在已知振型矩阵的基础上,通过L1范数最小化算法分离出多个单模态信号;最后,利用单模态参数识别方法提取各阶模态的频率与阻尼比。经仿真与实验验证,本研究方法可以准确识别出结构的各阶模态参数,同时对测量噪声不敏感,具有很好的噪声鲁棒性,在工程实践中具有一定的应用价值。     

基于局域均值分解的机械故障欠定盲源分离方法研究

结合局域均值分解(Local mean decomposition,LMD)和盲源分离各自的特点,提出一种基于局域均值分解的欠定盲源分离方法.该方法利用LMD对观测信号进行分解,得到一系列的生产函数分量,将所得到的生产函数(Production functions,PF)分量和原观测信号组成新的观测信号.对构成的新观测信号进行白化处理和联合近似对角化,得到源信号的估计.该方法能有效解决传统的盲源分离方法要求源信号满足非高斯、平稳和相互独立的假设,且要求观测信号数多于源数的不足等问题.仿真结果表明,所提出的方法是有效的,在处理非平稳信号混合的欠定盲分离方面,比传统时频域的盲源分离方法得到了更好的分离效果.将提出的方法应用到滚动轴承的混合故障分离中,试验结果进一步验证该方法的有效性.     

基于鲁棒预白化的机械噪声信号盲分离

机械噪声故障诊断的难度在于实际检测的噪声是多个设备或零部件噪声信号的混合,信噪比低,基于二阶统计量盲源分离算法的故障噪声诊断技术,利用二阶协方差矩阵的联合对角化,从测量噪声中分离出感兴趣故障噪声进而提取特征,但该算法抗干扰噪声性能差。本文利用多个协方差矩阵平滑滤波后的矩阵进行白化,进一步提高了抗干扰噪声能力,在样本数据较少时仍能实现较好的盲源分离效果,仿真实验证实了该算法的有效性。     

基于EEMD的单通道盲源分离在轴承故障诊断中的应用

针对一维观测矩阵的极度欠定盲分离模型,结合盲源分离和总体经验模式分解的优点,利用总体经验模式分解将单通道信号转化为固有模态矩阵,重组观测矩阵,再通过近似联合对角化实现信号的盲分离。数据仿真说明该方法能提取低信噪比下的轴承故障信息。实验中,对2种不同故障的轴承进行故障诊断,从而进一步证明了该方法的有效性。     

CEEMDAN和盲源分离在轴承复合故障诊断中的应用

滚动轴承的复合故障信号中往往含有多个特征信息及背景噪声,为更高效实现故障信息的提取,提出一种基于具有自适应白噪声的完备集成经验模态分解（CEEMDAN）和盲源分离的滚动轴承复合故障特征提取方法。对实验所获取的故障数据进行CEEMDAN分解,得出一组固有模态函数（IMF）,利用加权峭度因子选取其中有效IMF重构信号,再将重构的信号进行BSS分离。对分离出的信号做解调包络分析,从其解调谱中提取故障信号的特征频率。结果证明了此方法可以有效地分离轴承的内外圈故障,使故障特征更易被提取。     

Application of the blind source separation method to feature extraction of machine sound signals

As the result of vibration emission in air, a machine sound signal carries important information about the working condition of machinery. But in practice, the sound signal is typically received with a very low signal-to-noise ratio. To obtain features of the original sound signal, uncorrelated sound signals must be removed and the wavelet coefficients related to fault condition must be retrieved. In this paper, the blind source separation technique is used to recover the wavelet coefficients of a monitored source from complex observed signals. Since in the proposed blind source separation (BSS) algorithms it is generally assumed that the number of sources is known, the Gerschgorin disk estimator method is introduced to determine the number of sound sources before applying the BSS method. This method can estimate the number of sound sources under non-Gaussian and non-white noise conditions. Then, the partial singular value analysis method is used to select these significant observations for BSS analysis. This method ensures that signals are separated with the smallest distortion. Afterwards, the time-frequency separation algorithm, converted to a suitable BSS algorithm for the separation of a non-stationary signal, is introduced. The transfer channel between observations and sources and the wavelet coefficients of the source signals can be blindly identified via this algorithm. The reconstructed wavelet coefficients can be used for diagnosis. Finally, the separation results obtained from the observed signals recorded in a semi-anechoic chamber demonstrate the effectiveness of the presented methods .     

基于SVD-EEMD和TEO的滚动轴承弱故障特征提取

将奇异值分解(singular value decomposition,简称SVD)与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)进行结合,提出一种适用于滚动轴承弱故障状态描述的敏感特征提取方法。为提高信号故障信息的提取质量,对采集信号进行相空间重构得到一种Hankel矩阵。根据该矩阵的奇异值差分谱,确定降噪阶次进行SVD降燥。用EEMD分解降噪后的信号可获得11个本征模态函数(intrinsic mode function,简称IMF)和1个余项。依据建立的峭度-均方差准则,筛选出一个能够有效描述故障状态的敏感IMF分量,计算其相应的Teager能量算子(Teager energy operator,简称TEO),对此TEO进行Fourier变换,实现了对滚动轴承弱故障模式的有效辨识。用美国凯斯西储大学公开的滚动轴承故障信号对所建立的方法与传统EEMD-Hilbert法和EEMD-TEO方法进行对比,结果表明:经本方法提取的敏感特征能准确突显滚动轴承故障频率发生的周期性冲击,可准确识别其故障类型。     

基于中值滤波-SVD和EMD的声发射信号特征提取

针对随机噪声和脉冲干扰对经验模态分解(EMD)质量的影响,提出中值滤波和奇异值分解(SVD)联合降噪方法,并将其与EMD分解相结合形成一种新的声发射(AE)信号特征提取方法.首先对原始AE信号进行中值滤波,去除幅值较大的异常值;其次对去除异常值的信号序列进行相空间重构和SVD分解,并针对难以确定重构阶数这一问题,提出奇异值能量差分谱概念,利用谱峰的较大值位置来确定重构阶数,以进一步降噪;最后对降噪信号进行EMD分解,以本征模态函数(IMF)的能量占比作为表征各损伤信号的特征向量.数值仿真和5层胶合板损伤的实测数据表明,该方法不仅能够滤除噪声干扰,提高EMD分解的时效性和准确性,而且能够有效地提取出胶合板AE信号特征,对其损伤类型进行有效地识别.     

基于Gabor变换降噪和盲信号分离的轴承故障诊断方法

针对轴承故障信号往往淹没在强烈的系统噪声中导致故障特征难以提取的情况,提出了一种基于Gabor变换降噪和盲信号分离的故障诊断方法。该方法利用Gabor变换对时频信号的优良分辨率和盲信号分离技术的优势,先对非平稳信号进行降噪,再通过盲信号分离技术对降噪后的信号进行分离,提取出故障频率。实验结果表明,该方法能有效地诊断出轴承故障特征。     

高速列车万向轴动不平衡检测的EEMD-Hankel-SVD方法

针对聚合经验模式分解(Ensemble empirical model decomposition,EEMD)的等效滤波特性依然存在模式分量间频带重叠较大的根本缺陷,提出一种高速列车万向轴动不平衡动态检测的新方法。该方法的核心是对万向节安装机座的振动信号进行EEMD分解得到基本模式分量,应用基本模式分量信号来构造Hankel矩阵,对该矩阵进行正交化奇异值(Singular value decomposition,SVD)分解,以奇异值关键叠层作为奇异值的选择准则对信号进行重构,应用重构信号的傅里叶谱来检测高速列车万向轴的动不平衡,消除EEMD分解模式频带重叠对故障特征的淹没和混淆效应,提高了谱的清晰度,凸显了故障特征。应用万向轴动不平衡试验数据对该方法进行试验验证,结果表明,该方法能够有效检测万向轴动不平衡引起的故障特征和万向轴的固有振动特征,与纯EEMD方法相比,该方法在谱的清晰度和故障表征力上得到了显著提高。     

基于EEMD奇异值熵的滚动轴承故障诊断方法

为充分利用振动信号进行故障辨识,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵判据的滚动轴承故障诊断方法。首先,对滚动轴承的振动信号进行EEMD分解获得若干个本征模态函数(intrinsic mode function,简称IMF),并根据一种IMF分量故障信息含量的评价指标(即峭度、均方差和欧氏距离)选出能够表征原始信号状态的分量进行信号重构;其次,利用奇异值分解技术对重构信号进行处理,结合信息熵算法求取其奇异值熵;最后,利用奇异值熵的大小判断滚动轴承的故障类别。用美国西储大学滚动轴承振动信号对所述方法进行验证的结果表明,相比传统的EMD奇异值熵故障诊断方法,本方法能够清晰的划分出滚动轴承不同工作状态的类别特征区间,而且具有更高的故障诊断精度。     

基于EWT_Hankel_SVD的矿山微震信号特征提取及分类方法

针对矿山微震与爆破振动信号自动识别难的问题,提出了基于经验小波变换_Hankel矩阵_奇异值分解(EWT_Hankel_SVD)的矿山微震信号特征提取及分类方法。首先,针对微震信号的瞬态性和多样性,对EWT频谱分割方法进行改进,并利用仿真信号表明了方法的有效性。其次利用改进EWT对实际矿山采取的微震和爆破振动信号进行分解,借助相关性分析筛选得到f1～f5 5个主分量,进而分别利用分量f1～f5构造Hankel矩阵,计算各Hankel矩阵的最大奇异值和奇异熵。最后利用遗传算法优化的支持向量机(GA-SVM)对微震和爆破信号进行分类识别。结果表明,爆破振动信号分量f1～f4的奇异熵要大于岩体微震信号分量f1～f4的奇异熵,爆破振动信号分量f1～f5的最大奇异值要大于岩体微震信号分量f1～f5的最大奇异值。改进EWT识别效果要优于传统EWT和经验模态分解,GA-SVM识别效果要优于支持向量机、逻辑回归和Bayes判别法,且基于EWT_Hankel_SVD和GA-SVM分类准确率达到94%。     

Hilbert-Huang变换中的模态混叠问题

希尔伯特-黄变换(Hilbert-Huang transform,简称HHT)存在的模态混叠现象严重影响了实际应用效果。在分析研究HHT原理及模态混叠产生机理的基础上,提出了基于形态滤波预处理与端点延拓相结合的方法抑制模态混叠现象。与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)方法比较,所提出的方法能够更快速、准确地分解出表征信号的本征模态函数(intrinsic mode function,简称IMF)分量。将该方法应用于滚动轴承的实测信号分析,结果表明,该方法在实际应用中同样具有很好的模态混叠抑制效果。