基于谱峭度和cICA的滚动轴承故障特征提取

独立分量分析(independent component analysis,ICA)可以实现混合信号的按源分离,但由于其使用时通常需要预先知道信号源数量,使其应用受到限制。在ICA基础上发展起来的约束独立分量分析(constrained independent component analysis,cICA)方法,可根据一定的先验知识生成参考信号,以提取感兴趣的独立分量(independent component,IC)。包络提取技术可有效隔离解调共振带之外的干扰源信号,同时起到对信号的振源降维作用。谱峭度包络提取是近年来发展起来的崭新包络提取方法,可实现对信号包络的自适应提取。将谱峭度包络提取方法与cICA相结合,提出一种高鲁棒性的滚动轴承故障特征提取法,首先通过谱峭度实现对信号包络的自适应提取,再根据滚动轴承故障特征频率建立参考信号,以cICA实现对滚动轴承不同故障对应包络IC的有效提取。仿真和测试试验表明,该方法可实现在干扰条件下对滚动轴承故障特征信息的有效提取。     

EMD与cICA方法在多级齿轮传动微弱故障特征提取中的应用

为提取多级齿轮传动单通道测量信号中隐含的微弱低频故障特征信息,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)与约束独立分量分析(Constrained independent component analysis,cICA)相结合的故障特征提取方法。首先对实测的齿轮箱单通道测量信号进行EMD分解;然后计算各个本征模态函数(Intrinsic mode function,IMF)的峭度及其与原信号的互相关系数,并选择合适的IMFs分量与原信号组成新的虚拟观测向量;最后,通过构建合适的参考信号进行cICA分析,提取出了理想的微弱低频故障特征。通过多级齿轮传动中的低速级断齿故障特征提取试验分析,验证了该方法的有效性和适用性。     

基于量子计算的独立分量分析算法及应用

将量子优化原理应用于独立分量分析中,提出了量子独立分量分析算法(quantum independent component analysis,简称QICA),针对3组特定信号进行了混合与分离的仿真实验,得到了较好的分离效果。将该算法用于齿轮箱振动信号的源分离及其故障诊断中,实验结果表明,该算法用于齿轮箱振动信号分离可以明显增强故障信息,降低齿轮箱故障诊断难度。     

齿轮点蚀的多通道数据融合识别方法

针对齿轮箱振动信号中混杂其他零部件振动频率的问题,提出一种基于小波包分解独立分量分析（wavelet package independent component analysis,简称WPICA）和多维经验模式分解（multivariate empirical mode decomposition,简称MEMD）的齿轮箱齿面点蚀故障信号的多通道数据融合识别方法。首先,利用一种窄带独立分量分析(sub-band decomposition independent component analysis,简称SDICA)方法—WPICA,从水泵机组多通道信号中提取齿轮箱振源,确定齿轮箱振动包含的特征频率成分;其次,借助MEMD分解多通道机组振动信号,将所获得的多维固有模式函数(intrinsic mode function,简称IMF)进行矩阵互信息运算,完成多通道数据的融合;最后,通过定义IMF故障敏感因子,确定故障敏感IMF的阶数并获得了齿轮点蚀故障的特征频率。数据分析结果证明了本研究方法的有效性。     

一种旋转机械振动信号的盲源分离消噪方法

为了消除旋转机械振动信号中不同类型的噪声,提出了一种基于虚拟信号(virtual signal,简称VS)的多级独立分量分析(independent component analysis,简称ICA)的消噪方法。通过引入与测量噪声匹配的虚拟噪声通道,将单通道观测信号扩展为多通道观测信号,用独立分量分析方法消除与数据采集系统相关的测量噪声。将振源信号的组合(有用信号)视为一个虚拟源,对消除了测量噪声的两通道观测信号再次用独立分量分析方法实现有用信号和背景噪声的分离,从而达到消除背景噪声的目的。试验表明,该方法可以得到很好的消噪结果,有效提高信号的信噪比。     

SDICA方法在单通道信号故障分类中的研究

提出了一种针对工程单通道信号的子带分解独立分量分析(subband decomposition independent component analysis,简称SDICA)故障分类方法。利用经验模态分解方法(empirical mode decomposition,简称EMD)得到的多个基本模式分量作为子带信号,对子带信号进行独立分量分析(independent component analysis,简称ICA),在ICA方法过程中提取了分离过程特征中产生的残余互信息值,在估计子带信号中计算各自的近似熵值,并把残余互信息和近似熵值作为特征参数,输入广义回归神经网络实现故障分类。SDICA方法在单通道信号故障分类中引入了ICA理论,成功实现了工程单通道轴承信号3种故障高精度的识别,验证了具有良好表征故障能力的残余互信息值和估计子带近似熵能够成为故障分类的重要参数。     

双树复小波包和ICA用于滚动轴承复合故障诊断

针对滚动轴承复合故障信号特征难以分离的问题,提出将双树复小波包变换和独立分量分析(independent component analysis,简称ICA)结合的方法应用到滚动轴承复合故障诊断中。首先,利用双树复小波包变换将复杂的、非平稳的复合故障信号分解为若干不同频带的分量;其次,引入ICA对各个分量所组成的混合信号进行盲源分离,从而尽可能消除频率混叠;最后,对从混合信号中分离出来的独立信号分量进行希尔伯特解调,即可实现对复合故障特征信息的分离和故障识别。试验结果表明,该方法可以有效地分离和提取轴承复合故障的特征频率,验证了方法的可行性和有效性。     

基于cICA的旋转机械变速过程滚动轴承故障特征提取

在ICA基础上发展起来的约束独立分量分析(cICA)方法,可根据一定的先验知识生成参考信号以提取选定的独立分量,解决了原ICA算法的次序不确定性问题。将cICA用于滚动轴承故障诊断,能够根据被监测滚动轴承的特征频率等先验信息建立参考信号并实现对其故障振动特征信号的提取。本文将该方法与针对旋转机械变速过程的阶比跟踪技术和滚动轴承包络分析技术相结合,提出了基于cICA的旋转机械变速工作过程滚动轴承早期故障分析方法。该方法首先通过包络提取技术在共振带获得包含故障信息的包络信号,再通过阶比分析中的等角度采样将包络信号转换到角域,在角域建立参考信号,并用cICA实现旋转机械变速过程下滚动轴承故障对应冲击性信号成分的有效提取。仿真和测试试验表明,所提出方法适合于旋转机械升降速等变速过程中的滚动轴承初期故障特征信息提取。     

基于改进S变换和ICA的相关源分离方法

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。     

独立分量分析在自动机振动信号处理中的应用

自动机工作中的冲击响应多处在低信噪比和被噪声干扰的复杂振动信号中,寻求一种能在多干扰、噪声强的复杂振动信号中去除干扰信号和噪声的方法,可以提高速射武器自动机故障诊断准确率。研究了独立分量分析(independent component analysis,简称ICA)的基本理论,采用基于改进粒子群的独立分量分析算法模拟生成了仿真信号,获得了比较理想的分离效果。经实际射击数据验证了该方法的可行性,这种基于改进粒子群的独立分量分析算法在自动机结构振动信号处理方面具有较好的效果。     

大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)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(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析(independent component analysis,简称ICA)理论中的快速独立分量分析(fast independent component analysis,简称FastICA)算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。     

EWT-FastICA在内燃机振动信号识别中的应用

内燃机广泛应用于工程、动力等领域,然而内燃机因燃烧和机械运动引起的冲击与振动导致其减振降噪一直是研究的热点,而如何准确识别振源则是减振的前提.本文针对振源盲分离时观测信号不少于源信号数目要求不易满足的问题,利用经验小波变换(Empirical wavelet transform,EWT)结合快速独立成分分析(Fast independent component analysis,FastICA)实现对内燃机振源信号的识别.首先使用时域同步平均法对内燃机缸盖的振动信号进行预处理,然后进行经验小波变换,之后再利用皮尔逊相关系数选择有效经验模态分量作为快速独立成分分析(FastICA)的输入,最终分离结果表明:该方法可以有效地从内燃机缸盖振动信号中识别出燃烧信号和气阀机构开启时的气体冲击信号.     

大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)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(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析（independent component analysis,简称ICA）理论中的快速独立分量分析（fast independent component analysis,简称FastICA）算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。     

基于KICA的旋转机械振动信号消噪方法

原始信号采集过程中总是无法避免引入各种噪声,消噪是信号分析处理的关键环节。已有的大量消噪方法各有优劣,仍需不断寻求新的消噪方法,以推进信号处理技术的发展。依据核独立成分分析(kernel independent component analysis,KICA)可将混合信号源的独立成分一一分离的特性,认为噪声信号和有用信号均可以作为独立成分分离开来,选取有用信号加以重构,即可实现消噪处理。通过引入适配噪声分量,有效实现了旋转机械转子不平衡振动信号的消噪处理,验证了方法的有效性。     

ICA在航空发动机振动信号盲源分离中的应用

研究了基于独立分量分析(independent component analysis,简称ICA)的发动机振动信号盲源分离技术,旨在将发动机振动信号按照不同的激振源进行分离。首先阐述了基于最大信噪比的盲源分离算法原理,通过对仿真信号进行分离,判断了分离输出信号与仿真信号的一致性,验证了该算法的可行性;然后将该算法与FFT分离法相结合,应用于某型双转子航空发动机高、低压转子实测振动信号盲源分离中,取得了很好的分离效果,表明应用ICA技术建立的基于最大信噪比的盲源分离算法具有迭代次数少、计算复杂度低、效果好及稳定等优点。     

基于ICA相关系数和VPMCD的滚动轴承故障诊断

将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)、独立分量分析(independent component analysis,简称ICA)和相关系数分析方法相结合,提出了基于ICA相关系数和VPMCD的滚动轴承故障诊断方法。首先,对不同工况下的滚动轴承振动信号分别进行独立分量分析,获得各工况信号的独立分量;然后,提取样本与不同工况信号独立分量之间的相关系数,并以相关系数绝对值的和作为该样本的特征值;最后,采用VPMCD分类器进行故障识别和分类。实验数据的分析结果表明,该方法能够有效应用于滚动轴承故障诊断。     

温变工况下螺栓松动检测的独立成分分析方法

导波损伤检测技术的关键在于检测出结构损伤引起的导波信号变化,但环境温度变化也会影响导波传播过程,引起信号改变,导致损伤检测的失败。为了消除温度变化的影响,笔者采用独立成分分析(independent component analysis,简称ICA)方法处理导波响应信号。作为一种盲源分离的算法,ICA能够从混合信号中提取得到独立的未知源信号分量。因此利用ICA方法能将导波的响应源信号从被温度变化干扰的混合信号中分离出来,实现消除温度变化干扰的目的。为验证该方法的可行性,以螺栓连接铝板为对象进行实验,采集不同温度下螺栓全紧及松动状态的导波响应信号,将其经过ICA方法处理后应用到损伤定位算法中。结果表明,应用ICA处理后的导波信号能够成功定位松动螺栓,证实了ICA方法排除温度变化对导波传播影响的有效性。     

基于相空间重构和ICA-R的轴承故障特征增强方法

针对实测滚动轴承早期故障信号中故障特征频率成分微弱、难以识别及提取的问题,设计了一种结合相空间重构(phase-space reconstruction,简称PSR)和参考独立分量分析(independent component analysis with reference,简称ICA-R)的故障特征增强方法。利用相空间重构将一维时域信号拓展到高维,再进行参考独立分量分析,将所感兴趣的轴承故障特征频率成分进行增强。该方法相比传统频率提取方法具有效果好、对干扰频率抑制明显的特点。仿真结果和工程实测信号表明,该方法对滚动轴承早期故障特征提取有效可行,具有一定工程应用价值。     

MW-cICA算法在滚动轴承故障诊断中的应用

为了提取强背景噪声下滚动轴承故障特征信息,提出了一种多小波预处理的约束独立分量分析(MW-cICA)算法。该算法首先对输入信号进行多小波降噪处理,提高信号信噪比;然后应用约束独立分量分析方法提取故障特征。与传统的小波独立分量分析(W-ICA)方法相比,该方法具有如下优势:1)由于多小波具有单小波所不能同时具有的正交性、对称性、紧支性和高阶消失矩等特点,因而对信号的降噪效果更加明显;2)引入参考信号作为约束条件,使得算法直接收敛于期望信号,提高了运算效率;3)建立基于故障模型的参考信号能够更加接近于真实期望信号,提高算法性能。仿真结果表明,多小波比单小波具有更好的降噪效果,基于故障振动模型的约束独立分量分析比传统的FastICA算法运算效率更高。将该算法运用于滚动轴承内圈故障试验中,可成功提取出内圈故障特征信号。     

基于优化VMD与欧氏距离的柴油机故障识别

为实现利用单一通道信号通过同一方法区分多种发动机故障的目的,笔者对现有算法进行了优化以提取振动信号中的故障特征。首先,针对变分模式分解（variational mode decomposition,简称VMD）的分解层数选择困难问题,文中以几种不同类型故障的频率特征为基础,优化了其中心频率迭代初始值,在保证准确性的前提下提高了算法的计算效率与简便性;然后,利用鲁棒性独立分量分析（Robust independent component analysis,简称Robust ICA）对VMD处理结果再次分解,分析发动机中可能存在的不同振源的同频率信号,并将两个阶段分解结果重构信号的四阶累积量作为故障判定指标。结果表明：以模糊C均值聚类（fuzzy C-means clustering,简称FCM）确定的聚类中心为参考点,利用各个工况点与喷油故障聚类中心的欧氏距离区分故障类型,取得了较高的正确率。