降噪源分离技术及其在机械设备运行信息特征提取中的应用

常用的信号处理方法分析了信号按照频谱分布关系的组成结构,而未揭示各个信号组成成分与发生源之间相对应的因果联系。降噪源分离(Denoising source separation,DSS)技术在仅知观测信号的条件下,按照统计特征将复杂信号分解为若干分量,而这些分量反映了观测信号的发生源,为设备状态监测与振动噪声主动控制提供了直接依据。研究DSS基本理论以及基于不同准则的降噪函数,并通过典型机械信号的仿真试验定量比较基于能量函数、斜度函数、峭度函数以及正切函数四类降噪函数的分离性能。分析结果表明,基于正切降噪函数的源分离方法从非线性耦合信号中提取的分量与源信号时域相关系数高于0.89,因而更适合于提取机械设备非线性耦合信息。将基于正切降噪函数的源分离方法应用于某型号军舰的机械设备运行信息特征提取中,定量分析结果表明,该方法很好地从舱壁混合振动信号中提取出了各台设备的运行特征信息。

基于AFOA的降噪源分离在轴承复合故障诊断中的试验研究

源分离算法的分离性能受到分离矩阵的影响,不能自适应地分离滚动轴承的复合故障特征,针对这一问题,将自适应果蝇优化算法(AFOA)与降噪源分离(DSS)相结合,提出了一种基于AFOA算法的滚动轴承复合故障降噪源分离方法。首先,利用自适应果蝇优化算法对分离矩阵进行了初步优化,再将分离矩阵作为果蝇个体,负熵作为目标函数,对目标函数最大值进行了全局寻优,进而确定了降噪源分离的最优分离矩阵;以正切函数作为降噪源分离的降噪函数,对内、外圈复合故障轴承振动信号进行了估计;最后,进行了包络分析,提取出了轴承内、外圈故障特征;此外,通过仿真和实测轴承内、外圈复合故障试验,将所提方法与基于自适应果蝇优化算法的快速独立成分分析进行了对比。研究结果表明:AFOA-DSS方法能够更精确分离滚动轴承的复合故障特征,实现对轴承复合故障的诊断;该方法的有效性和实用性得到了验证。

无线终端即时通信信号降噪分离策略研究

针对当前无线终端通信信号降噪过程容易受到发射功率以及电磁干扰等外界环境的影响,提出无线终端即时通信信号降噪分离优化方法。对含有噪音的通信信号进行分解,得到信号的IMF分量,找出通信信号和噪音之间的分界,得到降噪处理后的无线终端通信信号。仿真实验证明,所提方法在通信信号的处理过程中具有良好的降噪分离效果,为实际应用提供研究基础。

基于EEMD与DSS-ApEn的脑电信号消噪方法

为了在消除信号中噪声的同时尽可能保留有效信息,提出了一种基于集合经验模态分解EEMD(Ensemble Empirical Mode Decomposition)和降噪源分离DSS(De-noising Source Separation)与近似熵Ap En(Approximate Entropy)相结合的脑电信号消噪方法。利用EEMD分解算法将含噪脑电信号分解为若干个内蕴模态函数IMF(Intrinsic Mode Functions)分量,滤除最高频分量后的IMF分量应用DSS分离出各独立源信号,再选择频谱近似熵最大的独立源信号作为去噪信号。仿真和真实脑电信号的消噪实验表明,与独立EEMD消噪方法以及基于EEMD与改进提升小波消噪方法相比,本文提出的方法消噪效果更好。

旋转机械故障信号的去噪源分析

旋转机械振动信号是其故障特征识别与诊断的重要信息来源,将应用统计特征来分解混合信号的去噪源分离(DSS)引入到旋转机械故障诊断中。研究DSS基本理论及其正切去噪函数,并进行模拟信号分离,其分离后的性能指标及与源信号相似系数均优于盲源分离;并将DSS应用于某燃气轮机的实测故障信号分析,诊断出转子发生不平衡及异频伪共振现象,表明该方法在旋转机械故障诊断中的有效性,为机械设备的状态监测和故障诊断提供新的思路和方法。

基于降噪源分离的脑电信号消噪方法

为了解决采集的脑电信号中常含有工频、心电、肌电和眼电等多源干扰问题,提出一种基于降噪源分离的脑电信号消噪方法.首先,该方法经过小波分解重构,消除高斯噪声完成预处理;然后,根据脑电信号的非高斯性,用正切函数进行降噪源分离,将含干扰的脑电信号逐次迭代提取得到分离信号作为消噪结果;最后,引入相关系数检测消噪效果.实验结果表明:经过降噪源分离提取得到的分离信号之间呈现弱相关性,而目标分离信号与源信号具有强相关性,可有效去除脑电信号中的心电和眼电伪迹.

独立分量分析技术在设备故障诊断中的应用

针对设备振动信号复杂难以分离的特点,提出采用独立分量分析技术对多源振动混合信号进行分离降噪和特征提取。实验结果表明,利用该方法可有效对多源信号进行分离降噪,提取特征信号,从而达到提高故障诊断准确率的目的。

基于O-SVD与FSC的滚动轴承微弱故障特征提取研究

由于滚动轴承的早期微弱故障特征难以被完整地提取出来,为此,提出了一种基于周期优选奇异值分解(O-SVD)和快速谱相关(FSC)的滚动轴承微弱故障提取算法。首先,通过理论和仿真分析,对存在细节特征丢失问题的传统截断奇异值分解(T-SVD)算法进行了改进,提出了一种以相关系数作为指标,判断有效奇异值分解子空间的O-SVD算法;然后,将O-SVD作为信号处理的前置处理单元,对滚动轴承的故障信号进行了分解重构,并将处理后的重构信号进行了快速谱相关计算,得到了特征明显且能够较好保存局部细节特征的增强包络谱;最后,基于仿真模型,分析了现有算法的不足,并以故障识别率为指标,阐明了基于O-SVD与FSC的算法在低信噪比工况下的工程适用性。研究结果表明:与对比算法相比,在滚动轴承早期微弱故障、复合故障和综合故障3种工况下,基于O-SVD与FSC的算法均能够较为完整地提取故障信号特征,具有较好的工程适用性。

新型微弱受激散射光能量信号检测方法

在激光惯性约束聚变(ICF)受激散射光能量信号的检测中,背景噪声的存在严重影响了有用信息的提取。针对该问题,设计了一种新型的可变参数放大滤波电路(VPAFC),并在降噪源分离(DSS)技术的基础上提出了一种信号降噪方法。采用硬件程控放大、带宽可调滤波以及软件降噪处理相结合的方式,既实现了微弱信号的增益可调放大,又有效抑制了有用信号频带外的噪声和频带内的结构化噪声。为测试所设计电路及噪声抑制算法的有效性,构建了微弱光能量信号检测装置和相关的数据采集系统。实验结果表明,该检测方法不但能程控放大微弱信号,而且当信号低至2μV时仍能在输出端使信噪比保持在不低于40dB的水平。