基于最大平均峭度盲解卷积的直升机故障诊断

针对最小熵解卷积(minimum entropy deconvolution,简称MED)应用于故障诊断时倾向于恢复少量主导冲击而非周期性故障冲击的问题,定义一种滤波器系数求解指标——平均峭度,提出了最大平均峭度盲解卷积方法。首先,通过对故障信号进行均等分割,取各分割段信号峭度的均值,得到信号的平均峭度;其次,将平均峭度作为信号盲解卷积指标,求解滤波器系数;最后,完成信号滤波,提取周期性故障冲击。仿真信号与直升机故障诊断案例分析结果表明:所提最大平均峭度盲解卷积方法能从含复杂干扰成分的故障信号中恢复故障冲击序列,为故障诊断提供可靠信息;相比于MED等传统盲解卷积方法,所提方法具有较强的普适性。

改进融合指标的新型盲解卷积算法在轴承故障诊断中的应用

为解决现有盲解卷积算法易受随机脉冲影响的问题,综合时域特征和频域特征,提出一个新的故障敏感指标,即包络谱峭度-包络基尼系数融合指标(Envelope Spectral Kurtosis-envelope Gini Index,ESKEG)。该指标对周期性脉冲更敏感,不易受随机脉冲的影响。基于该指标,提出一个新的解卷积算法,即基于最大ESKEG的盲解卷积,并采用粒子群算法(Particle Swarm Optimization,PSO)求解滤波器系数。通过仿真振动信号和实验仿真信号进行验证,结果表明相比于其他盲解卷积算法,所提出的PSO-ESKEG算法在故障先验知识未知的情况下,能更有效避免受到随机脉冲信号的影响。

基于增强自适应盲解卷积方法的齿轮故障诊断

针对最小熵解卷积(minimum entropy deconvolution,MED)在故障诊断中倾向于恢复少量伪主导冲击以及依赖经验选取滤波器长度的问题,提出了一种增强自适应盲解卷积方法。该方法设计一种非线性变换以增强滤波信号中的故障冲击特征,并将其融入滤波器系数的迭代求解中,从而解决MED因少量伪主导冲击造成峭度过大而无法有效恢复周期性故障冲击的问题。同时,所提方法提供一种可根据待分析信号自适应获得合适滤波参数的策略,进而克服传统依赖经验取值的不足。仿真信号与齿轮植入故障信号分析结果验证方法对于增强故障冲击及自适应选取滤波参数的有效性,实现周期性故障冲击的准确恢复。在列车齿轮故障诊断的工程实际案例中,所提方法准确诊断出齿轮传动系统中大齿轮的早期裂纹故障。与MED的对比研究,进一步表明所提方法在故障冲击增强与自适应恢复方面的优势。

参数优化最大二阶循环平稳盲解卷积行星轮轴承故障提取

在行星齿轮箱振动中,齿轮相关振动分量通常具有较大的能量,同时轴承滑移会造成行星轮轴承故障对应振动分量的特征频率获取困难。为此,提出一种基于参数优化最大二阶循环平稳盲解卷积(cyclostationary blind deconvolution, CYCBD)的行星轮轴承故障提取方法。该方法针对CYCBD技术在轴承滑移条件下难以获取循环频率和滤波器长度的问题,以改进的包络谱故障特征比(improved envelope spectrum fault feature ratio, IFFR)指标作为粒子群算法的适应度函数,自动获取CYCBD算法中实际的循环频率和优化滤波器长度,利用参数自适应的CYCBD算法增强了轴承故障冲击。通过解卷积结果的平方包络谱反映轴承故障特征,达到准确提取故障特征的目的。故障仿真和试验研究结果表明,该方法可以有效提取行星轮轴承故障特征。

二阶广义总变分约束的太阳图像多帧盲解卷积

盲解卷积是常用的自适应光学图像事后重建方法之一。为提高盲解卷积对太阳(自适应光学)图像的重建效果,本文提出了基于二阶广义总变分的空变多帧盲解卷积算法。该算法首先利用交替最小化和半二次分裂方法求解本文提出的二阶广义总变分约束的空不变多帧盲解卷积模型;然后针对非等晕大视场太阳图像特性,利用重叠分块与加权拼接实现空变盲解卷积扩展。在一米新真空太阳望远镜(NVST)观测的真实太阳图像上进行的重建实验与分析表明,本文算法在主观视觉效果和客观指标上均具有较好的图像重建效果。

基于频域稀疏盲解卷积的奥氏体不锈钢TOFD盲区小缺陷定量检测

针对超声衍射时差法(TOFD)检测奥氏体不锈钢近表面盲区内小尺寸缺陷时的信号混叠及结构噪声问题,提出了频域稀疏盲解卷积法。在厚为35 mm奥氏体不锈钢试块TOFD近表面检测盲区内加工深为3.0mm,高为3.0 mm的人工缺陷,基于匹配追踪算法(MP)对TOFD试验信号进行稀疏分解,解耦噪声部分,再利用同态变换并结合L_(1),L_(2)范数约束建立反演问题目标函数,并利用内点法求解。结果表明,在无需参考信号的情况下,该方法能够分离TOFD表面直通波和缺陷上、下端点衍射波,计算求得缺陷深为3.04 mm,高为2.65 mm,最大误差不超过11.7%。

盲解卷积和频域压缩感知在轴承复合故障声学诊断的应用

针对时域盲解卷积算法对单一故障机械声信号有效,及传统稀疏分量分析对声信号分析失效等问题,提出一种盲解卷积、形态滤波和频域压缩感知重构的稀疏分量分析相结合的轴承复合故障声学诊断方法。通过时域盲解卷积算法优选分量结果,提取声信号的冲击成分。使用形态滤波滤除背景噪声。使用模糊C均值聚类估计混合矩阵,重构传感矩阵,并运用稀疏度自适应匹配追踪基算法(Sparsity adaptive matching pursuit,SAMP)的频域压缩感知重构分离信号。双通道滚动轴承故障声信号分析结果表明该方法能够有效分离和提取滚动轴承故障特征。

基于频域盲解卷积的齿轮箱复合故障声学诊断

针对复杂声场环境中齿轮箱复合故障特征提取,提出基于频域盲解卷积的声学诊断方法。该方法通过形态滤波滤除非调制信号,结合改进复数固定点算法优选复独立分量,进而通过复独立分量J-散度解决独立分量间次序不确定性问题。通过计算机仿真及实际环境下齿轮箱复合故障声信号提取实验验证该算法的有效性。

欠定盲解卷积用于滚动轴承复合故障声学诊断

针对旋转机械复杂声场中强噪声干扰及故障源未知等难题,提出一种基于盲解卷积的声学诊断方法。该方法采用包络谱余弦测度作为独立分量间距离测度,结合冲击信号峭度指标优选独立分量,进而通过频域稀疏分量分析对估计信号做进一步的分离,最终实现在欠定条件下对滚动轴承复合故障信号的可靠提取。实际声场环境中的滚动轴承复合故障声信号提取试验验证了该方法的有效性。

基于盲解卷积和聚类的机械弱冲击声信号提取

针对对比函数和紧缩方法的时域盲解卷积算法在分离机械弱冲击信号时,其结果易受解卷积滤波器长度影响的缺点,提出结合分层聚类的改进算法。该算法通过设置一个变长度滤波器组,对获得的多个盲解卷积结果进行聚类分析,解决了单次盲解卷积结果不确定问题,获得了可靠性高的估计信号。计算机仿真和实际环境下故障轴承声信号提取实验验证了算法的有效性。

快速运动模糊图像盲解卷积算法

针对快速运动形成的图像模糊,提出了一种运动模糊图像盲解卷积算法。首先,对被噪声污染的频谱图像进行脊波增强;然后,采用一种新的基于Radon变换的鲁棒算法来确定模糊核函数,该算法在小模糊长度和低信噪比的条件下仍能准确地估计模糊核参数;确定模糊核函数后,采用基于hyper-laplacian先验的快速非盲解卷积算法来恢复模糊图像。实验结果证明,与基于机器学习的R.Fergus的算法相比较,本文算法在获得相近效果的前提下,计算时间从近30min下降到40s左右。该算法对合成运动模糊图像和实际相机运动的自然模糊图像都具有较好的恢复效果。

基于子空间分解的多通道盲解卷积算法

针对卷积混合信号,提出了一种新的多通道盲解卷积算法,该算法首先利用子空间分解方法,将信号卷积混合模型变换成线性混合模型,然后利用线性混合盲分离算法分离出源信号。该算法相对频域盲解卷积算法来说无需解决线性混合盲分离中存在的幅度和排列顺序的模糊性问题,而且该算法不要求信号独立同分布,只要求各源信号统计独立即可。因此,该算法可以直接在中频对观察信号进行处理。计算机仿真结果表明,该算法不仅能对不同频不同调制方式的通信信号进行盲解卷积,而且对同频同调制的通信信号,该算法同样有效。

基于频域盲解卷积的机械设备状态监测与故障诊断

在频域盲解卷积(FDBD)模型的基础上,重点论述了其在工程信号特征提取中的关键技术:抑制循环—部分卷积误差的方法、次序不确定性的消除方法以及复数域盲分离算法的原理和应用。针对复杂环境或复杂机械设备结构中声、振信号的特征提取,全面综述了频域盲解卷积技术在机械设备状态监测和故障诊断中的研究现状,利用声学实验验证了其实际应用价值。最后指出了未来需要进一步研究的主要问题。

盲解卷积的机械振动信号分离技术

针对机械振动信号往往是多个信号卷积混合的结果,阐述了卷积混合的模型和原理。利用扩展的H-J网络结构,给出了在线实时的盲解卷积迭代算法,并通过仿真试验验证了算法的有效性和准确性。该法与传统的傅里叶变换频谱分析相比,能获得更多的振源振动信息,可更准确地进行机械故障诊断。

基于盲解卷积的柴油机振动信号分离研究

基于振动信号分析的故障诊断方法依赖于机械状态特征的有效提取,盲源分离能够从复杂的信号中分离出源信号,是一种有效的特征提取手段。建立的多通道盲解卷积模型和机械系统的振动模型表明了两个模型的一致性,理论上证明了盲解卷积用于机械振动信号分离的可行性。利用MBLMS算法进行实测柴油机振动信号的分离实验,成功分离出了活塞撞击、燃烧和进气阀关闭信号,试验结果证明了盲解卷积能够有效分离柴油机振动信号。

一种改进的盲解卷积算法在轴承声学诊断中的应用

针对时域盲解卷积算法滤波器长度估计困难的缺点,提出一种基于遗传算法优化的改进算法。该算法利用遗传算法搜索最佳时延,解决了盲解卷积结果不确定问题,并改进了信号分量的聚类指标,采用峭度作为独立分量间距离测度,提高了信号分量聚类的准确性,获得了可靠的估计信号。计算机仿真和实际环境中故障轴承声信号提取实验验证了该算法的有效性。

基于二阶、四阶累积量的盲解卷积准则

以ＳＷ理论为基础，研究了一般的非最小相位系统的盲解卷积问题；基于二阶、四阶累积量，定义了一个新的概念──归一化累积量，形成了归一化累积量匹配的盲解卷积准则；并导出了一种新的盲均衡算法，计算机模拟验证了该算法，获得了可用结果。

滚动轴承故障脉冲信号提取及诊断∶一种盲解卷积方法

运用一种基于峭度最大化的盲解卷积算法,从局部损伤的滚动轴承振动信号中提取或增强脉冲冲击信号。在对内、外圈存在损伤的轴承振动信号进行解卷积处理后,故障脉冲信号得以充分增强,而且在时域上呈规律地分布。另外,取2倍的解卷积信号样本标准差为阈值,通过时域阈值除噪,可以进一步得到提纯的故障脉冲序列。计算表明,其脉冲线周期性出现的平均频率与相应的故障特征频率相当吻合。

基于最大重加权峭度盲解卷积的风电故障诊断

受噪声以及复杂传递路径等影响,风电机组齿轮故障特征信号通常比较微弱。为有效诊断齿轮故障,提出一种新的盲解卷积方法——最大重加权峭度盲解卷积方法。重加权峭度对故障信号中单个或少量强冲击干扰具有很好的鲁棒性,且无需待恢复故障冲击序列先验知识。最大重加权峭度盲解卷积方法能有效地解决经典的基于峭度最大化方法倾向于恢复单个主导冲击而非齿轮故障冲击序列的问题,同时相较于常见非全“盲”(依赖故障特征频率先验)方法在工业装备齿轮故障诊断方面具有更强的适用性。仿真信号分析结果表明所提方法在恢复故障冲击序列方面效果显著,在风电机组故障诊断中的应用案例证实了所提方法对齿轮故障诊断的有效性。

结合Fourier域约束的多帧盲解卷积图像恢复算法

大气湍流严重限制了地对空光学系统的成像质量,自适应光学系统对大气湍流的补偿仅仅是部分的、有限的。当前的图像恢复技术对重建过程中的PSF施加的先验约束主要有非负性、归一化、支持域等空间域约束。这里对图像的Fourier频谱特性进行分析,将一种基于Fourier域的先验约束引入到多帧迭代盲解卷积算法中。实验结果表明,该算法可有效对模糊图像进行恢复,尤其是对强湍流观测下的重度模糊图像具有较好的恢复效果。