基于Schur运算格的线性ICA估计算法

从几何角度来看 ,线性ICA(IndependentComponentAnalysis)估计可以通过角度变换来实现 .因此 ,本文提出一种新颖的 ,基于Schur运算格的格型ICA估计算法 ,格型算法较之其它算法稳定 ,易于扩展 ,易于硬件软件实现 .仿真结果表明 。

后非线性马尔科夫算法应用于振动信号提取

实际环境中通过传感器检测到的设备状态信号往往是非线性混合信号;而设备状态信号是设备故障诊断的基础,因此从混合信号中分离出设备状态信号极其重要。现有线性独立分量分析方法分离效果并不理想,对此提出将后非线性马尔科夫盲源分离算法应用于设备状态信号提取。为验证算法有效性,将直升机齿轮箱振动信号的非线性混合信号进行分离实验。实验结果表明算法能有效分离出轴承故障振动信号,为进一步提高故障诊断准确性和方便性提供了帮助。

非线性信息融合技术在火力发电机组故障诊断中的应用

火力发电机组的振动信号往往是多种振源信号的非线性混叠,由此给火力发电机组故障诊断中特征信号的提取与分析带来了强烈的干扰。针对此问题,提出了基于小波-非线性独立分量分析(independent componentanalysis,ICA)的火力发电机振动信号非线性盲分离与特征提取新方法。首先,利用小波去噪技术消除加性噪声的影响;然后,通过径向基函数(radial basis function,RBF)神经网络,并结合线性ICA算法估计去噪信号的非线性混合解混函数,实现信号的非线性盲分离,得到火力发电机振动故障的关键信号源;最后,利用小波包分解提取分离信号的统计特征并作为识别损伤状态的有效参数,应用RBF神经网络分类器对火力发电机故障类型进行智能识别。对某发电站的火力发电机实际故障振动信号进行实验分析,结果表明,所提出的非线性盲分离模型能够从含有加性噪声的非线性振动源混合观测信号中提取故障振动源,得到故障信号的可靠特征,取得较好的故障诊断效果,且故障检测精度比线性盲分离技术提高了4.4%以上。

钢筋混凝土梁损伤声发射信号特征提取与识别研究

钢筋混凝土桥梁暴露在恶劣工作环境下常常受到裂纹损伤威胁,及时有效地检测到混泥土梁的微裂纹以及识别梁的损伤状况是保证桥梁安全作业的重要基础。针对目前采用全波形声发射仪采集声信号受到噪声污染而影响探伤精度的问题,提出了基于神经网络的非线性独立分量分析(ICA)与维格纳分布(WVD)的损伤声发射信号特征提取与识别的新方法。通过RBF网络估计混入声信号中的非线性噪声成分,利用ICA算法分离出真实的梁损伤声信号,消除噪声干扰,并应用WVD分析分离信号的时频谱分布,提取信号特征频率处的能量特征作为识别损伤状态的有效参数。三点弯曲加载试验结果表明,非线性ICA能够有效抑制噪声导致的声信号频率漂移,得到信号可靠的关键特征,提高梁裂纹损伤的识别精度,且结果比不进行去噪处理提高了9%。

改进的扩展互信息分离算法

扩展互信息分离算法采用单隐层神经网络近似算法代价函数中的非线性函数,可调节的参数有限,需要多次迭代才能收敛,从而导致收敛速度较慢。针对这一问题,采用双隐层神经网络近似非线性函数,以分离结果的互信息最小化作为代价函数,采用梯度下降方法对代价函数进行优化,增加了可调节参数数量。仿真实验结果表明,改进后的算法相对原算法收敛速度更快,误差更小。