基于单通道AE盲源分离的结构损伤定位

声发射(acoustic emission,简称AE)能够实现复杂板状结构损伤定位,但多数AE检测定位方法仅针对单AE源的情况,而实际中复杂板状结构产生损伤时会伴随多个AE卷积混合信号。为了解决工程中多AE源定位的问题,提出一种单通道AE盲分离-模态提取定位方法。首先,对采集的AE信号进行信号降噪,使用单通道盲源分离算法分离出无回波成分的AE信号,将多源定位转为多个单源定位问题;其次,通过提取单频模态,求取声波传播速度,估计到达时间差来进行疲劳裂纹损伤定位;最后,经过计算机仿真实验和钢箱梁桥断铅半实物仿真实验,验证了方法的准确性和有效性,并通过载荷破坏AE检测实验验证了方法的实用性。结果表明,所提方法能够应用于复杂板状结构多AE源定位问题,为实际工程应用提供了可靠的依据及参考价值。

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。

基于单通道盲源分离的结构模态参数识别

针对基于传统盲源分离算法的结构模态参数识别需要满足传感器数目不少于源信号数目的问题,提出一种基于单通道盲源分离的结构模态参数识别方法,该方法利用单个通道信号即可完成结构模态参数识别。利用同步提取变换(synchro extracting transform,SET)对单通道观测信号进行时频分析以确定变分模态分解(variational mode decomposition,VMD)参数K的取值;将观测信号利用VMD分解形成K个本征模态函数(intrinsic mode function,IMF);将K个IMF进行线性混合形成2维观测信号并与原单通道观测信号重构形成3维观测信号,利用基于信号稀疏性的源信号分离算法分离得到各单模态信号;利用单模态识别技术识别结构模态参数。仿真和实测信号数据表明所提方法的有效性。

侵彻过载信号的欠定盲源分离与特征提取

侵彻过载信号成份复杂,传统盲源分离方法无法有效提取弹体侵彻板靶特征,基于此提出一种不受测试传感器数量限制、具有源数估计的侵彻过载信号盲源分离方法。首先,对单通道测试信号进行总体经验模态分解,将分解后的固有模态与原信号组成多维信号;其次,对组成的多维信号奇异值分解,以"前K次奇异值占优"法则估计信号振源个数,利用"最大互相关系数法"筛选最优IMF函数与原信号重组构造多通道混合信号;最后,对多通道混合信号白化处理和联合近似对角化,计算酉矩阵获得测试信号的混合估计。将其用于单通道侵彻过载信号的特征提取,获得了与源信号相关度为0.9747的加速度特征信号。与现有方法相比,该方法能有效分离出单通道侵彻过载特征信号,并且信号处理过程具有的自适应特性也解决了不同弹靶工况下过载信号滤波频率的选择困难问题。

基于BSS-HHT优化数学模型的旋转机械故障特征提取与诊断

针对现有旋转机械故障特征提取算法存在的故障特征分类准确率低和效率低等问题,提出一种基于BSS-HHT的故障特征提取与诊断数学模型。首先基于小波软阈值降噪,同时对原始故障信号进行预处理,消除噪声和故障信号之间的二阶性特征;然后构建BSS算法模型并以负熵作为目标函数,从源信号中分离有效的故障信号;最后通过引入HHT算法对输出信号做经验模态分解,在消除端点效应的同时实现对故障特征点的定位与诊断。实验数据显示:所提算法模型在训练集和测试集中,故障分类准确率分别达99.8%和99.7%,特征提取效率也优于现有算法。

基于ICEEMDAN-ICA的滚动轴承振动信号降噪算法

船用滚动轴承的振动信号由于机舱环境复杂以及轴承周期性与非周期性冲击的影响容易淹没在噪声信号中,导致故障特征频率难以提取。针对这一现状,提出一种结合改进的自适应噪声完备经验模态分解(ICEEMDAN)和独立分量分析(ICA)的滚动轴承振动信号降噪处理方法。该方法主要针对经验模态分解(EMD)衍生算法存在的模态混叠问题进行改进并导入ICA处理,然后利用功率谱熵(PSE)对ICA分离信号进行筛选重构,利用包络谱和快速傅里叶变换对信号进行处理得到特征频率。通过该方法对多故障滚动轴承信号进行处理,发现本算法大幅降低了噪声及干扰,多项参数表现良好,有效提取了故障特征。

基于两路传感信号的多源退化盲分离算法研究

在工程实际中大多数情况下面对的系统是一个黑匣子,无法确切知道其源信号的数目,传统的ICA算法无法使用。基于此给出了一种新的算法—退化盲源分离算法,该算法只需利用两路传感信号就可以确定其中的源信号数目,并将其通过构造分离系数分离出来。首先确定了该算法的适用前提条件假设,建立了考虑干扰信号因素在内的混合信号的数学模型,详细介绍了算法的实现过程。通过对5路人工合成的语音信号进行分离试验验证了该算法的可行性,并成功应用于工程实际中。

基于电-声检测法的整流变压器局部放电故障监测

针对整流变压器局部放电处理不及时会造成变压器击穿、使用寿命缩短的问题,提出了一种基于电-声检测法的整流变压器局部放电故障监测方法。通过加速度传感器和电容传声器分别采集整流变压器振动信号和声纹信号,采用集合经验模态分解(EEMD)和盲源分离相结合的方法提取振动信号和声纹信号特征,包括时域、频域和Mel频谱倒谱系数,以提取的特征作为输入,通过隐马尔科夫模型实现整流变压器局部放电故障识别。以故障类型为绝缘材料内部放电的整流变压器为测试对象进行算例分析,结果表明:绝缘材料内部放电故障类型的观测样本概率最大,说明整流变压器存在局部放电故障,且故障类型为绝缘材料内部放电,与实际情况一致,证明了所研究监测方法的有效性。

基于ICEEMDAN的滚动轴承声信号故障诊断方法

针对基于单通道声信号的机械故障诊断信号干扰成分大,故障特征难以提取的问题,提出了一种结合改进自适应噪声完备经验模态分解(ICEEMDAN)和快速独立分量分析(FastICA)的方法。依据峭度与信号相关性准则设定本征内模分量(IMF)选取系数,对ICEEMDAN自适应分解的IMF进行有效筛选,实现信号降噪和粗提取,并以所选IMF作为虚拟通道,应用FastICA成功实现信噪的盲源分离。通过内外圈故障轴承实验数据对算法实行对比验证,结果表明,所提算法大幅降低了噪声及干扰,有效提取了故障特征。