独立分量分析在齿轮箱故障诊断中的应用

提出了一种用于齿轮箱故障诊断的信号预处理方法。推导了基于互信息最小化的独立分量分析算法(简称ICA算法),应用确定性混合信号对算法进行了仿真验证,并将该算法应用于齿轮箱振动信号的预处理中。经3种工况下的齿轮箱振动信号的ICA分解结果分析,表明应用ICA技术后,故障信息得到了极大的增强。改变了传统的以降噪为主的故障信息增强思想,为微弱故障的有效诊断提供了一定的技术手段。

基于独立分量分析的传感观测信息融合压缩方法及其在故障诊断中的应用

为消除多通道观测信息冗余,压缩高维故障特征,简化特征提取工作,提出了一种基于独立分量分析和互信息分析的信息融合压缩方法。利用独立分量分析的冗余取消特性和互信息的高阶统计特征,实现了对机器多通道传感观测信息的两级融合压缩。实验结果表明:在尽可能保留原始观测信息的前提下,多通道传感观测实现了信息充分融合,维数显著压缩,并保持了对不同故障模式较好的分类。从而,为构建在线实时的机器故障模式分类器奠定了基础。

基于稳健独立分量分析的转子故障信息增强方法

针对实际转子振动信号中信源相互叠加干扰、故障信息微弱的问题,提出一种基于稳健独立分量分析(RICA)的转子故障信息增强方法。首先引入双树复小波变换,对信号进行降噪预处理,降低分离算法对噪声的敏感程度。再用稳健独立分量分析对降噪后信号进行分离和信息增强。并对比其他2种经典的盲源分离算法,通过数值仿真比较它们的分离效果。结果表明:新方法通过优化步长因子得到全局最优值,采用代数方法得到最优步长参数,实现简单,并且避免了预白化处理,使得算法运算量降低;对小数据量信号,算法收敛速度快、信号分离质量高。此方法可以更有效地分离故障源及提取信号的本质故障特征。