FastICA算法在机械振动信号分离中的应用

机械振动状态监测时,传感器采集到的机械振动信号往往是被监测机械的振动信号与邻近机械振动信号以及外界噪声信号的混合信号,因此从测得的混合信号中分离出监测机械的振动信号是十分必要的.基于独立分量分析的盲源分离方法,采用快速独立分量分析(Fast Independent Component Analysis,FastICA)的算法对混合的机械振动信号进行分离,通过对仿真信号的分离,验证了该方法对机械振动信号处理的有效性,为机械振动状态检测以及机械故障诊断提供了一种新的选择.

基于神经网络消噪的独立成分分析方法研究

独立成分分析(independent component analysis,ICA)模型大多是无噪声的,对于有噪声的模型,ICA算法的性能会下降甚至失效,降噪处理必不可少。线性神经网络克服了感知器神经网络只能输出0或1的不足,是一种基于最小均方误差(least means quares,LMS)的自适应可调网络,利用线性神经网络进行噪声对消是一种很有效的噪声处理方法。笔者将针对有噪声的ICA模型,应用线性神经网络进行降噪预处理,并通过仿真和实验数据加以证明。结果表明:该方法比不进行降噪预处理的方法的分离效果明显好很多。

独立分量分析和概率神经网络在机械故障诊断中的应用

针对旋转机械进行故障诊断时,由于邻近机械的干扰,往往无法得到真实的的故障信息以及诊断速度慢的问题,本文提出了一种基于独立分量分析(Independent Component A-nalysis,ICA)和概率神经网络(Probabilistic Neural Network,PNN))的故障诊断方法,采用快速独立分量分析(FastICA)进行特征提取,PNN实现状态识别.通过仿真与实验加以证明,并与经典的前向多层神经网络(BP网络)的故障分类进行对比,结果表明PNN的准确率可以达到100%,而BP网络只有95%,同时PNN所需的时间只有BP的1/3.