独立分量分析和流形学习在VSC-HVDC系统故障诊断中的应用

提出一种基于独立分量分析(ICA)和局部线性嵌入流形学习算法(LLE)的新型高压直流输电(VSC-HVDC)系统故障诊断方法.由于随机噪声的干扰,单个传感器测得的系统故障信号无法直接用于故障检测,故使用快速ICA对多通道传感器测得的直流电压和电流信号进行盲源分离处理以恢复去噪的系统故障源信号;然后利用LLE挖掘潜藏于恢复信号中的子流形,提取故障敏感特征;最后将LLE提取的故障特征量作为支持向量机(SVM)的输入,建立系统故障诊断模型.通过对系统交流相对相故障、交流相对地故障以及复合故障等仿真信号进行分析,表明所提出的ICA-LLE方法能够有效地提取故障关键特征,并在3维空间将故障特征隔离,从而得到满意的SVM故障识别效果,且SVM分类精度比只使用LLE提高了近20%.     

基于EMD的ICA语音增强

传统ICA方法是将所有源信号都从混合信号中都提取出来,而参考独立分量分析(ICA-R)通过将一些先验信息引入到ICA学习算法中,从混合信号中仅提取期望源信号.本文为了从混合语音信号中提取出期望的语音信号,采取的是基于经验模态分解(EMD)方法来获取功率谱包络作为参考信号,继而把参考信号运用到ICA－R算法中,达到语音增强的目的.计算机仿真和性能分析结果表明,此方法在有噪声干扰的情况下达到语音增强的目的.     

基于独立分量分析（ICA）的图像去噪方法

独立分量分析(Independent Compondent Analysis,ICA)是近年来提出的一种非常有效的数据分析方法,主要用来从混合数据中提取出原始的独立信号.在独立分量分析基本模型的基础上,计算在变换基下的投影,应用软门限算子进行去噪处理,结合实例对含噪图像进行去噪.实验结果表明,该算法在峰值信噪比和主观视觉效果上都比传统图像去噪方法具有明显的改善.     

独立分量分析及其在ERP提取中的应用

利用ICA可将混合在观测信号中的相互独立的源信号分离出来的特性,针对脑电信号及其事件相关电位(ERP)的特点,提出一种基于ICA的ERP快速提取算法,并应用于仿真数据分离和实际脑电信号ERP提取.实验结果表明,该算法具有较强的稳健性和实用性.     

应用独立分量分析提取机器的状态特征

以大型轧钢机和滚动轴承试验台为研究对象，应用独立分量分析方法分离机器的声音信号，并提取其状态特征，同时指出，对信号进行自相关预处理，可以突出信号的非高斯成分，较好地满足独立分量分析的前提条件，即源信号统计独立，因此，采用基于峭度的快速独立分量分析（ICA）算法，成功地分离出了信号的一些独立成分及对应的发声零部件，研究结果表明，根据信号结构选择预处理的方法十分重要，正确的预处理可以使独立分量分析有效地提取机械信号中的特征。     

独立分量分析及其在诱发电位提取中的应用

独立分量分析能够在各信号频率混迭的情况下,从它们的线性混合信号中有效分离出原始信号,这为微弱电生理信号的提取提供了途径,受到生物信号处理研究人员的关注.作者研究分析了独立分量分析模型和一种基于负熵判据的定点快速ICA算法的实现,并将该算法运用于仿真诱发电位的提取中,从观测信号(混合信号)中有效地提取出视觉诱发电位.     

基于声信号分析的齿轮故障诊断方法

为了解决齿轮故障诊断中传统的声振信号分析方法容易受到周围设备及环境噪声干扰的问题,提出了一种独立分量分析和自相关分析相结合的齿轮故障诊断方法.首先用独立分量分析分离特征信号和干扰信号,然后用自相关分析提取特征信号中的周期成分.实验结果表明,该方法可以有效地提取在强背景噪声干扰下的齿轮故障特征.     

超定独立分量分析及其在结肠压力信号分析中的应用

针对传感器个数大于源信号个数的情况,提出了一个超定独立分量分析(ICA)方法,并将其应用到人体结肠压力信号分析中.首先对结肠压力信号运用主成分分析(PCA)估计源信号个数,并将观测信号进行降维使其维数与源信号相等,从而将超定ICA问题转化为一个完备ICA问题;最后通过快速ICA算法估计出源信号.实验采用26组人体结肠压力数据,成功提取出结肠活动中具有生理意义的动力模式信号.     

基于小波包和独立分量分析的微弱多源故障声发射信号分离

针对旋转机械设备中同时存在的裂纹、摩擦等多故障源信号难以检测和分离的问题,提出了一种基于小波包分析(WPA)与独立分量分析(ICA)的多源故障信号提取方法,即首先用WPA对含噪线性混合信号降噪预处理,由db2小波基函数进行5层分解后保留62.5~187.5kHz频段信号,然后采用ICA中的FastICA算法对降噪后的混合信号分离,最后对各通道分离出的信号用收缩函数进行频段内去噪处理.对不同输入信噪比的含噪微弱裂纹和摩擦信号进行提取和分析的结果表明,该方法能有效提取出输入信噪比大于-15dB的裂纹和摩擦信号.当混合信号信噪比为-15dB时,裂纹和摩擦信号的输出信噪比分别为-1.31和-1.36dB,相关系数分别为0.62和0.63,提取效果好于结合小波包和FastICA分离方法(信噪比分别为-1.74和-2.06dB,相关系数分别为0.59和0.59)以及单独采用FastICA算法(信噪比分别为-4.57和-4.31dB,相关系数分别为0.17和0.19).因此,所提出的综合WPA和ICA的方法是一种较好的多源微弱信号提取方法.     

基于独立成分分析的强背景噪声去噪方法

由于许多传统的去噪方法在强背景噪声情况下提取声音信号的能力变弱甚至失效，提出应用独立成分分析(ICA)方法对声音信号进行特征提取，并证明了这种ICA变换能增强语音和音乐信号的超高斯性．在此基础上，应用ICA基函数作为滤波器，通过阈值化的去噪方法对含有强高斯背景噪声的声音信号进行去噪仿真实验．结果表明，本方法明显优于传统的均值滤波和小波去噪方法，为强背景噪声下弱信号的检测提供了新的途径．     

A Fault Diagnosis Method Based on Wavelet Singular Entropy and SVM for VSC-HVDC Converter

The converter is the core component of voltage source converter-high voltage direct current(VSC-HVDC), which is related to the stable operation of the system. The converter has a complex structure where the accuracy of feature extraction is low, and the computation speed of traditional fault diagnosis strategies is slow. To solve this problem, a fault diagnosis strategy based on wavelet singular entropy(WSE) and support vector machine(SVM) was proposed. This method includes fault and label setting, converter fault feature extraction based on wavelet singular entropy, and converter fault classification based on support vector machine. The DC-side voltage signal was used as the detection signal, and the wavelet singular entropy was used for feature extraction to avoid noise interference. The classification is based on SVM. The experimental verification in PSCAD simulation proved that the method has better fault diagnosis ability for various faults and meets the needs of converter fault diagnosis.     

基于FRICA算法的非高斯过程故障检测方法

独立元分析(ICA)是一种有效的非高斯过程故障检测方法,但其建模过程仅仅使用正常工况数据,忽视了对先验故障工况数据的利用.针对此问题,提出了一种基于故障相关ICA(FRICA)算法的故障检测方法.该方法使用ICA算法提取正常工况数据中的非高斯特征成分;再将正常工况数据集和先验故障工况数据集融合在一起构成多工况数据集,利用非局部保持投影进行二次特征提取,获得故障判别成分;在两种特征成分的基础上构造新的监控统计量,并利用核密度估计得到相应的置信限,完成对实时数据的监控.连续搅拌反应釜(CSTR)系统的监控仿真结果表明:与基本ICA方法相比,FRICA方法能更有效地检测出过程故障.     

嵌入式旋转机械状态监控与故障诊断系统研究

从实现具有自监控、自诊断能力的智能化机械设备的角度,系统介绍了面向Internet的、具有远程监控、诊断、维护和升级能力的嵌入式旋转机械智能状态监控与故障诊断系统的实现技术.该系统采用数字信号处理器(DSP)及嵌入式计算机,实时检测并存储设备运行的转速、振动等信息,由DSP进行故障信号处理和特征分析,并通过自定制的嵌入式Linux操作系统实现了面向Internet的远程软件升级和系统维护,其内嵌的基于移动代理的嵌入式诊断软件可以通过局域网或Internet与远程故障诊断中心自动交互诊断信息,实现协同诊断,有效地提高了设备状态监控与故障诊断系统的智能化水平.     

基于KPCA-LSSVM的发动机PT燃油系统故障诊断

为有效解决PT燃油系统进油油路堵塞、滤清器泄漏、喷油器油路堵塞等多种典型故障诊断问题,提出了基于核主元分析(KPCA)和最小二乘支持向量机(LSSVM)的故障识别方法。首先计算油压信号的时域特征集,然后采用KPCA对原始多维初始特征向量进行特征提取,最后将经过KPCA提取的主特征向量输入经多种群遗传算法(MPGA)优化的LSSVM中实现故障类型的识别。实验结果表明,KPCA提取的主特征向量有效表达了原始故障的特征信息,相比于传统的BP神经网络和未经参数优选的LSSVM等分类模型,基于KPCA-LSSVM的故障识别方法速度更快、分类准确率更高。     

基于故障树的数控机床故障诊断系统

数控机床的故障诊断不及时不准确,会给制造企业带来巨大的经济损失,因此,数控机床的故障诊断与维护一直是制造业研究的热点之一。本文在分析数控机床特点的基础上,运用故障树分析法建立数控机床主要部位的故障树模型,依据此模型开发了一套基于故障树的故障诊断系统,该系统具有诊断速度快、诊断结果准确率高的特点,有效实现了数控机床故障的智能分析诊断。     

基于VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法

针对滚动轴承振动信号在强噪声环境下出现非线性、非平稳、强干扰特性,进而导致故障特征难以提取及故障诊断准确率低的问题,提出变分模态分解(VMD)-多尺度排列熵(MPE)-核主元分析(KPCA)特征提取与多分类相关向量机(MRVM)相混合的滚动轴承故障诊断方法.该方法首先通过VMD-MPE进行滚动轴承振动信号的高维故障特征提取,其次对提取的故障特征进行KPCA可视化降维,最后将降维后的故障特征输入可实现不同样本概率输出的MRVM进行滚动轴承故障诊断.通过美国西储大学的滚动轴承故障数据集对该方法的有效性进行验证,结果表明提出的VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法能够有效提取和识别滚动轴承故障特征,所提出的混合智能故障诊断方法与相关文献报道的故障诊断方法相比较,故障识别准确率达到了99.18%.     

基于局部特征尺度分解的汽轮机故障诊断研究

为了提高汽轮机故障诊断的精确性,文章运用转子振动实验台来模拟汽轮机转子的振动信号,对运行中的三种故障振动信号进行采集,然后运用局部特征尺度分解方法对汽轮机振动信号时间序列进行特征提取,组成特征向量。利用极限学习机作为故障诊断分类器,结果表明,局部特征尺度分解特征提取和极限学习机的诊断模型能够准确地对汽轮机故障进行诊断,具有很高的实际应用意义。     

基于动态独立成分的单类支持向量机方法及其在故障诊断中的应用

针对工业过程故障诊断中数据的动态性、非高斯性和非线性特点,提出一种基于动态独立成分的单类支持向量机(OCSVM)方法。为了分析数据的动态特性和非高斯性,应用动态独立成分分析(DICA)方法提取数据变量中的动态独立成分作为特征信息,基于特征信息建立OCSVM模型并构造非线性监控统计量。检测到故障后,计算故障数据与故障模式数据决策超平面的相似度,通过相似度分析识别故障模式。在Tennessee Eastman基准过程上的仿真结果表明,提出的方法能够比单类支持向量机更有效地检测过程故障,并且能够正确识别故障模式。     

声信号分析方法在轴承故障诊断中的应用

由于轴承故障声信号的混响及临近的机械设备的噪声,造成声信号的频域分析很困难.通过小波变换原理,对滚动轴承故障声信号进行时频分析.通过对声信号的多尺度分解,分离出由故障造成的声信号突变.实验结果表明,较之以往的时域、频域信号处理技术,该方法对声音信号分解更趋合理,是一种可靠和有效的滚动轴承故障诊断新方法.     

一种提高诊断信息质量的方法

针对工程实际中噪声干扰、不同源信号之间的混叠及信号的信噪比低，造成信号分析和特征提取难的问题，研究了采用连续小波变换（CWT）和独立分量分析（ICA）的方法对滚动轴承的声音信号进行了消噪和分离，从而提高了诊断信号的信噪比，保证了故障的确诊。通过仿真实验和实例分析，验证了该方法的有效性。