单通道涡流无损检测信号盲源分离算法

针对脉冲涡流无损检测(pulsed eddy current testing, PECT)系统中获取单一检测信号存在的混叠问题,文章提出一种基于经验模态分解(empirical mode decomposition, EMD)和快速独立分量分析(fast independent component analysis, FastICA)的单通道盲源信号分离算法。该算法首先通过EMD对混合观测信号分解,然后利用奇异值分解(singular value decomposition, SVD)估计源信号数目,根据估计得到的源信号数目将观测信号和对应模态分量构成新的虚拟信号,最后利用FastICA算法分离得到源信号的估计。有限元仿真实验表明该算法能有效分离单通道混合检测信号,并且优于小波分解的单通道盲源分离算法。     

小波分解单通道盲分离干扰抑制方法

在单通道通信系统抗干扰问题中,由于先验信息不足,不能采用常规的盲分离方法抑制干扰?针对此问题,提出一种小波分解结合独立分量分析(independent component analysis,ICA)的单通道盲分离抗干扰方法?该方法利用小波分解,将单路混合信号分解为一系列的小波分量,通过计算各层小波分量的能量,选择最优小波分量作为ICA的输入信号,采用ICA方法实现信号的分离和重构?该方法选择最优小波分量进行盲分离,有效减少分离算法的计算量,同时降低噪声对系统性能的影响?仿真结果表明,所提方法可以有效地分离混合信号,提高单通道通信系统的抗干扰能力和系统处理速度?     

基于奇异值分解和均值聚类的单通道盲源分离算法研究

提出了一种基于奇异值分解(Singular Value Decomposition,SVD)的均值聚类单通道盲源分离算法.首先将单通道信号利用SVD分解,依据中值准则进行滤波去除噪声分量,然后在去除噪声分量对应的特征值基础上,根据剩余SVD特征值重构对应分量信号作为盲源分离观测信号.将重构分量信号进行短时傅立叶变换(Short Time Fourier Transform,STFT)进行稀疏化处理,利用散点图判别源信号数目,最后采用均值聚类方法估计混合矩阵,以估计混合矩阵求逆作为分离矩阵实现单通道信号的盲源分离.利用计算机仿真结果证明了算法的有效性.     

单通道旋转机械复合故障信号分离及诊断

针对单通道条件下旋转机械复合故障信号分离和故障类别诊断难以有效实现的问题,采用总体经验模态分解(ensemble empirical mode decomposition,EEMD)方法构建虚拟多通道和线性局部切空间排列(linear local tangent space alignment,LLTSA)维数约减方法解决单通道盲源分离的欠定问题,并通过完备字典训练和稀疏分解提取故障信号稀疏特征,最后利用支持向量机对该诊断方法进行分类评估,并将其运用在滚动轴承故障诊断实验中,实现了单通道旋转机械复合故障信号的有效分离和故障类型的正确诊断。     

基于EEMD-ICA-CWT的装载机室内噪声盲源分离和识别

为了分离装载机的噪声源,采用集合经验模态分解(EEMD)、独立分量分析(ICA)和连续小波变换(CWT)技术相结合的方法,对装载机司机位置处噪声信号进行了盲源分离和声源识别研究.针对单一通道噪声信号进行盲源分离,将其分解成一系列独立分量.在削弱了传统经验模态分解(EMD)算法处理噪声信号时产生的模态混叠现象的同时,克服了独立分量分析方法要求传感器数目必须大于等于分离出分量数目的限制;借助连续小波变换良好的时频定位特性,对ICA分离结果进行时频分析.结合时频分析结果和各噪声源信号的频谱结构,确定了各独立分量与装载机不同噪声源的对应关系.结果表明,这些独立分量分别对应着装载机的燃烧噪声、冷却风扇辐射噪声及排气噪声等噪声源.     

基于VMD-ICA-CWT的内燃机噪声源识别方法

提出了基于变分模态分解(VMD)、独立分量分析(ICA)和连续小波变换(CWT)相结合的内燃机噪声源识别算法.首先,对内燃机进行铅覆盖,只裸露待测的第6缸部分,测量裸露部分缸盖位置处的单一通道噪声信号;然后采用变分模态分解算法将其分解为各变分模态分量,并用FastICA算法提取各独立成分,解决了对单一通道噪声信号进行盲分离的欠定问题,同时克服了传统的经验模态分解处理噪声信号时出现的模态混叠缺陷;最后利用连续小波时频分析和相干分析,对分离结果进行进一步识别.研究结果表明:该算法能有效地分离识别出内燃机的燃烧噪声和气阀机构敲击噪声.     

基于抽气过程的FastICA算法去除肌电信号中的心电干扰

提取受试者的体表肌电受其自身心电信号的干扰严重,本文利用一种基于FastICA算法的改进盲抽取方法去除体表肌电中的心电干扰,并有序的输出分离后的心电和肌电分量。对仿真信号处理结果表明,运用该方法避免了独立分量(ICA)方法中固有的位置不确定性,并能够成功的分离源信号。     

一种单通道的源数盲估计方法

针对单通道的源数盲估计技术,提出了一种基于经验模态分解和交叉验证技术相结合的源数估计方法,该方法首先通过经验模态分解技术将单通道的观测信号转换为虚拟的多通道观测信号,然后采用基于交叉验证技术来确定混合在单通道中的源信号个数．仿真实验结果表明：该方法能准确地估计出混合在单通道中服从超高斯分布、亚高斯和高斯分布的源信号个数．     

基于变分模态分解与独立分量分析的轴承故障特征提取方法

针对滚动轴承早期故障振动信号能量小且易受背景噪声干扰,从而导致故障特征提取困难等问题,提出基于变分模态分解(VMD)与独立分量分析(ICA)相结合的故障特征提取方法;该方法首先将原始故障信号进行VMD,得到若干正交的本征模态分量(IMF),然后依据峭度准则对分解后的信号进行分组重构,作为ICA的输入矩阵,最后采用Fast ICA算法实现故障信号与噪声信号的分离,从而提取机械故障特征信息;将轴承故障数据作为研究对象进行故障特征提取,并与集成经验模态分解-独立分量分析(EEMD-ICA)方法对特征信号的提取效果进行对比。结果表明,基于VMD与ICA的轴承故障特征提取方法提高了分解效率,解决了信号易受噪声干扰的问题,实现了轴承故障的精确诊断。     

基于经验模态分解的自适应噪声对消方法

针对飞行器试验中单通道遥测信号频率内容丰富、降噪困难的问题,提出了一种基于经验模态分解的自适应噪声对消方法。将信号利用经验模态分解(Empirical mode decomposition, EMD)方法分解为一系列本征模态函数(Intrinsic Mode Function,IMF),将第一阶IMF作为参考噪声,并将第二阶以后的IMF分量累加求和,作为待降噪信号,在此基础上利用自适应噪声对消系统完成降噪。该方法克服了直接将高阶IMF作为噪声消除后在降噪和细节信息损失之间的矛盾性问题,可以最大程度保护信号细节信息不受损失的情况下实现良好的降噪效果。计算机仿真和某次飞行器试验实测数据处理结果证明了这一方法的有效性。     

基于变分模态分解的相关能量熵自适应阈值去噪

为有效抑制噪声对地震数据的影响,根据地震信号的时频特性,提出了基于变分模态分解的相关能量熵阈值去噪方法。采用变分模态分解算法将地震信号分解为频率由高频到低频且具有一定带宽的模态分量,计算各模态分量与地震信号的规范化相关系数,实现对各模态分量中的有效信息和噪声的定位。将去除有效信息的各模态分量分成若干子区间,分别计算各子区间的噪声能量熵,选取能量熵最大区间的模态分量系数作为该分量的噪声方差获得该分量的阈值,再将经阈值处理后的各模态分量重构得到去噪信号。通过对合成地震模型和实际地震信号进行去噪处理,并与直接去除高频分量的变分模态分解去噪方法进行了对比,结果表明,该方法能在强噪声环境下更有效地提取地震信号中的有效成分,提高信噪比。     

一种单通道的周期性信号盲分离算法

提出一种针对周期性源信号的单通道盲源分离方法,该方法首先利用希尔伯特变换将单通道的混合信号表示为复数形式后,并用交叉互验技术来估计谐波分量的阶数,然后通过人工蜂群算法优化用于估计基频的代价函数以获得源数、基频及其谐波长度,最后由一种自适应滤波算法来估算源信号的幅值,从而实现了盲源分离的目的.仿真实验结果表明了该方法思路的可行性,且可达到"全盲"的要求.     

传统独立分量分析和变分贝叶斯独立分量分析的比较

通过试验比较了传统的独立分量分析(ICA)和变分贝叶斯独立分量分析(VbICA)在源信号分离中的能力,试验研究表明,无噪声环境下的盲源分离,两种方法都能得到很好的分离性能.然而,噪声环境下的源信号分离,变分贝叶斯独立分量明显优于传统独立分量分析,特别是随着噪声的增强,变分贝叶斯独立分量的优势就越明显.另外,变分贝叶斯独立分量可以估计源信号的数目,而传统独立分量分析往往事先假设源信号的个数已知,否则无法进行源信号分离.     

CEEMDAN自适应阈值去噪算法在地震方向的应用

提出一种基于自适应完备集合经验模态分解(CEEMDAN,complete ensemble empirical mode decomposition with adaptive noise)的自适应阈值去噪算法。含噪信号经CEEMDAN算法分解成若干个模态分量(IMF,intrinsic mode functions),根据样本熵理论,对IMF分量中高频分量自适应选取,根据噪声和有用信息与原始信号的相关性不同,对高频分量中的噪声系数定位,利用能量熵选取噪声主区间,用高频分量中噪声主区间的噪声系数方差作为阈值,对高频分量进行阈值去噪,进一步去除噪声,保留高频中的有用信息,最后将信噪分离的高频分量和低频分量重构。分别对合成和实际地震信号去噪处理,并与常规去噪算法进行对比。数据仿真和实验结果表明,在原始信号信噪比为0.5dB时,常规与改进算法去噪后信噪比分别为4.55dB和9.97dB,大幅提高信噪比,达到随机噪声压制的目的,实现了高频分量的自适应选取和高频分量中有用信息的再提取。     

步态信号采集与分类平台的设计与实现

低成本、易实施、无接触式的步态信号采集与分类平台可为步态的定量评估、智能诊断提供新的研究路径与参考思路。应用改进经验模态分解(empirical mode decomposition, EMD)结合Bagging正则化共空间模式(Bagging regularized common spatial pattern, BRCSP)与Fisher线性判别分析法(Fisher linear discriminant analysis, FLDA)设计了步态信号采集与分类平台。该平台将采集到的步态信号通过改进EMD进行滤波，抑制高频干扰噪声，提取真实、有用的本征模态分量(intrinsic mode function, IMF)进行信号重构，从而得到包含完整、准确步态信息的信号；再通过BRCSP特征提取方法强化步态信号的个体差异性及共同特征，提取出显著的特征分量；最后应用FLDA方法将特征向量映射到低维度空间中并进行步态分类。实验结果表明，该平台能准确分类进入红外、激光检测区域内的不同步态，平均分类准确率达到96.6%。     

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。     

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。     

基于MVMD-MOMEDA的齿轮箱故障诊断方法

针对齿轮箱振动信号受复杂传递路径、强背景噪声的影响导致早期微弱故障难以诊断的问题，提出了一种基于多元变分模态分解(MVMD)和多点最优最小熵反褶积调整(MOMEDA)的齿轮箱故障诊断方法。首先，利用MVMD将融合后的多通道振动信号进行模态分解，得到一系列表征信号局部特征的IMF分量；其次，引入峭度值(Ku),选取最佳模态进行信号重构，剔除含噪声分量高的IMF;最后，对重构信号进行MOMEDA特征提取以识别故障频率，从而进行故障诊断。结果表明，所提故障诊断方法可以有效剔除噪声分量的干扰，识别出信号中的故障冲击成分及其倍频进而确定故障类型。MVMD-MOMEDA方法解决了在单一通道问题上无法处理多源信号的缺点以及早期微弱故障特征难以提取等问题，可为故障诊断和多源信号处理提供参考。     

基于EMD和ISA方法的轨道车辆动态应变信号去工频干扰研究

针对轨道车辆动态应变信号实际通道数量小于源通道,无法直接应用独立分量分析(ICA)方法降噪的问题,提出一种基于经验模态分解(EMD)和独立子空间分析(ISA)的去除工频干扰的方法.首先对信号进行EMD分解得到本征模态(IMF),再对结果进行ICA分析,得到独立分量,然后对独立分量进行层次聚类将原信号分解到不同的子空间中,从而达到分离噪声的目的.实验结果表明该方法降噪效果优于传统滤波算法,处理后的信号损伤值高于带阻滤波值处理结果,使寿命评估结果偏向于安全,证实了将其应用于去除轨道车辆动态应变信号中工频干扰的可行性.     

基于VMD降噪的RV减速器故障诊断

针对RV减速器内部构造复杂、采集到的振动信号受噪声影响严重及低频故障特征难以提取的问题,提出一种基于小波降噪结合变分模态分解(Variational Modal Decomposition, VMD)的故障诊断方法。首先利用小波降噪法对含噪声的振动信号进行降噪;再通过变分模态分解得到不同频率范围的模态分量(Intrinsic Mode Function, IMF),计算各目标分量的峭度值和信噪比,选出目标分量并进行快速傅里叶变换(Fast Fourier Transform, FFT);最后通过减速器模数确定特征频率,可以准确定位RV减速器的故障点。结果表明：该方法较传统的频谱分析可以更有效地提取故障信息,解决了噪声干扰、低频信号调制等问题。