盲信号分离算法及其在机械故障诊断中的应用方法研究

发布时间：2020-03-31 13:26

【摘要】： 盲信号分离技术是现代信号处理领域的一个新的研究热点。目前,盲信号处理技术己被应用于语音、图像、通讯、医学、机械故障信号处理,以及数据挖掘等诸多领域中。如此广阔的应用前景,使得关于盲信号分离问题持续不断地得到了国内外专家学者的广泛关注。然而,该方面的研究还没有达到完全解决工程问题的程度。因此本研究将盲信号分离算法及其在工程中的应用作为核心主题。 针对瞬时线性混合和非线性混合情况下盲信号分离算法中存在的一些问题,本文对盲信号分离技术的理论、算法及在旋转机械故障诊断中的应用进行了较深入的探讨。主要工作内容和研究结论如下: 1)系统分析总结了国内外在盲源分离及相关方面的最新研究成果和最新进展,对盲信号分离的定义、原理、结构、算法、相关应用问题及研究现状和发展水平进行了较为系统的研究和探讨。 2)针对线性瞬时混合情况,提出了基于瞬时混合模型的最大信噪比分离算法。仿真实验表明,该算法具有较低的计算复杂度,可以有效恢复存在亚高斯信号的源信号,也可以有效恢复超高斯分布的语音信号。 3)针对非线性瞬时混合情况,提出了一种基于RBF神经网络的非线性混合信号的盲分离方法。该方法利用RBF网络的拟合误差和预测误差较小,而且收敛速度较快,算法较简便等优点,把RBF神经网络应用于非线性混合信号的盲分离。研究表明,该方法能很好的实现信号分离,具有很好的鲁棒性。 4)针对在基于BSS的机械源分离过程中,所获得的测量信号往往被过程噪声所污染问题,提出了基于小波消噪和盲源分离的方法。实验表明,对于受噪声影响的机械源分离,基于小波消噪的盲源信号分离比通常直接进行盲源分离更有效提取转子振动故障的本质信号特征。 盲源分离理论是一个正处于发展中的理论,如何更好地将其应用在故障诊断领域,仍然是今后值得深入研究的重要方向之一。
【图文】：

2.4仿真实验下面是盲信号分离的一个仿真实验，验证在本章所述的一般条件下是可以实现盲信号分离的。源信号是四个如图2.2所示的语音信号，，采样频率fs一8kHz，数据长度M=加00，且相互间统计独立。随机产生的混合矩阵为A=【 0.950130.591290.52140 0.92181;0.231130.762090.444700.73820;0.606840.4456460.615430.17626;0.48598 0.018500.791930.40570}。观测数据是源信号经过瞬时混合产生的信号，如图2.3所示。对混合数据分别采用基于信息论量的Infomax分离算法和基于二阶统计量的JADE算法，结果分别如图2.4和图2.5所示。图2.4和图2.5分别是利用基于信息论的Infomax算法和基于二阶统计量的JADE算法得到的分离结果，图2.6和图2.7列出了两种算法下源信号与对应输出信号的相似系数。!!!!!!!!!!!!!!!!!!!!!lllllllllllllllllll1喇 喇卿卿 .卿.墩 墩 墩 lllll}}}}}二 二 二二 二 0500100015002000划瞥 (((((__f:{洲 洲 iiiii卿枷 枷一 一一呀丁一“’，1一’

图3.5Fast1CA算法分离信号表3.1三种算法相似系数和运算时间本本本节算法法Infomax算法法FastICA算法法{‘·00000·0000111{0·0362‘·0000111{0·o‘77‘·00【【【0·02041·0000」」11·00000·0010」」【1·00000·002/sss0.06660.23331.1222:选用4个语音信号做为源信号(四个源信号是4个不同的人说H采样频率为16kHz，采样点6000。在实际情况下源信号是不可测离结果作比较，我们首先将其波形绘出，如图3.2(a)所示。从左至给出混合阵:
【学位授予单位】：兰州理工大学
【学位级别】：硕士
【学位授予年份】：2009
【分类号】：TN911;TH17

【引证文献】

相关期刊论文 前1条

1 李悦;黄晋英;杨晓霞;;基于盲源分离的齿轮箱故障诊断[J];煤矿机械;2012年03期

相关硕士学位论文 前1条

1 刘委;遗传算法与RBF神经网络融合技术应用于微车后桥故障诊断[D];武汉理工大学;2013年

本文编号：2609133