张量秩-（L r ,L r ,1）分解算法在机械故障盲源分离中的应用

发布时间：2021-09-03 21:27

　　当源信号不满足统计独立的假设,或者观测通道数少于源信号数时,经典的盲源分离方法如独立分量分析的处理效果很差。提出了一种基于张量分解模型的盲源分离算法,该方法将观测信号分解为一系列由源信号拟合的有理函数。将观测信号的每一个通道映射为L?wner矩阵并堆叠形成三维张量数据;根据L?wner矩阵的秩和源信号拟合多项式阶数的对应属性,通过张量秩-（L_r,L_r,1）将张量唯一地分解为由源信号的L?wner矩阵表示的前2个模式和由相应的混合向量表示的第3个模式,从而准确地分离出不同源信号;通过数值仿真实验和实测轴承混合故障的盲信号分析,证明了该方法在盲源分离的优良性能。 

【文章来源】：机床与液压. 2020,48(15)北大核心

【文章页数】：5 页

【部分图文】：

三维张量的Tucker分解示意

则3个源信号的阶数都为2,分别有一对共轭极点0.2±0.04j、0.5±0.06j和0.7±0.2j。通过随机数法生成混合矩阵为M=[10,11,12;15,17,20],将3个源信号混合到2个观测通道中,同时在信号中加入信噪比为5的高斯白噪声N。仿真信号如图2所示。由图2(c)可知,有用的信号特征淹没在强背景噪声中,信号特征无法辨别。采用本文作者提出的方法对该混合信号进行盲源分离,并选择EMD-ICA和WT-ICA等构建虚拟通道联合方法观测并对比分析。

在EMD-ICA的分析中,首先将被观测的2个通道信号通过EMD分解得到的若干IMF分量相加,构建虚拟的第3个观测通道,从而满足ICA的正定要求,随后用ICA对获得的三通道信号进行分离,分离结果如图3所示。从图3中可看出,分离出的3个信号的特征非常不明显,且背景噪声仍然较强,无法识别源信号的特征成分。在WT-ICA的分析中,小波母函数选用db8,分解层数为3层,将2个观测通道分解成的第3层累加组成虚拟的第3个观测通道,然后用ICA进行分离,分离的结果如图4所示。可以观察到信号的降噪效果较好,但是源信号的特征信息(极点)仍然难以识别,因此该方法的盲源分离效果不佳。

【参考文献】：
期刊论文
[1]基于局域均值分解的机械故障欠定盲源分离方法研究[J]. 李志农,刘卫兵,易小兵.  机械工程学报. 2011(07)
[2]基于经验模式分解的单通道机械信号盲分离[J]. 毋文峰,陈小虎,苏勋家.  机械工程学报. 2011(04)
[3]基于独立分量分析的消噪方法在旋转机械特征提取中的应用[J]. 季忠,金涛,杨炯明,秦树人.  中国机械工程. 2005(01)



本文编号：3381882