齿轮故障识别的密度峰值聚类欠定盲源分离算法

为提高盲源分离算法在振动源数目估计问题中的噪声鲁棒性，提出了一种基于密度峰值聚类的欠定盲源分离算法。对预处理后的信号提取单源点，通过密度峰值聚类对单源点进行聚类得到混合矩阵的估计值。通过基于压缩感知模型对源信号进行重构，得到分离信号。为验证所提算法分离准确性和噪声鲁棒性，用所提算法对不同信噪比下的仿真信号进行分离，结果显示：在信噪比不低于4 dB时，所提算法均可以准确分离出源信号，算法的准确性和鲁棒性得到验证。设计旋转部件故障诊断试验台对所提算法在实际应用中的有效性进行验证，对实测复合故障振动信号进行分离，试验结果表明该算法成功分离出观测信号中的锥齿轮和行星齿轮单一故障特征，有助于工程中旋转部件故障诊断。     

基于优化信噪比算法的航空发动机振动信号分离

为克服噪声对航空发动机振动信号的影响,提出一种优化信噪比的航空发动机振动信号分离方法,其通过建立时延自相关目标函数,对最大信噪比盲源分离算法进行优化。利用该方法,对航空发动机仿真混叠振动信号进行分析,分离后的信号频谱与源信号一致;对具有故障的实测航空发动机振动信号进行分离,成功分离出不同故障的振动特征。本文提出的方法为航空发动机振动信号的监测和故障诊断,提供了一种新的思路。     

航空发动机混叠振动信号的欠定盲源分离方法

针对传统欠定盲源分离方法难以有效处理具有时间延迟效应的发动机混叠振动信号分离问题,采用稀疏分量分析法研究了一种时间延迟混合信号的欠定盲源分离方法。该方法通过对混合信号的频域模值的线性聚类分析实现源数目及衰减矩阵的估计,并通过恢复混合信号的频域实部在混合空间的聚类性推断出时间延迟矩阵。实验结果表明,该方法在欠定条件下(传感器个数小于振动源个数)能够有效地将发动机混叠振动信号按照不同的激振源进行分离。     

基于Hilbert-Huang变换和盲源分离的滚动轴承耦合故障诊断方法

结合Hilbert-Huang变换和盲源分离的优点,提出一种基于Hilbert-Huang变换和盲源分离的滚动轴承耦合故障诊断方法。该方法首先对滚动轴承故障信号进行EMD分解（经验模态分解）,得出各个本征模态函数IMF,并对IMF进行包络解调,然后用盲源分离方法对所得到的解调信号进行盲源分离,最后对盲分离后的信号进行频谱变换,从频谱图上可以清晰地观察出滚动轴承的故障特征频率。本文建立了转子-滚动轴承故障实验台,模拟了滚动轴承耦合故障,应用本文方法进行了实例分析,结果充分表明了本文方法较单一Hilber-Huang变换具有更好的降噪能力,更加突出了滚动轴承故障特征。     

基于独立分量分析的航空发动机振动信号盲源分离

阐述了基于峭度的盲源分离开关算法,对仿真信号进行分离,验证了该算法的可行性.并将该算法与FFT分离法结合,对某型双转子航空发动机高、低压转子实测振动信号进行了盲源分离实践,取得了很好的分离效果,从而为双转子发动机振动监测与故障诊断提供了一种可行的信号处理方法.     

基于核函数的后置非线性盲源分离算法在铁磁材料缺陷检测中的应用研究

磁记忆信号检测是分析铁磁材料缺陷和缺陷定位的一种有效方法。由于检测环境噪声、缺陷磁记忆信号弱以及缺陷位置重合引起的信号抵消等原因，易导致传感器采集到的是多维混合磁记忆加噪声复杂信号，体现出较强的盲特性。如何从观测信号中提取有效缺陷信号是分析缺陷类型及定位的关键，传统的降噪方法无法从混合磁记忆观测信号中有效分离缺陷特征信号。文章提出基于核函数的后置非线性盲源分离算法对地下埋管磁记忆信号进行分离，通过与经典盲分离算法Fast ICA进行算法性能比较，表明新算法能够较好地从混合信号中提取有效缺陷特征。     

转子振动故障信号的盲分离

介绍了盲源信号分离基本原理。基于最小化互信息原理,建立了用独立分量分析方法估计分离矩阵的加速梯度法,并给出了实现步骤。利用所建立的方法进行振动信号盲源分离的数值仿真,分离后的信号波形与源信号一致。对具有故障的实际转子进行多传感器信号采集并进行盲分离,不同故障的特征被分离开来。分析实例体现了所建立的方法在盲源信号分离中的有效性和对转子故障分离的实用性。      

飞机发动机混沌振动信号盲分离检测方法

发动机混沌振动信号携带着丰富的状态信息,依据混沌振动信号进行状态监测及故障诊断是一种很有前途的技术手段,但由于混沌信号具有伪随机特性及在低频段具有宽频谱等特点,使得传统的方法很难将其从振动信号中分离。在提取混沌振动信号方面,使用快速独立分量分析（Fast ICA）盲分离方法分离出飞机发动机振动信号中的混沌信号。利用功率谱和Lyapunov指数（LE）方法进行了判定,根据计算结果对发动机状态做出判断,验证了盲分离方法分离混沌振动信号的有效。盲分离检测混沌振动信号的方法不仅使依据混沌信号判断飞机发动机状态成为可能,也为利用混沌信号进行状态预测和控制提供了一种方法。     

基于位势函数的欠定盲源分离识别诊断方法

对观测器数目小于源信号数目的欠定盲源分离进行了研究,提出了一种基于位势函数的稀疏信号欠定盲源分离方法,该方法从能量的观点出发,通过构造位势函数,将寻找混合信号在直线方向上的聚类问题转化为寻找累积位势函数的局部极大值问题,从而准确的估计出源信号数目和混合矩阵,克服了通常的基于k-means聚类的混合矩阵估计法需预先给定源信号数目的缺点.利用仿真信号检验了该方法的有效性.基于信号频域稀疏性假设,将该方法应用于欠定条件下的滚动轴承振动故障信号的盲分离,较好地分离出了故障信号.      

APSO算法在语音信号盲源分离中的研究

将自适应粒子群优化（Adaptive Praticle Swarm Optimization）算法运用到语音信号的盲源分离中,以峰度为目标函数,通过自适应调整惯性因子,克服了收敛速度和分离效果之间的矛盾,最终实现盲源分离。该算法避免了传统的优化算法自然梯度法稳定性差、易于陷入局部最优的不足。通过比较仿真结果和性能指标可以看出,APSO算法提高了收敛速度,改善了分离性能,表明了该算法在实现语音信号盲源分离中性能的优越性。     

基于三阶累积量的转子振动信号降噪方法研究

本文根据信号分离理论研究了发动机转子系统振动信号的降噪问题。当转子系统发生轻微碰摩时 ,由于振动信号中含有瞬时突变的微弱高频信息 ,这可能与高频随机噪声的频带互相叠加 ,所以利用传统的滤波方法不能有效地去噪 ,为碰摩故障诊断带来了困难。本文利用基于高阶累积量的盲信号分离方法 ,设计了相应算法 ,成功地从被噪声污染的信号中恢复源振动信号 ,从而可确保碰摩故障的检测和诊断能顺利进行     

航空发动机振动信号盲分离研究

根据航空发动机振源信号的相互独立性,阐述了利用盲分离技术对航空发动机振动信号进行分离的原理和实现.利用Fast ICA算法对某型涡轮风扇发动机转子产生的振动信号进行了盲分离实践.     

基于软件无线电的机会信号实时盲分离系统

在复杂的电磁环境中,往往存在多种频率交叠的机会信号,为利用机会信号进行定位增加了难度。针对这个问题,提出了一种基于软件无线电的机会信号实时盲分离系统。系统的硬件部分是在FPGA中实现等变自适应盲分离算法的,实现了AD采集后的复数域混合信号的分离。分离后的信号通过USB3.0数据线上传到上位机中进行存储、识别和实时显示。算法的FPGA实现采用流水线架构和浮点运算设计来提高信号的实时处理能力和数据计算精度。实测结果表明,该系统能够实时分离多路复数域混合机会信号。     

一种基于时频分析的欠定盲源分离算法

针对欠定盲源分离,提出了基于时频域信源数估计的盲源分离算法。通过短时傅里叶变换将信号变换至时频域进行分析。在混合矩阵估计环节,根据源信号稀疏性的假设,在时频域利用信号的时间频率比,确定与源信号对应的混合向量。在混合向量聚类过程中,利用同类向量间的距离以及向量不同聚类间的解析度,提出一种信源数估计方法,解决了在聚类算法中假设信源数已知的问题。在源信号分离环节,利用时频子空间中接收信号相关矩阵对角线元素与剩余元素的比值,提出一种子空间信源数估计算法,通过确定信源数,将子空间中欠定模型转换为超定或正定模型,以完成源信号分离。仿真证明算法对混合矩阵估计的正确性以及信号分离的可靠性。     

压气机内部噪声特征与转子叶片声固耦合机理分析

航空发动机压气机转子叶片故障多由机械激励和气动激励造成，而高强声波对转子叶片的激振因素不容忽视。通过开展某型涡扇发动机压气机内部噪声测试试验，研究压气机转子叶片振动机理及其与噪声信号的对应关系。阐述了压气机内部旋转不稳定性非定常压力波作用机制，提出了基于刚性壁声波导管技术的导出式噪声测量方法，完成了某型涡扇发动机压气机内部噪声信号测试，对噪声信号进行了频谱分析和声传播特性分析。研究结果表明，某型涡扇发动机压气机内部噪声信号频谱呈现高峰值纯音分量1 402 Hz，并且该纯音分量与转子叶片通过频率呈现特定的频率组合关系。该纯音分量的噪声源在压气机内部沿发动机顺航向方向从后向前传播。利用旋转不稳定性理论，将声源频率在不同坐标系下进行转换，当噪声源周向模态数为13时，该纯音分量可调制出与高压一级转子叶片一阶振动频率相对应的激振频率。     

电控旋翼低频面内谐波噪声主动控制试验

为降低旋翼低频面内谐波噪声,以电控旋翼(ECR)综合试验系统为平台,开发了相应的噪声测试与控制系统,并提出了电控旋翼噪声频域自适应主动控制方法。在此基础上,开展了悬停状态下的低频面内谐波噪声闭环主动控制试验。试验中,襟翼控制频率为10Hz以桨尖平面内传声器所测噪声作为闭环反馈,另两个位置处传声器所测噪声作为监测量,同时对桨毂位置处的振动水平进行监测。施加主动控制后,控制系统历时约5s达到稳态,收敛速度较快且收敛过程无明显超调;最大可降低桨盘平面传声器位置处的低频面内谐波噪声为9.4dB,桨毂位置处旋翼通过频率振动水平则略有增大。试验结果表明该噪声测试与控制系统可有效实现电控旋翼低频面内谐波噪声控制,同时也验证了频域自适应算法用于减小低频面内谐波噪声的可行性及有效性。      

斜下降旋翼桨涡干扰声源定位及表面压力

旋翼桨-涡干扰（BVI）是直升机在进场和离场等近地飞行时后行桨叶切割前行桨叶脱落桨尖涡产生的气动扰动，该扰动不仅对桨叶表面压力载荷产生激励作用，同时也会引起旋翼噪声出现激增，旋翼噪声激增的主要成分为桨-涡干扰噪声。本文首先对斜下降桨-涡干扰状态桨叶表面载荷进行数值计算；然后分别阐述了基于改进整周期同步平均旋翼噪声去噪方法、基于多层小波包分解的桨-涡干扰声源识别和分离方法以及基于bartlett时延计算和球面插值的声源定位方法，设计并开展了风洞斜下降状态桨-涡干扰桨叶表面压力和声源定位试验，给出了开发的声源定位软件界面、声源定位图像畸变校准方法及声阵列现场校准方法；最后对比分析了不同试验状态的桨-涡干扰噪声声源特性以及和桨叶表面压力之间的关联性，并给出了声源定位及表面压力试验数据分析结果。结果表明典型斜下降状态后行侧桨-涡干扰主要出现在方位角310°~330°、径向位置1.6~1.8 m桨盘平面区域。