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.     

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.     

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。      

基于拉普拉斯正态混合分布概率密度函数估计的语音分离算法

由拉普拉斯分布概率密度函数推导得出的符号函数作为语音信号分离算法中的激活函数,目前广泛应用在基于独立分量分析的语音分离算法之中.为了提高语音分离算法的收敛速度以及分离性能,提出把拉普拉斯正态混合分布概率密度函数作为语音信号概率密度函数的估计,得到一个更加适合语音信号分离的激活函数,基于此函数提出一种快速语音分离算法.把推导出的激活函数应用于独立分量分析(ICA)的自然梯度算法中进行计算机仿真实验,可验证本文算法的收敛性能和分离性能.     

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。     

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.      

基于经验模态分解的机械故障欠定盲源分离方法

针对传统的机械故障源分离方法限于非高斯、平稳和相互独立的源信号, 且传感器的观测数多于源数, 机械故障源信号通常不易满足这些假设的局限性, 提出了一种基于经验模态分解的机械故障欠定盲源分离方法.该方法对混合观测信号进行经验模态分解, 然后重组本征模函数分量作为新的观测信号进行盲源分离, 仿真和实验结果表明, 该方法是有效的.      

盲源分离及盲信号提取的研究进展

盲源分离和盲信号提取是从观测信号中恢复源信号的有效方法,目前已成为信号处理领域的研究热点。介绍了盲信号处理的数学模型,给出盲源分离与盲信号提取的基本思想,阐述了各方法的原理、特点及性能,并对它们之间的区别与联系进行分析,最后指出盲源分离及盲信号提取的发展方向。     

基于小波变换的 ICA盲源分离算法

针对ICA算法不能直接应用于单通道盲分离的问题,提出了基于小波变换的ICA盲源分离算法。该算法结合小波变换对基于信息论的ICA算法进行了改进并应用在单通道盲分离中。仿真结果给出了分离后信号的波形,经检验其相似程度,分离后信号的波形与源信号的波形较为接近。     

基于周期FRFT的多分量LFMCW雷达信号分离

 多分量线性调频连续波(LFMCW)信号的截获和特征提取是雷达情报侦察的难点,为了实现对多分量LFMCW信号的快速检测和有效分离,提出了一种基于周期分数阶Fourier变换(PFRFT)的多分量LFMCW雷达信号分离新方法。首先介绍了PFRFT,分析了PFRFT和FRFT之间的关系,讨论了LFMCW信号的PFRFT特征。然后给出了一种离散PFRFT的计算方法,结合周期分数阶Fourier域(PFRFD)的窄带滤波和CLEAN算法实现了多分量LFMCW信号的分离。仿真结果表明:①PFRFT的计算效率较周期Wigner-Hough变换(PWHT)具有明显优势;②LFMCW信号分量在特定PFRFD中具有能量峰值,分离后能较好保留时频特征;③当两个LFMCW信号分量的功率相差较大时,适合在PFRFD分离,反之适合在时域分离;④当信噪比(SNR)为0 dB时,两个具有相同功率的LFMCW信号分量分离后,与初始信号分量的相关系数都达到了0.9以上。