基于盲分离理论的设备动态信号特征提取方法

摘要

机械设备工作现场通常环境恶劣，从传感器采集到的信号是含有其他噪声的混合信号，有效的故障特征往往被淹没，使故障难以诊断和识别。本文以旋转机械为研究对象，研究基于盲源分离理论的机械设备振动信号特征提取方法。
　　首先介绍了盲源分离理论(Blind Source Separation,BSS),它在源信号完全未知的情形下，通过独立成分分析算法（Independent Component Analysis,ICA）从混合信号中估计出源信号。其次介绍了 ICA和约束独立分量分析算法（constrained Independent Component Analysis,cICA）。通过数值仿真实验研究了ICA和cICA的特性。实验表明：cICA将ICA算法和研究对象固有特性相结合，它分离效果优于ICA算法。另外，讨论了对cICA算法的参考信号的构造方法，分析了参考信号的参数对观测信号的分离结果的影响。
　　为了解决单通道观测信号应用BSS算法的欠定问题，研究了经验模式分解、总体经验模式分解、频率切片小波变换以及变分模态分解的信号分解方法，研究结果表明，变分模态分解方法（Variational Mode Decomposition,VMD）可以将单个具有多分量的信号自适应地分解为多个固定模态分量，分解精度高且分解层数较少，可有效解决模态混叠问题，增强特征识别的能力。
　　为了解决单通道盲源分离的源信号选择问题，研究了一种采用奇异值分解的源数估计方法，该方法可有效地估算出选取分量的个数。然后，用原始信号与分解分量的马氏距离选出最优分量，通过盲源分离方法分离出故障特征分量。实验表明，这种可有效排除信号与信号之间相关性的干扰。
　　研究了一种基于cICA的单通道盲源分离方法，该算法对单通道观测信号进行VMD分解，通过观测信号进行源数估计选取最优分量。研究了基于分量包络的cICA单通道盲源分离方法,在对信号进行VMD分解之后，提取各个分量的包络作为cICA输入的观测信号向量，从而分离出理想设备故障特征信息。将此两种方法分别应用于滚动轴承故障诊断，可以有效地提取出滚动轴承的故障特征，但基于分量包络的cICA单通道盲源分离方法更加有效。
　　单通道盲源分离方法仅使用了单个传感器采集的信号，忽略了传感器之间的差异，来自多个传感器的信号能够提供丰富的信息，有利于分离更加有效的故障特征。提出了一种基于双通道信号的cICA盲源分离方法，在各个通道信号进行VMD分解之后，提取各个分量的包络作为cICA输入的观测信号向量，从而分离出设备故障特征信息。应用于发电机轴瓦松动故障和机车轴承复合故障诊断，有效地提取了故障特征。

目录

声明

第一章 绪论

1.1选题背景及研究意义

1.2盲源分离理论与发展现状

1.3盲源分离在机械故障识别中的发展现状

1.4 论文的主要内容及章节安排

第二章 盲源分离技术理论与方法

2.1引言

2.2独立成分分析算法

2.3约束独立分量分析算法

2.4 本章小结

第三章 基于预处理的单通道盲源分离

3.1 引言

3.2基于预处理的单通道盲源分离算法

3.3几种预处理算法

3.4 预处理算法分离效果对比

3.5 盲信号的源数估计方法

3.6 单通道的奇异值源数估计方法

3.7 工程应用

3.8 本章小结

第四章 基于约束独立分量分析的单通道盲源分离

4.1引言

4.2基于cICA单通道盲源分离原理

4.3基于分量包络的cICA单通道盲源分离原理

4.4工程应用

4.5 本章小结

第五章 基于双通道信号的cICA盲源分离

5.1 引言

5.2基于双通道信号的cICA盲源分离原理

5.3 工程应用案例分析

5.4 本章小结

第六章 总结与展望

参考文献

攻读硕士学位期间取得的研究成果

致谢