机械振动源的分离和识别方法方法研究

摘要

机械系统振动信号是各个振动源信号和噪声以不同方式的混合，借助现代信号处理理论和方法分离振动源信号能有效提取故障特，从而提高故障诊断的准确性。因此，机械系统振动源的分离和识别对于机械系统的状态监测与故障诊断具有重要的理论意义和实用价值。本文结合国家高技术研究发展计划项目（863计划，2008AA04Z410）-“超临界、超超临界大型汽轮机发电机组状态监测与故障诊断技术及其系统研究”和国家自然科学基金项目(编号50675194)-“机械振动本底源信号半盲分离与重建方法的研究”，对机械系统振动源的分离和识别方法开展研究。论文主要研究了机械系统振动源的盲分离和识别方法，结合盲源分离理论分析了机械系统振动源及其传播特性并阐述了盲源分离方法在机械振动源的分离和识别中急须解决的源数估计、相关振动源的盲分离和识别、观测信号数小于振动源数时振动源的盲分离和识别和如何先验知识在振动源盲分离和识别中的应用等问题，针对上述问题开展了相应的研究，提出了一种单观测振动信号的源数估计方法、一种相关振动源的分离和识别方法、一种单观测振动信号的盲分离和识别方法和一种基于参考源约束的振源半盲分离和识别方法，并进行了仿真和实验验证。本文主要的研究工作包括:
　　第1章概述了机械系统振动源的分离和识别在机械系统状态监测和故障诊断中的重要性，综述了机械系统振动源的分离和识别技术的国内外研究现状，分析了现有机械振源分离与识别方法存在的问题，论述了应用盲源分离技术进行机械振动源分离和识别的必要性和重要性。综述了盲源分离技术及其在机械振动源的分离和识别领域的国内外研究现状，提出了基于振动源盲分离和识别的机械故障诊断架构。最后根据机械振源的盲源分离和识别中存在的源数估计问题、相关源的分离和识别问题以及先验知识的应用问题，给出了本文的选题背景、主要研究内容、总体架构和技术路线及创新点。
　　第2章根据盲源分离理论，从统计独立性的角度分析了机械系统中“源”的概念，给出了一种机械系统振动源的盲分离和识别中源信号的定义（本底振源）。以齿轮箱为例，研究了机械系统中振动源产生的机理及其传播和混合特性，分析了机械系统中本底振源的来源和特性以及振动模型。研究了现有的机械振动源的分离和识别方法，分析了存在的问题，提出了机械振动源的盲分离和识别的体系架构。
　　第3章分析了机械系统振动观测信号数与振动源数之间的关系，研究了不同关系下的源数估计方法，分析了这些方法在估计机械系统中振动源数时存在的问题。针对机械系统振动观测信号小于振源数的情况，提出了一种基于EMD分解的单观测振动信号的源数估计方法。新方法通过对单观测振动信号的EMD分解，构造虚拟的多维观测信号，将欠盲定的源数估计问题转化为一般的源数估计问题;再利用虚拟观测信号相关矩阵的特征值，用BIC方法确定虚拟观测信号中信号子空间的真实维数实现振动源数的估计。仿真和实验验证了该方法的有效性。
　　第4章分析了机械振动源的统计特性，研究了源相关性对传统盲源分离方法的影响;分析了传统盲源分离方法在机械振动源的分离和识别中存在的问题，针对机械系统中存在相关振动源的问题，提出了一种基于小波包分解的相关机械振动源的盲分离和识别方法。新方法利用独立的局部观测信号估计分离矩阵，从而能够实现相关机械振动源信号的分离和识别，弥补了传统盲源分离方法无法有效分离和识别相关振动源的不足。仿真试验验证了新方法的可行性和有效性。
　　第5章分析了机械振动源的分离和识别中观测信号数小于振源数的主要原因，研究了单观测信号的盲源分离和识别的一般方法，分析了用小波分解构造虚拟观测信号局限性，研究了EMD方法并探讨了其构造虚拟振动观测信号可能性及其优势;针对振动观测信号数小于振动源数的问题，提出了一种基于EMD分解的单观测振动信号的的盲源分离和识别方法，用单观测振动信号EMD分解得到的IMF估计观测信号中源的个数，依据估计的源数选择合适的IMF和原始观测信号共同组成多维虚拟观测振动信号，从而将单观测的盲源分离问题转化为标准的盲源分离问题;用传统的盲源分离方法实现单观测的盲源分离。实验验证了新方法的可行性和有效性。
　　第6章研究了CICA方法和ICA-R方法，深入分析了ICA-R方法的性质及其性能的影响因素，分析了一般机械振动源的盲分离和识别方法的不足之处，针对一般机械振动源的盲分离和识别方法先全部分离后识别的问题，提出一种基于参考源约束的机械振动源的半盲分离与识别方法;用目标振动源的先验知识构造参考源信号，通过接近性测度设定阈值在ICA方法增加不等式约束，同时实现机械振源分离和识别;针对参考源信号构造和阈值的设定问题，提出了机械振源的ICA-R分离和识别改进方法，用源信号的先验知识构造一组不同相位的参考源信号，然后将不等式约束转化为接近性测度的最优化问题，通过求解对照函数和接近性测度的极值同时实现最优参考信号的选择、阈值的自适应设定以及目标振动源信号的分离和识别。实验验证了该方法的有效性。
　　第7章总结了全文的主要研究成果和创新之处，并展望了今后的研究工作。

目录

声明

致谢

摘要

第1章 绪论

1．1 引言

1．2 机械振动源的分离与识别技术研究现状

1．2．1 时域分离与识别方法

1．2．2 频域分离与识别方法

1．2．3 时频分离与识别方法

1．2．4 现有机械振动源的分离与识别技术的局限性分析

1．3 盲源分离方法的研究现状

1．3．1 盲源分离

1．3．2 BSS方法的分类

1．3．3 盲源分离方法的研究现状

1．4 BSS方法分离和识别机械振动源的研究现状

1．5 基于源分离的机械故障诊断架构

1．6 选题背景和研究内容

1．6．1 选题背景

1．6．2 研究内容

1．6．3 论文的技术路线和总体结构

1．6．4 论文的创新点

第2章 机械系统振动分析及源分离和识别体系架构研究

2．1 引言

2．2 机械系统振动源及混合机理研究

2．2．1 机械系统振动源特性研究

2．2．2 机械振动源的传播和混合机理研究

2．2．3 机械系统振动模型

2．3 振动源分离和识别方法研究

2．3．1 时域平均法

2．3．2 相关分析方法

2．3．3 频谱分析法

2．3．4 相干分析法

2．3．5 倒频谱分析

2．3．6 小波分析

2．3．7 经验模式分解

2．3．8 不同方法的分析比较

2．4 机械振源的盲源分离与识别体系架构

2．5 本章小结

第3章 机械振动源的源数估计方法研究

3．1 引言

3．2 观测信号数大于源数的源数估计方法研究

3．2．1 基于特征值的源数估计方法的原理

3．2．2 基于特征值的源数估计方法研究

3．3 观测信号数小于源数的源数估计方法研究

3．3．1 基于源信号稀疏特性的源数估计方法

3．3．2 基于FFT的源数估计方法

3．3．3 基于非负矩阵分解的源数估计方法

3．4 基于EMD的单观测振动信号的源数估计方法

3．4．1 机械振源的特性分析

3．4．2 经验模态分解(Empirical Mode Decomposition，EMD)方法

3．4．3 基于EMD的单观测振动信号的源数估计方法

3．5 新方法的试验研究

3．5．1 BIC方法的验证试验

3．5．2 新方法的仿真试验

3．5．3 实际单观测振动信号的源数估计试验

3．6 本章小结

第4章 相关机械振动源的盲分离方法研究

4．1 引言

4．2 机械振源分离和识别的相干分析法研究

4．2．1 相干函数

4．2．2 基于相干分析的振源分离和识别方法

4．2．3 基于相干分析的振源识别方法的局限性分析

4．3 盲源分离的基本原理与算法

4．3．1 盲源分离的基本原理

4．3．2 信号统计独立度量

4．3．3 盲源分离方法的算法实现

4．4 相关源的盲源分离的理论与方法研究

4．4．1 源信号相关性的影响分析

4．4．2 基于子带分解的相关源分离方法

4．4．3 现有基于子带分解的相关源分离方法的局限性分析

4．5 基于小波包分解的相关振源分离方法

4．5．1 小波包分解

4．5．2 独立子带的选择和重构观测信号

4．5．3 分离矩阵估计和源信号分离

4．5．4 基于小波包分解的相关振源分离算法流程

4．6 仿真试验研究

4．7 本章小结

第5章 单观测振动信号的盲源分离和识别方法研究

5．1 引言

5．2 单通道观测盲源分离方法研究

5．2．1 虚拟观测信号的构造

5．2．2 独立分量分析方法

5．2．3 源信号重构准则

5．2．4 基于小波分解的单观测盲源分离方法

5．3 EMD的理论与算法

5．3．1 EMD的基本原理

5．3．2 EMD方法的性质

5．3．3 EMD的算法流程

5．4 基于EMD的单通道振动信号盲分离方法

5．4．1 源数估计

5．4．2 贝叶斯信息论准则

5．4．3 基于EMD的单观测振动信号盲源分离方法

5．5 仿真研究

5．6 本章小结

第6章 机械振动源半盲分离和识别方法研究

6．1 引言

6．2 机械振动源的盲源分离与识别方法

6．2．1 机械振动源的盲源分离与识别方法的基本框架

6．2．2 局限性分析

6．3 CICA的基本原理

6．3．1 信号模型

6．3．2 源信号的盲源分离和识别

6．3．3 CICA方法的原理

6．3．4 CICA方法的实现流程

6．4 ICA-R的理论与方法研究

6．4．1 ICA-R的对照函数

6．4．2 ICA-R方法的原理

6．4．3 快速ICA-R方法及其算法实现

6．4．4 ICA-R方法性质的探讨

6．4．5 ICA-R方法的仿真研究

6．5 基于参考源约束的机械振动源半盲分离和识别方法

6．5．1 参考源信号的构造

6．5．2 接近性测度的选择

6．5．3 阈值的设定

6．5．4 机械振源的ICA-R分离和识别方法

6．6 仿真试验研究

6．6．1 仿真信号试验

6．6．2 实际振动信号试验

6．7 本章小结

第7章 机械振源的盲源分离和识别系统研发

7．1 引言

7．2 需求分析

7．3 机械振源盲分离和识别系统的总体结构设计

7．3．1 数据采集子系统

7．3．2 振动源分离和识别子系统

7．4 系统开发环境

7．5 系统开发的关键技术

7．6 本章小结

第8章 结论与展望

8．1 总结

8．2 展望

参考文献

作者简历及在学期间所取得的科研成果