论文部分内容阅读
随着机械制造业的发展,机械设备的状态检测和故障诊断问题越来越受到重视。但是由于现代设备的结构复杂性和工作集成性,传统信号处理方法很难精确的从混合信号中提取出故障特征,而盲源分离方法能够仅利用观测信号的统计特性恢复出各个信号源,进而选择某个或某几个振源信号进行进一步分析,因此逐渐成为多个领域的研究热点之一。本文对于盲源分离方法及其在机械设备故障诊断领域中的应用展开了深入的研究,主要工作如下:1.在详细分析了EMD方法中分解能力不足及模态混叠现象的基础上,针对机械故障诊断领域中的单通道信号难以应用盲源分离方法的难点,提出了一种EMD-ICA方法用以单通道故障信号的特征提取及种类识别,并给出了EMD-ICA过程特征信息和EMD-ICA估计子带特征信息定义,选取表征故障成分明显的特征信息作为概率神经网络的输入,实现了对不同故障的识别与分类。此方法解决了机械故障信号中经常遇到的ICA欠定性问题,减小了由于特征信息的弱区分度和冗余造成的分析误差,减少了神经网络的计算量,提高了特征提取及故障分类精度。2.在深入研究了相空间理论及时间结构ICA的基础上,针对常规信号处理方法无法识别和提取机械早期微弱故障的难题,提出了相空间重构ICA和峭度贡献系数方法用于提取单通道微弱故障信号的特征信息。在该方法中重构了一个包含早期故障信息的相空间,选取相空间向量作为ICA算法的输入,按照峭度阈值重构ICA估计相空间向量,定义了峭度贡献系数,并用其判定重构信号中早期冲击成分的位置及周期。实例分析表明,在故障信息微弱或信噪比较低的情况下,相空间重构ICA和峭度贡献系数相结合的方法可以准确地提取微弱故障引起的冲击特征。3.在广泛了解时频ICA方法应用于机械故障诊断的基础上,提出了两种改进的时频SDICA方法。其一为基于小波包分解的HHT时频SDICA方法,此方法可以减少故障信号中大部分的冗余时频信息,获取故障时频投影系数并把它作为神经网络输入,从而可以实现不同故障的高精度障分类;其二为基于IIR滤波器的SPWV时频SDICA方法,此方法解决了SPWV时频ICA盲源分离中出现的交叉项问题,完善了基于SPWV分布的ICA盲源方法的不足。在信号时频ICA的基础上,对SDICA进行了扩展性研究,提出了带有选择标准的SDICA方法解决源相关图像的盲源分离问题。