论文部分内容阅读
独立分量分析技术是以非高斯源信号为研究对象,在统计独立的假设下,对多路观测到的混合数据,在源信号和混合信道未知的情况下来提取独立分量。本文将独立分量分析方法应用到旋转机械故障诊断中,通过此方法提取特征频率进而分析机械的故障,从独立分量分析的学习算法和在机械振动信号中的应用两方面进行研究。
独立分量分析算法的基本思路是选择一个多维随机过程的独立性判据作为目标函数,通过合适的算法调节分离矩阵使相应的目标函数达到极大或极小,所以独立分量分析算法的研究包括独立性判据和优化算法两部分。
本文介绍了几种以信息论为框架的独立性判据以及它们之间的关系,确定了用负熵表述的目标函数,利用基于自然梯度的优化算法使目标函数达到极大,使输出信号最优逼近源信号,实现了振动信号的分离。
介绍了两种梯度自适应算法,并在自然梯度算法基础上学习和研究了一种灵活的ICA算法,该算法适应于对超高斯、亚高斯混合信号的分离。仿真实验表明,与随机梯度算法相比,它具有收敛性好,误差小的优点。
为有效消除随机噪声的影响,将ICA算法与其他数据处理方法有机的结合起来,归纳出了一套完整的数据处理方法,其中包括数据的预处理、ICA算法和数据的后处理,通过对比分析,该方法比直接用ICA算法对数据进行处理要有更好的效果。
文章还对传感器个数对分离效果的影响进行了研究。
文章最后对偏心转子和齿轮箱进行实验,利用本人改进后的数据处理方法对实验数据进行了分析,提取了相应的故障特征频率,进而分析出旋转机械的故障。