论文部分内容阅读
盲源分离(BSS， Blind Source Separation)发展至今，在算法上得到了深入研究，并已在许多领域进行了应用。本文以线性混合模型为基础，研究基于独立分量分析的盲源分离算法，并将其应用于机械故障诊断中，所做的的工作如下：1.首先介绍了盲源分离的基本理论知识，给出了盲源分离的基本模型，然后结合基本理论知识重点分析了盲源分离的常用优化判据和优化算法，最后给出了评价盲源分离效果的性能指标。2.以齿轮箱及其振动信号为研究模型，讨论了机械振动信号特征及故障诊断的基本原理和基本方法。首先对齿轮和轴承的振动信号进行了分析，接着介绍了齿轮箱振动信号的传播与测量，最后对传统的故障诊断方法进行阐述，详细分析了传统诊断方法的不足，由此引出现代信号处理方法中的独立分量分析(Independent Component Analysis,ICA)技术用于机械故障诊断。3.研究了等变自适应盲分离算法并将其应用于齿轮箱振动信号的分离。等变自适应盲分离(EquivariantAdaptive Separation via Independence，EASI)算法是一种基于神经网络的ICA方法。针对该算法在实际应用中只能分离同系信号(全为超高斯或全为亚高斯信号)的缺点，引入一种改进的EASI算法，通过概率密度函数非参数估计的核函数法直接对评价函数进行估计，使改进后的算法既可以分离同系信号又能分离杂系信号(超亚高斯混合信号)。最后用常规信号的仿真分析以及齿轮箱振动信号的分离实验对改进算法的有效性进行了验证。4.在深入研究EASI算法的基础上，针对EASI算法抗干扰能力差，分离效果不好的问题，讨论了盲信号抽取定点算法应用于齿轮箱故障诊断。盲信号抽取(Blind SignalExtraction, BSE)定点算法,通过多层神经网络顺序从混合信号中抽取源信号，并对混合信号进行紧缩处理。针对紧缩过程引起的累积误差导致提取信号质量逐渐下降这一问题，引进了一种简单且稳健的级联抽取紧缩方法，可以避免紧缩过程中的误差累积。计算机仿真以及齿轮箱故障诊断实验验证了该算法可以提高故障诊断的可靠性和准确性，突出对故障诊断有用的特征信号，降低干扰信号的影响。