資源描述：
《微弱裂紋信號(hào)的ICA盲源分離提取.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在應(yīng)用文檔-天天文庫(kù)。
1、第11卷第2期長(zhǎng)沙理工大學(xué)學(xué)報(bào)(自然科學(xué)版)V01．11NO．22014年6月JournalofChangshaUniversityofScienceandTechnology(NaturalScience)Jun．2014文章編號(hào)：1672—9331(2014)02—0074—07微弱裂紋信號(hào)的ICA盲源分離提取王向紅，向建軍，尹東(長(zhǎng)沙理工大學(xué)汽車與機(jī)械工程學(xué)院，湖南長(zhǎng)沙410004)摘要：針對(duì)機(jī)械設(shè)備關(guān)鍵基礎(chǔ)部件早期故障信號(hào)提取困難這一問(wèn)題，提出了一種基于獨(dú)立分量分析(ICA)的盲源分離去噪方法采用Fixed-pointICA算法和基于負(fù)熵的判據(jù)，對(duì)不同信噪比下金屬裂紋信號(hào)進(jìn)
2、行提取。研究結(jié)果表明，此方法受噪聲強(qiáng)度及信號(hào)頻段的影響比較小，可有效提取出所需信號(hào)；且獲得的信號(hào)波形失真很小，是一種較好的微弱信號(hào)提取方法。關(guān)鍵詞：微弱信號(hào)提??；獨(dú)立分量分析；盲源分離中圖分類號(hào)：TB53文獻(xiàn)標(biāo)識(shí)碼：AExtractionofweakcracksignalsbasedonICAWANGXiang—hong，XIANGJian-jun，YINDong(SchoolofAutomobileandMechanicalEngineering，ChangshaUniversityofScienceandTechnology，Changsha410004，China)Abstr
3、act：Aimedattheproblemofhardlyextractionearlycrackincriticalinfrastructurecomponentsofmajorequipments，ablindsourceseparationforweaksignalsbasedoninde—pendentcomponentanalysis(ICA)isproposed．TheFixed—pointICAalgorithmandtheneg—ativeentropycriterionareused．ThemetalcracksignalwithdifferentSN『RsiSe
4、xtractedandtheresultsshowthatthismethodcanextracttheweaksigna1．ThemethodishardlyaffectedbytheSNRandfrequencybandofsignals．Andthewaveformdistortionoftheobtainedsig—nalsisnegligible，indicatingthemethodisverysuitableforweaksignalextraction．Keywords：weaksignalextraction；independentcomponentanalysi
5、s；blindsourceseparation機(jī)械設(shè)備的關(guān)鍵部件，如：風(fēng)力發(fā)電機(jī)齒輪關(guān)鍵部件早期故障預(yù)示中的微弱信號(hào)檢測(cè)方面開箱、混流式水輪機(jī)轉(zhuǎn)輪和汽輪機(jī)轉(zhuǎn)子等[1]，均易展了研究，如：孫海亮等[4]開展了行星減速箱早期出現(xiàn)裂紋等故障，故障的出現(xiàn)輕則引起整個(gè)設(shè)備故障信號(hào)提取研究；莫代一等和Choon—SuPark失效，重則引發(fā)重大安全事故。假如在裂紋產(chǎn)生等[6開展了軸承早期故障信號(hào)的提取研究。近年初期能利用聲發(fā)射檢測(cè)技術(shù)檢測(cè)并預(yù)測(cè)故障的存發(fā)展起來(lái)的微弱信號(hào)檢測(cè)方法主要包括時(shí)域方法在，將對(duì)確保這些設(shè)備的安全穩(wěn)定運(yùn)行以及減少(如：取樣積分和自適應(yīng)去噪等)、頻域分析(如：功經(jīng)濟(jì)損失起到重
6、要的作用。率譜密度分析方法和Kalman濾波等)、時(shí)頻域方目前，針對(duì)早期故障信號(hào)相對(duì)于背景噪聲比法(如．，J、波去噪等)以及隨機(jī)共振、混沌振子等微較微弱這一特點(diǎn)，國(guó)內(nèi)外眾多研究者在機(jī)械設(shè)備弱信號(hào)的提取方法_7。。這些方法或者假定信號(hào)收稿日期：2014—01—13基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(51105045)；湖南省教育廳科研資助項(xiàng)目(10BOO5)作者簡(jiǎn)介：王向紅(1977一)，女，湖南洞口人，長(zhǎng)沙理工大學(xué)講師，博士，主要從事無(wú)損檢測(cè)和信號(hào)處理方面的研究。第11卷第2期王向紅，等：微弱裂紋信號(hào)的ICA盲源分離提取75和噪聲具有不同的頻段，選擇合適的濾波器進(jìn)行為噪聲變量。最后
7、對(duì)估計(jì)的每個(gè)獨(dú)立分量進(jìn)行濾波；或者基于信號(hào)的能量貢獻(xiàn)率(即信噪比的高(偽)逆變換，從而獲得源信號(hào)。目前提出的獨(dú)立低)進(jìn)行去噪；或者針對(duì)微弱周期信號(hào)；或者針對(duì)性度量準(zhǔn)則包括極大似然判據(jù)、互信息極小化判低頻信號(hào)進(jìn)行檢測(cè)的。而當(dāng)有用信號(hào)與噪聲的頻據(jù)和負(fù)熵極大化判據(jù)等¨]。本研究選擇Fixed—帶交疊嚴(yán)重、信號(hào)頻率較高的非周期信號(hào)時(shí)，這些pointICA算法[16]，采用基于負(fù)熵的判據(jù)，去噪步方法則可能失效[1引。驟如下。獨(dú)立分量分析(ICA)[x33方法假設(shè)傳感器的采1)(
