机械系统振动源的盲分离方法研究

【摘要】： 机械振动源信号的分离与分析对于机械系统的状态监测与故障诊断具有重要理论意义和实用价值。本论文结合国家自然科学基金项目(编号50675194,50505016),开展了机械振动源的盲源分离方法(Blind Source Separation,BSS)研究。论文在分析机械系统振动源及其混合机理的基础上,研究了机械振动源数的估计、基于二阶统计量和基于高阶统计量的机械振动源盲分离方法,并进行了仿真和试验验证。论文的主要研究工作和章节安排如下: 第1章概述了机械系统振动分析与诊断方法,分析了振动信号源分析技术及其不足,论述了引入盲源分离技术进行机械源信号分离的重要性。综述了盲源分离技术及其在机械故障诊断领域的研究现状,给出了一种基于盲源分离的多机械故障诊断架构。最后给出了本文的选题背景、研究内容、总体结构及创新点。 第2章从盲源分离的角度分析了机械系统中“源”的概念,给出了机械振动BSS中源信号的定义。以齿轮箱为例,研究了机械系统中振动源产生的机理和振动源信号的混合机理,分析了机械系统内本底振源的来源、振动模型及其相关特征。研究了齿轮箱的振动模型和振动测量模型。该模型可用于构建仿真源,以对比不同源分离算法的性能;也可作为机械故障源先验知识,为获得准确的源分离结果提供帮助。 第3章阐述和分析了基于特征值的源数估计方法的原理和实现方法。分析了源数和观测数不等的源数估计方法以及机械振动源检测中的源数估计问题。提出了在源数大于观测数的条件下,针对瞬时混合模型的基于FFT的源数估计方法,分析了该方法在卷积混合模型下的适用性。针对多频信号卷积混合模型提出了基于EMD-SVD-DE和基于EMD-SVD-BIC的源数估计方法,它们可应用于分析源数大于观测数的问题。这两种方法通过EMD方法对振动观测信号进行分解,获得源信号的内在特征振动形式,把1个传感器观测信号拓展为多个源信号内在特征的组合;然后通过奇异值分解获得反映源数信息的特征值分布;再采用占优特征值(DE)法和BIC信息准则,判断源信号的数目。 第4章在分析现有的二阶统计量的盲源分离方法基础上,提出了一种改进的基于二阶统计量的盲源分离算法。采用一组由不同时滞的协方差矩阵的平均时滞相关矩阵代替联合矩阵,获取混合矩阵的平均特征结构,从而将联合矩阵的联合对角化转化为平均矩阵的对角化问题,大大简化了算法,而对算法的稳健性和精确度影响不大。同时在对角化实施过程中,利用单位时滞协方差矩阵进行白化矩阵的计算,降低了噪声对分离结果的影响。 第5章阐述了高阶统计量方法,重点研究了利用非线性函数引入高阶统计量的时域BSS方法。给出了机械振动源卷积混合系统的时域模型,分析了时域BSS方法过程和分离原理,提出了多振源卷积混合盲源分离算法。算法的分离过程分为两个自适应过程:一个过程是滤波器系数的估计。在这个过程中对滤波器系数进行了合理简化,以独立性为评判准则,采用反向学习的方式进行滤波器系数的学习。另一个过程是源信号的估计。通过基于独立性原则得到的滤波器消除其它源信号对混合信号的影响,可得到互相耦合的同时间点的信号,通过联立等式消除信号之间的耦合,获得信号点的估计。该方法解决了多于两源卷积混合的分离问题。 第6章给出了多机系统振动源盲源分离系统解决方案,设计和构建了基于盲源分离的多机试验系统,开发了数据采集程序,并对采集的信号进行了分析和处理。进行源数估计方法有效性、快速二阶盲分离算法以及基于高阶统计量的多振源卷积混合盲源分离算法分离性能的有效性验证。提出了卷积混合情况下的实时信号的分离性能指标,采用不同时延的相关系数评定BSS算法的分离效果。 第7章给出本文工作的主要结论,并对未来的研究工作进行展望。