基于多传感器时频分布的机械故障信号欠定盲源分离方法

Infomax 法的判据：在给定合适的 gi(Yi)后，使输出 r = [r1，r2，…，
rM]的总熵量H(r)极大。
和互信息极小化准则等价
gi 可采用某些单调增长函数 (如: sigmoid 函数、tanh(• )等) ， 只是信源的pdf 需要一律是超高斯型，或一律是亚高斯型。
三、分离算法
源信号的各分量具有单位方差。
三、分离算法
（一）目标函数 采用基于独立性测度的分离准则。
非高斯最大化准则
互信息极小化准则
信息极大化 极大似然准则
三、分离算法
（1）非高斯最大化准则 根据大数定理，多个相互独立的随机变量之和趋向于高斯分布。因此， 分离信号的非高斯性可以作为衡量是否成功分离的准则。常用的非高
为亚高斯分布。
三、分离算法
负熵：信息论中的“熵” 是随机变量的随机性越大，熵就越大，高斯 变量是所有等方差的随机变量中熵最大的。负熵是任意随机变量与高 斯随机变量之间的相对熵，定义如下：
J[p(y)]值越大表示它距离高斯分布越远，可用来作为非高斯性的度量。
三、分离算法
（2）互信息极小化准则（Minimization of Mutual Information, MMI） 当 y中各分量统计独立时，互信息 I ( y ) =0，互信息定义如下：
基于负熵的， 提取多个源信号的固定点算法步骤如下：
四、仿真结果
四、仿真结果
源信号只含一个随机噪声分离后得到的波形图
源信号含两个随机噪声分离后得到的波形图
在同一个ICA系统中，信号的非高斯性 越强，分离出来的信号越接近源信号， 分离效果越好；反之，分离效果越差。
次序不确定性
五、问题

基于JADE-ICA的滚动轴承多故障信号盲源分离席剑辉;崔健驰;蒋丽英【摘要】研究一种基于源信号高阶统计信息的矩阵联合近似对角化独立元分析(JADE-ICA)方法,并将其应用于滚动轴承故障声发射(AE)信号的盲源分离.滚动轴承的声发射源信号一般具有衰减性和准周期性,多组信号间还具有时差性,信号被多个传感器接收.通过最大程度的联合近似对角化,可以使源信号与分离信号有效的一一对应,克服非线性和时差的影响;通过高阶统计的高斯噪声不敏感性可以有效抑制随机观测噪声对分离结果的影响.选用相关系数、二次残差、性能指数和频谱特征构成系列时频域评价指标对分离结果进行较为全面的验证.仿真结果证明了该方法的可行性和有效性.%Here,a joint approximate diagonalization of eigen-matrix and independent component analysis (JADEICA) method based on the high-order statistics of source signals was studied.It was applied to the blind source separation of rolling bearing faults' acoustic emission (AE) signals.The multi-AE source signals of rolling bearings were collected with multi-sensor.It was shown that the boiling bearing multi-AE source signals have characteristics,such as,time difference among multi-signals,with decay and quasi periodicity.Through the maximum joint approximate diagonalization,the one-to-one match between source signals and separated signals was realized to overcome the influence of nonlinearity and time difference.With the insensitivity of high-order statistics to Gaussian noise,the effects of random measured noise on the separated results were effectively suppressed.Correlation coefficient,quadratic residual,performance index and spectral characteristics were chosen toform a set of time-frequency domain evaluation indexes to verify the separated results.The simulation results verified the feasibility and effectiveness of the proposed method.【期刊名称】《振动与冲击》【年(卷),期】2017(036)005【总页数】7页(P231-237)【关键词】JADE;滚动轴承;故障诊断;声发射【作者】席剑辉;崔健驰;蒋丽英【作者单位】沈阳航空航天大学自动化学院,沈阳110036;沈阳航空航天大学自动化学院,沈阳110036;沈阳航空航天大学自动化学院,沈阳110036【正文语种】中文【中图分类】TP306旋转机械的故障有30%由轴承故障引起[1]，轴承状态对机器的工作状况影响极大。

基于盲源分离算法的风机轴承故障特征提取分析风机轴承故障是风力发电机组中一个常见的故障类型，它直接影响着风机的安全运行和发电效率。

对风机轴承故障的特征提取和分析是非常重要的。

本文将基于盲源分离算法，对风机轴承故障的特征进行提取和分析，并探讨其在实际风机故障诊断中的应用。

一、引言二、盲源分离算法盲源分离是指在观测到的混合信号中，用数学方法找出源信号的分离方法。

盲源分离算法主要有独立成分分析（ICA）、奇异值分解（SVD）、小波分析和自适应滤波等方法。

在风机轴承故障特征分析中，可以利用盲源分离算法对风机振动信号进行处理，提取出轴承故障的特征信号，为后续的故障诊断和预测提供有效的信息。

三、风机轴承故障特征提取1. 数据采集风机轴承故障的振动信号是一种非平稳非线性信号，通常需要利用加速度传感器等设备进行数据采集。

通过在风机轴承位置安装传感器，可以采集到风机在运行过程中的振动信号。

2. 信号处理采集到的振动信号可能会受到环境噪声的干扰，需要进行信号处理来去除噪声和提取有用信息。

盲源分离算法可以有效地对振动信号进行处理，提取出轴承故障的特征信号。

3. 特征提取通过盲源分离算法处理后的信号，可以得到轴承故障的特征信号，包括自然频率、幅值、谱线等特征。

这些特征可以反映出轴承故障的类型、程度和位置，为后续的故障诊断和预测提供有效的依据。

将采集到的风机振动数据进行盲源分离处理，并建立相应的数学模型，以便对轴承故障特征进行分析和提取。

2. 故障特征分析利用建立的数学模型，对轴承故障的特征进行分析，提取出故障的频率、幅值、谱线等特征信息，进而判断轴承故障的类型和位置，为故障诊断提供参考。

3. 故障诊断和预测通过分析得到的故障特征信息，可以对轴承故障进行及时诊断和预测，制定相应的维护计划，避免故障对风机的影响。

五、实验验证在实际风机运行中，可以利用盲源分离算法对风机轴承故障进行特征提取和分析，并验证其在风机故障诊断中的应用效果。

基于势函数与压缩感知的欠定盲源分离[权威资料] 基于势函数与压缩感知的欠定盲源分离本文档格式为WORD,感谢你的阅读。

摘要:传统的基于K均值聚类算法及最小路径法的欠定盲源分离(BSS)两步法存在K值难以确定、对初始值敏感、噪声和奇异点难以排除以及相对缺乏理论依据等诸多不足。

针对以上问题，提出了基于势函数及压缩感知理论的新型两步算法。

首先利用多峰值粒子群寻优算法改进的势函数法来估计混合矩阵;然后利用估计矩阵来构建传感矩阵，并将基于正交匹配追踪的压缩感知算法引入欠定盲源分离过程中;最后实现源信号的重构。

仿真实验结果表明，混合矩阵最高估计精度达到99.13%，重构信号干扰比均高于10dB，很好地满足了重构精度的要求，验证了所提算法的有效性。

所提算法对一维混合信号的欠定盲源分离具有良好的普适性和较高的准确率。

关键词:欠定盲源分离;势函数;多峰值粒子群优化;混合矩阵估计;压缩感知;信号重构TN911.7文献标志码:AAbstract: There are some deficiencies in traditional twostep algorithm for underdeterminedBlind Source Separation (BSS)， such as the value of K is difficult to be determined， the algorithm is sensitive to the initial value，noises and singular points are difficult to be excluded， and the algorithm is lacking theory basis. In order to solvethese problems， a new twostep algorithm based onpotential function algorithm and compressive sensing theory was proposed. Firstly， the mixing matrix wasestimated by improved potential function algorithm based onmultipeak value Particle Swarm Optimization (PSO) algorithm， after the sensing matrix wasconstructed by the estimated mixing matrix， thecompressive sensing algorithm based on orthogonal matching pursuit was introduced in the process of underdetermined BSS to realize the signal reconstruction. The simulation results show that the highest estimation precision of the mixing matrix can reach 99.13%， and all the signal reconstruction interference ratios can be higher than 10dB，whichmeets the reconstruction accuracy requirements well and confirms the effectiveness of the proposed algorithm. This algorithm is of good universality and high accuracy for underdetermined BSS of onedimensional mixing signals.Key words: underdetermined Blind SourceSeparation (BSS); potential function; multipeakvalue Particle Swarm Optimization (PSO); mixingmatrix estimation; compressed sensing; signalreconstruction0引言盲源分离(Blind Source Separation， BSS)算法的发展，最早可追溯到20世纪80年代末，由J.Herault和C.Jutten提出。