免费论文：盲源分离方法研究及其在结构振动信号分离中的应用

振动信号的准确分析与处理，是对机械结构进行状态监测，健康诊断和参数识别的关键。随着机械设备逐渐趋于大型化、集成化，测量得到的信号也更加复杂，不仅包括平稳成分，还包括瞬时非平稳成分，多个振动源信号相互混叠，难以有效区分，有些能量较小的重要信号甚至会被其他信号所湮没，将关心的信号从众多干扰信号中提取出来对提高分析结果的准确度和可靠性是十分必要的。盲源分离是在源信号和传输通道均未知的情况下，仅利用源信号的统计特性，将各个独立源信号从混合信号中分离出来，有着广泛的应用潜力。论文从振动信号、机械结构传递函数的特点出发，研究合适的盲源分离方法估计复杂的振动信号。重点研究了源自适应的非参数化盲分离方法，基于小波分析的非平稳结构振动信号盲分离方法，用于模态参数识别的盲分离方法和适于分离航天器卷积混合信号的频域卷积盲分离方法，并通过仿真和试验对算法的实用性和可靠性进行了验证。具体的工作包括如下几个方面：1）将基于样本间隔多项式核函数的非参数化方法与微分熵相结合，提出了一种非参数化盲分离方法。该方法不用选择非线性函数，从振动信号的观测样本出发估计信号的概率密度函数，具有自适应性，能够分离任意性质（超高斯、亚高斯混合信号）的混合信号，与其他方法相比，具有较高的分离精度。2）将小波分析与盲源分离方法相结合分离非平稳结构振动混合信号。此方法充分利用了小波分解后一些子带信号平稳性及非高斯性增强的特点，将这些子带信号作为BSS方法的输入，分离非平稳信号。此方法既可以利用成熟的盲分离方法，又解决了传统BSS方法对非平稳信号分离效果不理想的问题。此方法还充分利用了小波的消噪功能，具有较强的抗噪性和实用性。3）提出了FJAD-BSS和R-TPBSS两种模态参数识别方法。这两种方法根据盲源分离模型与结构模态分析模型的相似性，将物理响应信号转化为模态响应信号，然后用单模态参数识别方法识别参数，降低了识别难度。其中，FJAD-BSS方法是一种频域BSS方法，在频域内对输出信号的多个功率谱矩阵集合进行联合对角化分离物理响应信号，既具有传统时域识别方法仅利用物理响应输出信号进行模态参数识别的优点，又具有传统频域识别方法抗噪性强的特点。R-TPBSS方法是一种时域BSS方法，通过最大化物理响应信号的时间预测性得到模态响应信号，文中通过白化预处理降低了噪声干扰，增强了算法预测的准确性，提高了算法稳健性和参数识别的精度。4）基于振动结构传递函数特点，提出了解决了频域BSS排序问题的有效方法：Near-dmin方法和NSGC方法。Near-dmin方法将当前频率点与近邻的前p个频率点的分离矩阵的距离和作为目标函数，当目标函数取最小值时，实现不同频率点的一致排序；NSGC方法将近邻的前p个频率点的分离矩阵的滑动平均值作为当前频率点的分离矩阵的初始值，此方法不仅解决了排序问题，且能提高收敛速度。通过航天器扰振源（动量轮、SADA及双轴卫星天线定位机构）分离试验验证了上述方法的正确性和可靠性。

来源：半壳优胜育转载请保留出处和链接！

本文链接：http://www.87cpy.com/258916.html