當(dāng)源信號(hào)不滿足統(tǒng)計(jì)獨(dú)立的假設(shè),或者觀測(cè)通道數(shù)少于源信號(hào)數(shù)時(shí),經(jīng)典的盲源分離方法如獨(dú)立分量分析的處理效果很差。提出了一種基于張量分解模型的盲源分離算法,該方法將觀測(cè)信號(hào)分解為一系列由源信號(hào)擬合的有理函數(shù)。將觀測(cè)信號(hào)的每一個(gè)通道映射為L(zhǎng)?wner矩陣并堆疊形成三維張量數(shù)據(jù);根據(jù)L?wner矩陣的秩和源信號(hào)擬合多項(xiàng)式階數(shù)的對(duì)應(yīng)屬性,通過(guò)張量秩-（L_r,L_r,1）將張量唯一地分解為由源信號(hào)的L?wner矩陣表示的前2個(gè)模式和由相應(yīng)的混合向量表示的第3個(gè)模式,從而準(zhǔn)確地分離出不同源信號(hào);通過(guò)數(shù)值仿真實(shí)驗(yàn)和實(shí)測(cè)軸承混合故障的盲信號(hào)分析,證明了該方法在盲源分離的優(yōu)良性能。 

【文章來(lái)源】：機(jī)床與液壓. 2020,48(15)北大核心

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

三維張量的Tucker分解示意

則3個(gè)源信號(hào)的階數(shù)都為2,分別有一對(duì)共軛極點(diǎn)0.2±0.04j、0.5±0.06j和0.7±0.2j。通過(guò)隨機(jī)數(shù)法生成混合矩陣為M=[10,11,12;15,17,20],將3個(gè)源信號(hào)混合到2個(gè)觀測(cè)通道中,同時(shí)在信號(hào)中加入信噪比為5的高斯白噪聲N。仿真信號(hào)如圖2所示。由圖2(c)可知,有用的信號(hào)特征淹沒(méi)在強(qiáng)背景噪聲中,信號(hào)特征無(wú)法辨別。采用本文作者提出的方法對(duì)該混合信號(hào)進(jìn)行盲源分離,并選擇EMD-ICA和WT-ICA等構(gòu)建虛擬通道聯(lián)合方法觀測(cè)并對(duì)比分析。

在EMD-ICA的分析中,首先將被觀測(cè)的2個(gè)通道信號(hào)通過(guò)EMD分解得到的若干IMF分量相加,構(gòu)建虛擬的第3個(gè)觀測(cè)通道,從而滿足ICA的正定要求,隨后用ICA對(duì)獲得的三通道信號(hào)進(jìn)行分離,分離結(jié)果如圖3所示。從圖3中可看出,分離出的3個(gè)信號(hào)的特征非常不明顯,且背景噪聲仍然較強(qiáng),無(wú)法識(shí)別源信號(hào)的特征成分。在WT-ICA的分析中,小波母函數(shù)選用db8,分解層數(shù)為3層,將2個(gè)觀測(cè)通道分解成的第3層累加組成虛擬的第3個(gè)觀測(cè)通道,然后用ICA進(jìn)行分離,分離的結(jié)果如圖4所示�？梢杂^察到信號(hào)的降噪效果較好,但是源信號(hào)的特征信息(極點(diǎn))仍然難以識(shí)別,因此該方法的盲源分離效果不佳。

【參考文獻(xiàn)】：
期刊論文
[1]基于局域均值分解的機(jī)械故障欠定盲源分離方法研究[J]. 李志農(nóng),劉衛(wèi)兵,易小兵.  機(jī)械工程學(xué)報(bào). 2011(07)
[2]基于經(jīng)驗(yàn)?zāi)Ｊ椒纸獾膯瓮ǖ罊C(jī)械信號(hào)盲分離[J]. 毋文峰,陳小虎,蘇勛家.  機(jī)械工程學(xué)報(bào). 2011(04)
[3]基于獨(dú)立分量分析的消噪方法在旋轉(zhuǎn)機(jī)械特征提取中的應(yīng)用[J]. 季忠,金濤,楊炯明,秦樹(shù)人.  中國(guó)機(jī)械工程. 2005(01)



本文編號(hào)：3381882