微弱多源故障聲發(fā)射信號(hào)提取方法研究.pdf

1、隨著現(xiàn)代科技的發(fā)展，機(jī)械設(shè)備愈加高速化、重載化，其在長(zhǎng)時(shí)間運(yùn)轉(zhuǎn)下易出現(xiàn)多種故障，且伴隨著強(qiáng)烈的背景噪聲，因此及時(shí)識(shí)別出微弱故障信號(hào)并進(jìn)行多故障分離對(duì)設(shè)備的安全評(píng)估和指導(dǎo)生產(chǎn)具有重大經(jīng)濟(jì)意義。
　　材料在外力或內(nèi)力作用產(chǎn)生變形和斷裂，以彈性波形式迅速釋放應(yīng)變能的現(xiàn)象稱(chēng)為聲發(fā)射(Acoustic Emission，AE)。AE技術(shù)作為一種新型無(wú)損檢測(cè)方法在工程上已有廣泛應(yīng)用。本文采用AE技術(shù)對(duì)機(jī)械設(shè)備關(guān)鍵部件的故障信號(hào)進(jìn)行監(jiān)測(cè)，主要對(duì)

2、:微弱單源AE信號(hào)的提取;正定情形下微弱多源AE信號(hào)的分離;欠定情形下多源AE信號(hào)的分離進(jìn)行研究，取得了以下成果:
　　(1)微弱單源AE信號(hào)的提取。提出了一種基于獨(dú)立分量分析(Independent Component Analysis，ICA)的稀疏編碼收縮（Sparse Coding Shrinkage，SCS）微弱信號(hào)提取方法。首先由最大后驗(yàn)(Maximum A Posteriori，MAP)方法估計(jì)獨(dú)立成分，采用對(duì)稱(chēng)分布

3、GGM模型估計(jì)獨(dú)立成分的概率密度函數(shù)(Probability Density Function，PDF)，然后利用收縮函數(shù)進(jìn)行去噪，最后對(duì)估計(jì)的獨(dú)立成分進(jìn)行逆變換獲得降噪信號(hào)。利用該方法分別對(duì)不同輸入信噪比的斷鉛信號(hào)和Q235鋼拉伸裂紋信號(hào)進(jìn)行提取，并與小波閾值降噪法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明，在輸入信噪比高于-10dB時(shí)，SCS方法能很好地提取出斷鉛信號(hào)和鋼拉伸裂紋信號(hào)，且其降噪效果要好于小波閾值法，在信噪比高于0dB時(shí)2種方法的分離效果

4、接近，低于0dB時(shí)SCS方法明顯優(yōu)于小波閾值法。
　　(2)正定情形下微弱多源AE信號(hào)的分離。提出了一種基于小波包分析(Wavelet Packet Analysis，WPA)和ICA的多故障源信號(hào)分離方法。即先用WPA方法對(duì)含噪線(xiàn)性混合信號(hào)降噪預(yù)處理，保留信號(hào)主要頻段信息，然后采用ICA方法對(duì)降噪后的混合信號(hào)進(jìn)行分離，最后在ICA空間利用收縮函數(shù)對(duì)分離出的各個(gè)信號(hào)去掉頻段中的噪聲。利用該方法對(duì)不同輸入信噪比的由斷鉛和摩擦信號(hào)組成

5、的多源信號(hào)進(jìn)行分離，實(shí)驗(yàn)結(jié)果表明，該方法可以對(duì)輸入信噪比高于-15dB的多源故障信號(hào)進(jìn)行提取，其分離性能明顯高于結(jié)合WPA和FastICA方法以及單獨(dú)采用FastICA算法。
　　(3)欠定情形下多源AE信號(hào)的分離。主要包括信號(hào)源個(gè)數(shù)的估計(jì)和多源信號(hào)的分離。提出了一種基于EEMD-SVD-ICA的單通道盲信號(hào)分離(Single Channel Blind Source Separation，SCBSS)方法。即先用總體經(jīng)驗(yàn)?zāi)B(tài)分解

6、(Ensemble Empirical Mode Decomposition，EEMD)方法對(duì)單通道信號(hào)進(jìn)行分解得到多個(gè)固有模態(tài)分量(Intrinsic Mode Function，IMF)，然后對(duì)IMF分量組的自相關(guān)矩陣進(jìn)行奇異值分解(Singular Value Decomposition，SVD)估計(jì)出信號(hào)源數(shù)，IMF分量組中主分量作為輸入信號(hào)，其個(gè)數(shù)為估計(jì)源信號(hào)數(shù)，最后用FastICA對(duì)輸入信號(hào)分離得到多源故障信號(hào)的估計(jì)。該方法