微弱多源故障聲發(fā)射信號提取方法研究.pdf

1、隨著現(xiàn)代科技的發(fā)展，機械設備愈加高速化、重載化，其在長時間運轉下易出現(xiàn)多種故障，且伴隨著強烈的背景噪聲，因此及時識別出微弱故障信號并進行多故障分離對設備的安全評估和指導生產具有重大經濟意義。
　　材料在外力或內力作用產生變形和斷裂，以彈性波形式迅速釋放應變能的現(xiàn)象稱為聲發(fā)射(Acoustic Emission，AE)。AE技術作為一種新型無損檢測方法在工程上已有廣泛應用。本文采用AE技術對機械設備關鍵部件的故障信號進行監(jiān)測，主要對

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

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

4、接近，低于0dB時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的多故障源信號分離方法。即先用WPA方法對含噪線性混合信號降噪預處理，保留信號主要頻段信息，然后采用ICA方法對降噪后的混合信號進行分離，最后在ICA空間利用收縮函數(shù)對分離出的各個信號去掉頻段中的噪聲。利用該方法對不同輸入信噪比的由斷鉛和摩擦信號組成

5、的多源信號進行分離，實驗結果表明，該方法可以對輸入信噪比高于-15dB的多源故障信號進行提取，其分離性能明顯高于結合WPA和FastICA方法以及單獨采用FastICA算法。
　　(3)欠定情形下多源AE信號的分離。主要包括信號源個數(shù)的估計和多源信號的分離。提出了一種基于EEMD-SVD-ICA的單通道盲信號分離(Single Channel Blind Source Separation，SCBSS)方法。即先用總體經驗模態(tài)分解

6、(Ensemble Empirical Mode Decomposition，EEMD)方法對單通道信號進行分解得到多個固有模態(tài)分量(Intrinsic Mode Function，IMF)，然后對IMF分量組的自相關矩陣進行奇異值分解(Singular Value Decomposition，SVD)估計出信號源數(shù)，IMF分量組中主分量作為輸入信號，其個數(shù)為估計源信號數(shù)，最后用FastICA對輸入信號分離得到多源故障信號的估計。該方法