一种多故障源声发射信号分离方法技术

本发明专利技术公开一种多故障源声发射信号分离方法，主要包括：对含噪多故障源声发射混合信号，首先用小波包分析方法对含噪混合信号降噪预处理，保留占信号能量80％-85％的频段内信号，然后采用独立分量分析中的FastICA算法对降噪后的混合信号中各个故障源进行分离，最后对分离出的各个故障信号用收缩函数去掉频段中的噪声，从而得到源故障信号。本发明专利技术提出的基于小波包分析和独立分量分析的多故障源信号分离方法，能在较强背景噪声及含有多故障源的情况下分离出故障信号，且分离效果高于单独采用FastICA算法，是一种较好的多故障源信号分离新方法。

【技术实现步骤摘要】
【专利摘要】本专利技术公开，主要包括：对含噪多故障源声发射混合信号，首先用小波包分析方法对含噪混合信号降噪预处理，保留占信号能量80％-85％的频段内信号，然后采用独立分量分析中的FastICA算法对降噪后的混合信号中各个故障源进行分离，最后对分离出的各个故障信号用收缩函数去掉频段中的噪声，从而得到源故障信号。本专利技术提出的基于小波包分析和独立分量分析的多故障源信号分离方法，能在较强背景噪声及含有多故障源的情况下分离出故障信号，且分离效果高于单独采用FastICA算法，是一种较好的多故障源信号分离新方法。【专利说明】
本专利技术属于多通道信号处理领域，具体的说是一种基于小波包分析和独立分量分 析（IndependentComponentsAnalysis,ICA)的多故障源声发射信号分离方法。
技术介绍
机床、飞机减速器中齿轮和轴承等旋转部件在长时间运行后易出现疲劳裂纹及摩 擦磨损等多种故障，若不能及时发现将可能造成巨大经济损失，甚至引发灾难性事故。若在 早期就能利用声发射（AcousticEmission,AE)技术检测并分离出这些故障，对机械故障诊 断将具有重大指导意义。 早期旋转部件的故障信号主要存在信噪比低以及各个源信号混迭等特点。由于旋 转机械的故障信号如裂纹、摩擦磨损等一般是相互独立的，因此ICA方法进行信号分离。经 典的ICA算法主要针对无噪情况对信号进行分离，而在实际环境中，观测信号掺杂了各种 各样的噪声，随着噪声强度的提高，经典ICA算法分离效果越差。目前很多研宄把噪声也作 为一个独立源，然后采用盲源分离方法进行分离，然而噪声信号除了测试对象本身存在的 噪声外，还存在来自采集通道的各种电子噪声以及传输路径中不同干扰源等影响，导致实 际各个通道采集到的噪声信号不能简单的看做是来自同一个噪声源。而降噪方法，除了时 域分析、频域分析和小波去噪等方法外，标准ICA模型可进行非相关分量的稀疏编码，通过 收缩函数即可去除其中的噪声。 因此，本专利技术将小波包分析与ICA相结合，对故障信号先进行小波包降噪预处理， 重构占混合信号80% -85%能量的频段内信号，再对特征频段内的信号采用FastICA算法 进行多故障源盲分离，然后根据各个故障源信号的概率密度模型选取收缩函数对故障信号 进行频段内降噪。本专利技术采取小波包降噪预处理和收缩函数降噪后处理2次降噪处理，以 提高微弱信号的分离效果。
技术实现思路
本专利技术结合小波包分析降噪预处理、收缩函数降噪后处理和ICA多源盲分离方 法，目的在于提高微弱多源声发射信号分离效果，提供一种基于小波包分析与独立分量分 析的多故障源信号分离方法，以提高信号分离效果，为故障诊断提供更加精准的信息。 本专利技术一种多故障源信号分离方法，包括以下步骤： (1)对仪器采集的M路线性混迭含噪观测信号X= T进行小波包分解。 每路观测信号\的小波包分解步骤如下：由选定小波包基函数进行η层小波包分解，分别 对分解的2"个小波包系数进行重构，获得各不同频段的2η个重构信号，选择占混合信号能 量80 % -85 %的幅值较大且频率范围连续的重构信号进行相加得到小波包降噪信号Xi'。 M路信号都经过降噪后得到X' = τ; (2)对X'中的每路信号进行去均值处理，使得E(x'i) =0,再进行白化处理得 到信号z。t中的M路信号都经过去均值白化处理后得到Z=T; (3)令M等于要估计的独立源信号的个数，设置计数器i=I; (4)随机产生初始权矢量Wi,令Wi=Wi/|IwiII; (5)Wi-E{zg(wJzH-E{g，（Wi1Z)Wi,Wi=wi/|IwiII; /-I (6)正交归一化处理：WW-Σ(η;?，Wi =w7IIWiII; (7)如果Wi不收敛，则返回到步骤（5); (8)wi收敛，贝lJi=i+l，如果i<M，则返回到步骤⑷； (9)得到解混矩阵W= τ，根据Y=WZ求得解混信号Y=Iiy1,y2，… ，yM]T; (10)根据故障信号的概率密度模型选取相应的收缩函数f(y)，收缩降噪后 ;=/〇；)，则本专利技术最后分离得到信号L[H··，〈f。 本专利技术用于同时存在多个故障源及背景噪声较强情况下，通过小波包重构技术以 及收缩函数分别去除故障信号主频段外和主频段内的噪声信号，并结合ICA技术对多故障 源信号分离，是一种提取效果较好的微弱多故障源信号分离方法。 【专利附图】【附图说明】 图1 流程图； 图2源信号时频图； 图3不同输入信噪比下本专利技术分离效果图； 图4不同输入信噪比下单独采用FastICA算法分离效果图。 【具体实施方式】 下面结合附图对专利技术的技术方案进行详细说明： 图1是总体流程图。本方法的步骤如下： (1)对仪器采集的M路线性混迭含噪观测信号进行小波包分解。每路观测信号 的小波包分解步骤如下：选用sym8小波包基函数进行5层小波包分解，分别对分解的25 个小波包系数进行重构，获得各不同频段的25个重构信号，选择50-180kHz的频率范围 连续的重构信号进行相加得到小波包降噪信号。M路信号都经过降噪后得到X'= τ; (2)对X'中的每路信号进行去均值处理，使得E(x'J=0,再进行白化处理得 到信号z。t中的M路信号都经过去均值白化处理后得到Z=T; (3)令M等于要估计的独立源信号的个数，本实施例中M= 2,设置计数器i= 1 ; (4)随机产生初始权矢量Wi,令Wi=Wi/!|wjI; (S)Wi^E{zg(wiTz)}-E{g，(Wi1Z)Iwi,Wi=Wi/]IwiM； i-\ (6)正交归一化处理：W ，Wi = w i/ I I Wi I I ; 戶i (7)如果Wi不收敛，则返回到步骤（5); (8)wi收敛，贝IJi=i+l，如果i<M，则返回到步骤⑷； (9)得到解混矩阵W= T，根据Y=WZ求得解混信号Y=Iiy1,y2，… ，yM]T; (10)采用双指数函f 【权利要求】1. ，其特征在于，包括以下步骤： 步骤一：对仪器采集的M路线性混迭含噪观测信号X= T由选定小波包基 函数进行n层小波包分解，分别对分解的2"个小波包系数进行重构，获得各不同频段的2n 个重构信号，选择占混合信号能量80%-85%的幅值较大且频率范围连续的重构信号进行 相加作为小波包降噪信号； 步骤二：对所述小波包降噪信号进行FastICA多源盲分离； 步骤三：选择每个故障信号的概率密度模型，获得所述故障信号的收缩函数，利用其对 步骤二分离出的各个故障源进行收缩去噪。2. 根据权利要求1所述，其特征在于，所述步骤一 中小波包分解层数n是根据传感器采集信号的频谱，以能保留能量的80% -85%来确定。3. 根据权利要求1或2所述，其特征在于，所述步 骤一中的小波包基函数的确定方法是根据权利要求2中确定的分解层数，采用不同基函数 进行去噪实验，以降噪结果中信噪比和相关系数两个指标中综合最优的为最佳小波包基函 数。4. 根据权利要求1所述，其特征在于，所述步骤二 中 FastICA多源盲分离算本文档来自技高网...

【技术保护点】
一种多故障源声发射信号分离方法，其特征在于，包括以下步骤：步骤一：对仪器采集的M路线性混迭含噪观测信号X＝[x1,x2…,xM]T由选定小波包基函数进行n层小波包分解，分别对分解的2n个小波包系数进行重构，获得各不同频段的2n个重构信号，选择占混合信号能量80％‑85％的幅值较大且频率范围连续的重构信号进行相加作为小波包降噪信号；步骤二：对所述小波包降噪信号进行FastICA多源盲分离；步骤三：选择每个故障信号的概率密度模型，获得所述故障信号的收缩函数，利用其对步骤二分离出的各个故障源进行收缩去噪。

【技术特征摘要】

【专利技术属性】
技术研发人员：王向红，尹东，向建军，罗志敏，胡宏伟，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：湖南;43