一种用于固体火箭发动机振动信号降噪的盲源分离方法技术

本发明专利技术提出一种用于固体火箭发动机振动信号降噪的盲源分离方法，根据AIC准则，判别出在源信号未知的情况下，采集得到的混合信号中源信号的个数，再应用改进学习函数后的FastICA算法，通过传感器的观测信号，从混合信号中获取独立的振源特征信息。本发明专利技术解决了在环境和设备较为复杂情况下的振动源信号降噪问题，相比滤波等传统方法更符合固体发动机试验情况，不会过滤掉有用的源信号，排除人工分析误差可能性，具有智能化、广泛性、适应性等优点，能很好的将两个以及多个混合的机械振动信号分离开，达到降噪目的，可应用到多种发动机测试场合，给发动机设计人员提供更好的参数指标，满足了发动机地面试验需求。

A Blind Source Separation Method for Noise Reduction of Solid Rocket Motor Vibration Signals

【技术实现步骤摘要】
一种用于固体火箭发动机振动信号降噪的盲源分离方法
本专利技术属于固体火箭发动机试验测控
，主要涉及一种可以用于固体火箭发动机试验中振动信号降噪处理的盲源分离方法。
技术介绍
固体火箭发动机测试的主要目的之一就是获得发动机各类参数的数据，因为通过这些数据可以验证发动机设计理论，是研究发动机工作性能的重要依据，但是测量过程中无法避免各种不利因素的干扰，导致测量数据中包含大量无用信息(噪声)，使测量数据受到严重“污染”，给固体发动机的性能判断、故障检测与状态监控带来许多不利的影响。因此，需要研究固体发动机试验数据处理方法，对测量数据进行降噪处理，保证测量数据的精度和可信度。在固体火箭发动机测试中，发动机结构的振动问题日益受到关注，振动数据是反映发动机性能最敏感的参数之一，研究和解决各种振动问题是当前工程
的重要课题，随着试验测试技术的突飞猛进，传统的静力校核方法已限制了试验的发展，进而产生出以结构的动态特性来进行试验。而在发动机实际测试中，机械系统振动源多，振动传播路径复杂，相互干扰，试车架，环境噪声等都会影响数据的真实性，直接安装在发动机上的传感器测得的信号也会受到系统内其它振源信号的干扰，以致成为混合信号，从而对根据振动数据结果分析壳体的性能增加了难度。目前许多研究者都致力于振动降噪领域的研究，也提出了一些适合于机械振动信号的处理方法，这些方法都是根据一定的先验知识，采用不用的信号处理方法剔除监测信号中无用的噪声信号，而保留下所关心的有用信息。盲源分离(Blindsourceseparation，BSS)的出现为这一问题开辟了新的思路，BSS是上世纪最后十年间迅速发展起来的信号处理领域中一个研究课题，是在对源信号及信号传输通道未知的情况下，仅根据多个传感器的观测信号估计或者恢复出各个源信号的技术。FastICA算法，是由芬兰赫尔辛基大学等人提出来的，是一种快速寻优迭代算法，与普通的神经网络算法不同的是这种算法采用了批处理的方式，即在每一步迭代中有大量的样本数据参与运算。但是从分布式并行处理的观点看该算法仍可称之为是一种神经网络算法。FastICA算法有基于峭度、基于似然最大、基于负熵最大等形式，这里，我们采用基于负熵最大的FastICA算法。它以负熵最大作为一个搜寻方向，可以实现顺序地提取独立源，充分体现了投影追踪(ProjectionPursuit)这种传统线性变换的思想。此外，该算法采用了定点迭代的优化算法，使得收敛更加快速、稳健。
技术实现思路
目前固体火箭发动机试验中采用的降噪手段仅仅是用滤波的方法，将50Hz整周期的工频干扰消除掉，不能消除掉除工频干扰以外的干扰成分，存在应用单一，无法提取源信号，仍需人工判读有效信号等诸多缺点。为此，本专利技术提出一种用于固体火箭发动机振动信号降噪的盲源分离方法，解决在环境和设备较为复杂情况下的振动源信号降噪问题，根据传感器的观测信号，从混合信号中获取独立的振源特征信息，给发动机设计人员提供更好的参数指标，充分了解发动机的性能。本专利技术的技术方案为：所述一种用于固体火箭发动机振动信号降噪的盲源分离方法，其特征在于：包括以下步骤：步骤1：利用M个传感器，获取固体火箭发动机的振动观测信号X，X＝[x1,...,xM]T，并对观测信号进行预处理，预处理过程包括去均值、去相关和白化处理；步骤2：建立一个随机的初始权矢量WM×k，其中k为观测信号中的振动源信号个数；步骤3：按照公式WM×k＝W*/||W*||对权矢量WM×k进行迭代计算；其中E[·]为均值运算，g(·)为学习函数；步骤4：当权矢量WM×k收敛后，按照公式得到观测信号中的k个振动源信号S＝[s1,...,sk]T。进一步的优选方案，所述一种用于固体火箭发动机振动信号降噪的盲源分离方法，其特征在于：学习函数采用g(·)＝asin(·)+bcos(·)，且参数a和b均满足1≤a,b≤2。进一步的优选方案，所述一种用于固体火箭发动机振动信号降噪的盲源分离方法，其特征在于：学习函数中取a,b＝1。有益效果与现有技术相比本专利技术具有的特点是：(1)首次将盲源分离的思路应用在固体火箭发动机振动信号降噪处理问题中；(2)能够有效辨别出振动源信号，进而有效辨别出噪声源；(3)此算法适应发动机试验中复杂的环境与振源信号的分布特性。本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1：本专利技术选取含有1-3个高斯白噪声信号时，与正弦信号、方波信号、锯齿信号组成的源信号；图2：图1中选取的信号随机混合后，经过FastICA分离后的解混后信号；图3：本专利技术选取搭载试验平台采集到的1s时间长的冲击时域信号；图4：本专利技术搭载试验平台采集到的1s时间长的冲击时域信号与白噪声信号；图5：本专利技术搭载试验平台采集到的1s时间长的冲击时域信号与白噪声信号随机混合后的信号；图6：本专利技术搭载试验平台采集到的1s时间长的冲击时域信号与白噪声信号随机混合后的信号，经过FastICA分离后，得到的时域曲线；图7：本专利技术选取某次试验平稳段0.5-1s时域曲线；图8：本专利技术选取某次试验平稳段0.5-1s频谱；图9：本专利技术某次试验平稳段0.5-1s分离后时域曲线；图10：本专利技术某次试验平稳段0.5-1s分离后频谱；图11：本专利技术选取某次试验冲击段0-0.5s时域曲线；图12：本专利技术选取某次试验冲击段0-0.5s频谱；图13：本专利技术某次试验冲击段0-0.5s分离后时域曲线；图14：本专利技术某次试验冲击段0-0.5s分离后频谱；图15：试验平台示意图。具体实施方式下面详细描述本专利技术的实施例，所述实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。本专利技术以盲源分离思路为主，结合振动信号的特性，改进FastICA算法中学习函数的选取，将传统正切、指数等非线性函数改为g(x)＝asin(x)+bcos(x)，缩短运行时间，提高计算效率，使得从固发试验现场采集到的混合振动信号中获取独立的振源特征，分离出混合信号，得到源信号，为设计方提供可靠真实的有效数据。本实施例中搭载试验平台，通过小型振动台与PULSE软件模拟出点火冲击信号、振动平稳段信号、随机信号、正弦信号、方波信号等，随机混合不同信号，混合矩阵随机，组成混合源，生成采集有效数据，进行盲源分离以表明方法有效性。同时本实施例还采用某次发动机试验数据，根据AIC准则判断源信号个数，运用改进学习函数后的FastICA算法进行信号盲源分离；并通过信号均方误差(SMSE)作为评判标准，公式如下：其中:sk为源信号，为相应的估计信号，K为源信号个数。学习函数的改进与应用：发动机工作过程中所产生的振动为随机振动，由连续分布在所考虑频带内所有频率上的正弦波组成，具有非线性非平稳特征。工程实际应用中，为了便于分析与应用，常看作为平稳遍历的振动信号，即发动机的统计特性不随时间的变化而变化，可用单个样本的时间历程来表示随机振动的统计特性。但对具有“噪声”信号的振动信号来说，由于“噪声”的影响，可能会造成相位差，包含余弦信号，因而学习函数选择正弦函数与余弦函数相结合本文档来自技高网...

【技术保护点】
1.一种用于固体火箭发动机振动信号降噪的盲源分离方法，其特征在于：包括以下步骤：步骤1：利用M个传感器，获取固体火箭发动机的振动观测信号X，X＝[x1,...,xM]

【技术特征摘要】
1.一种用于固体火箭发动机振动信号降噪的盲源分离方法，其特征在于：包括以下步骤：步骤1：利用M个传感器，获取固体火箭发动机的振动观测信号X，X＝[x1,...,xM]T，并对观测信号进行预处理，预处理过程包括去均值、去相关和白化处理；步骤2：建立一个随机的初始权矢量WM×k，其中k为观测信号中的振动源信号个数；步骤3：按照公式WM×k＝W*/||W*||对权矢量WM×k进行迭代计算；其中E[·]为均值...

【专利技术属性】
技术研发人员：卫莹，南林，杨德华，贺晓芳，丁佐琳，段文荣，李会婷，李敏哲，夏虹，
申请(专利权)人：西安航天动力测控技术研究所，
类型：发明
国别省市：陕西,61