一種多故障源聲發(fā)射信號分離方法
【專利摘要】本發(fā)明公開一種多故障源聲發(fā)射信號分離方法，主要包括：對含噪多故障源聲發(fā)射混合信號，首先用小波包分析方法對含噪混合信號降噪預(yù)處理，保留占信號能量80％-85％的頻段內(nèi)信號，然后采用獨立分量分析中的FastICA算法對降噪后的混合信號中各個故障源進行分離，最后對分離出的各個故障信號用收縮函數(shù)去掉頻段中的噪聲，從而得到源故障信號。本發(fā)明提出的基于小波包分析和獨立分量分析的多故障源信號分離方法，能在較強背景噪聲及含有多故障源的情況下分離出故障信號，且分離效果高于單獨采用FastICA算法，是一種較好的多故障源信號分離新方法。
【專利說明】一種多故障源聲發(fā)射信號分離方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于多通道信號處理領(lǐng)域，具體的說是一種基于小波包分析和獨立分量分 析（IndependentComponentsAnalysis,ICA)的多故障源聲發(fā)射信號分離方法。
【背景技術(shù)】
[0002] 機床、飛機減速器中齒輪和軸承等旋轉(zhuǎn)部件在長時間運行后易出現(xiàn)疲勞裂紋及摩 擦磨損等多種故障，若不能及時發(fā)現(xiàn)將可能造成巨大經(jīng)濟損失，甚至引發(fā)災(zāi)難性事故。若在 早期就能利用聲發(fā)射（AcousticEmission,AE)技術(shù)檢測并分離出這些故障，對機械故障診 斷將具有重大指導(dǎo)意義。
[0003] 早期旋轉(zhuǎn)部件的故障信號主要存在信噪比低以及各個源信號混迭等特點。由于旋 轉(zhuǎn)機械的故障信號如裂紋、摩擦磨損等一般是相互獨立的，因此ICA方法進行信號分離。經(jīng) 典的ICA算法主要針對無噪情況對信號進行分離，而在實際環(huán)境中，觀測信號摻雜了各種 各樣的噪聲，隨著噪聲強度的提高，經(jīng)典ICA算法分離效果越差。目前很多研宄把噪聲也作 為一個獨立源，然后采用盲源分離方法進行分離，然而噪聲信號除了測試對象本身存在的 噪聲外，還存在來自采集通道的各種電子噪聲以及傳輸路徑中不同干擾源等影響，導(dǎo)致實 際各個通道采集到的噪聲信號不能簡單的看做是來自同一個噪聲源。而降噪方法，除了時 域分析、頻域分析和小波去噪等方法外，標(biāo)準(zhǔn)ICA模型可進行非相關(guān)分量的稀疏編碼，通過 收縮函數(shù)即可去除其中的噪聲。
[0004] 因此，本發(fā)明將小波包分析與ICA相結(jié)合，對故障信號先進行小波包降噪預(yù)處理， 重構(gòu)占混合信號80% -85%能量的頻段內(nèi)信號，再對特征頻段內(nèi)的信號采用FastICA算法 進行多故障源盲分離，然后根據(jù)各個故障源信號的概率密度模型選取收縮函數(shù)對故障信號 進行頻段內(nèi)降噪。本發(fā)明采取小波包降噪預(yù)處理和收縮函數(shù)降噪后處理2次降噪處理，以 提高微弱信號的分離效果。
【發(fā)明內(nèi)容】
[0005] 本發(fā)明結(jié)合小波包分析降噪預(yù)處理、收縮函數(shù)降噪后處理和ICA多源盲分離方 法，目的在于提高微弱多源聲發(fā)射信號分離效果，提供一種基于小波包分析與獨立分量分 析的多故障源信號分離方法，以提高信號分離效果，為故障診斷提供更加精準(zhǔn)的信息。
[0006] 本發(fā)明一種多故障源信號分離方法，包括以下步驟：
[0007] (1)對儀器采集的M路線性混迭含噪觀測信號X= [Xl，X2…，xM]T進行小波包分解。 每路觀測信號\的小波包分解步驟如下：由選定小波包基函數(shù)進行η層小波包分解，分別 對分解的2"個小波包系數(shù)進行重構(gòu)，獲得各不同頻段的2η個重構(gòu)信號，選擇占混合信號能 量80 % -85 %的幅值較大且頻率范圍連續(xù)的重構(gòu)信號進行相加得到小波包降噪信號Xi'。 M路信號都經(jīng)過降噪后得到X' = [X1'，χ2'，···，％' ]τ;
[0008] (2)對X'中的每路信號進行去均值處理，使得E(x'i) =0,再進行白化處理得 到信號z。t中的M路信號都經(jīng)過去均值白化處理后得到Z=[Zl，z2，…，zM]T;
[0009] (3)令M等于要估計的獨立源信號的個數(shù)，設(shè)置計數(shù)器i=I;
[0010] (4)隨機產(chǎn)生初始權(quán)矢量Wi,令Wi=Wi/|IwiII;
[0011] (5)Wi-E{zg(wJzH-E{g，（Wi1Z)Wi,Wi=wi/|IwiII; /-I
[0012] (6)正交歸一化處理：WW-Σ(η;?，Wi =w7IIWiII;
[0013] (7)如果Wi不收斂，則返回到步驟（5);
[0014] (8)wi收斂，貝lJi=i+l，如果i<M，則返回到步驟⑷；
[0015] (9)得到解混矩陣W= [W1,W2,…，wM]τ，根據(jù)Y=WZ求得解混信號Y=Iiy1,y2，… ，yM]T;
[0016] (10)根據(jù)故障信號的概率密度模型選取相應(yīng)的收縮函數(shù)f(y)，收縮降噪后 ;=/〇；)，則本發(fā)明最后分離得到信號L[H··，〈f。
[0017] 本發(fā)明用于同時存在多個故障源及背景噪聲較強情況下，通過小波包重構(gòu)技術(shù)以 及收縮函數(shù)分別去除故障信號主頻段外和主頻段內(nèi)的噪聲信號，并結(jié)合ICA技術(shù)對多故障 源信號分離，是一種提取效果較好的微弱多故障源信號分離方法。
【專利附圖】
【附圖說明】
[0018] 圖1 一種多故障源聲發(fā)射信號分離方法流程圖；
[0019] 圖2源信號時頻圖；
[0020] 圖3不同輸入信噪比下本發(fā)明分離效果圖；
[0021] 圖4不同輸入信噪比下單獨采用FastICA算法分離效果圖。
【具體實施方式】
[0022] 下面結(jié)合附圖對發(fā)明的技術(shù)方案進行詳細說明：
[0023] 圖1是一種多故障源聲發(fā)射信號分離方法總體流程圖。本方法的步驟如下：
[0024] (1)對儀器采集的M路線性混迭含噪觀測信號進行小波包分解。每路觀測信號 的小波包分解步驟如下：選用sym8小波包基函數(shù)進行5層小波包分解，分別對分解的25 個小波包系數(shù)進行重構(gòu)，獲得各不同頻段的25個重構(gòu)信號，選擇50-180kHz的頻率范圍 連續(xù)的重構(gòu)信號進行相加得到小波包降噪信號。M路信號都經(jīng)過降噪后得到X'= [χι'，χ2'，...，V]τ;
[0025] (2)對X'中的每路信號進行去均值處理，使得E(x'J=0,再進行白化處理得 到信號z。t中的M路信號都經(jīng)過去均值白化處理后得到Z=[Zl，z2，…，zM]T;
[0026] (3)令M等于要估計的獨立源信號的個數(shù)，本實施例中M= 2,設(shè)置計數(shù)器i= 1 ;
[0027] (4)隨機產(chǎn)生初始權(quán)矢量Wi,令Wi=Wi/!|wjI;
[0028] (S)Wi^E{zg(wiTz)}-E{g，(Wi1Z)Iwi,Wi=Wi/]IwiM； i-\
[0029](6)正交歸一化處理：W ，Wi = w i/ I I Wi I I ; 戶i
[0030] (7)如果Wi不收斂，則返回到步驟（5);
[0031] (8)wi收斂，貝IJi=i+l，如果i<M，則返回到步驟⑷；
[0032] (9)得到解混矩陣W= [W1,w2,…，wM]T，根據(jù)Y=WZ求得解混信號Y=Iiy1,y2，… ，yM]T;
[0033] (10)采用雙指數(shù)函f
【權(quán)利要求】
1. 一種多故障源聲發(fā)射信號分離方法，其特征在于，包括以下步驟： 步驟一：對儀器采集的M路線性混迭含噪觀測信號X= [Xl，x2…，％]T由選定小波包基 函數(shù)進行n層小波包分解，分別對分解的2"個小波包系數(shù)進行重構(gòu)，獲得各不同頻段的2n 個重構(gòu)信號，選擇占混合信號能量80%-85%的幅值較大且頻率范圍連續(xù)的重構(gòu)信號進行 相加作為小波包降噪信號； 步驟二：對所述小波包降噪信號進行FastICA多源盲分離； 步驟三：選擇每個故障信號的概率密度模型，獲得所述故障信號的收縮函數(shù)，利用其對 步驟二分離出的各個故障源進行收縮去噪。
2. 根據(jù)權(quán)利要求1所述一種多故障源聲發(fā)射信號分離方法，其特征在于，所述步驟一 中小波包分解層數(shù)n是根據(jù)傳感器采集信號的頻譜，以能保留能量的80% -85%來確定。
3. 根據(jù)權(quán)利要求1或2所述一種多故障源聲發(fā)射信號分離方法，其特征在于，所述步 驟一中的小波包基函數(shù)的確定方法是根據(jù)權(quán)利要求2中確定的分解層數(shù)，采用不同基函數(shù) 進行去噪實驗，以降噪結(jié)果中信噪比和相關(guān)系數(shù)兩個指標(biāo)中綜合最優(yōu)的為最佳小波包基函 數(shù)。
4. 根據(jù)權(quán)利要求1所述一種多故障源聲發(fā)射信號分離方法，其特征在于，所述步驟二 中 FastICA多源盲分離算法主要步驟如下： 步驟1、數(shù)據(jù)進行去均值、白化預(yù)處理； 步驟2、初始化i= 1，M為故障信號個數(shù)； 步驟3、初始化權(quán)矢量Wi，并對其歸一化處理；
步驟6、如果Wi不收斂，則返回到步驟4 ; 步驟7、Wi收斂，貝i=i+1，若i彡M，則返回到步驟3 ; 步驟8、得到解混矩陣W= ，…，wM]T，根據(jù)Y=WZ求得解混信號Y= ，…，yM] T 〇
5. 根據(jù)權(quán)利要求4所述一種多故障源聲發(fā)射信號分離方法，其特征在于，所述步驟4中 FastICA算法的非線性函數(shù)根據(jù)源信號的高斯性來選取：當(dāng)源信號為高斯信號時，非線性 函數(shù)選gi(u)ztanhhu);源信號為超高斯信號時，非線性函數(shù)選82(11) =uexp(_a2u2/2); 源信號為亞高斯信號時，非線性函數(shù)選g3 (u) =u3,1彡叫彡2,a2= 1。
6. 根據(jù)權(quán)利要求1所述一種多故障源聲發(fā)射信號分離方法，其特征在于，所述 步驟三中的收縮函數(shù)根據(jù)源信號的概率密度模型來選取：源信號的概率密度函數(shù)服
信號的特點，選擇所述三種概率密度函數(shù)上衍生出來的其他概率密度函數(shù)和收縮函數(shù)，其 中，S為獨立成分分量，為獨立成分分量的估計值，為噪聲方差，C為常數(shù)。
7.根據(jù)權(quán)利要求1所述一種多故障源聲發(fā)射信號分離方法，其特征在于此方法適用于 多故障源信號，進行了小波包降噪預(yù)處理和收縮函數(shù)降噪后處理2次降噪處理，且此方法 主要適用于正定條件下采集的故障信號，即故障源的個數(shù)與傳感器采集通道數(shù)M相同。
【文檔編號】G10L21/0272GK104485113SQ201410808918
【公開日】2015年4月1日 申請日期:2014年12月23日 優(yōu)先權(quán)日:2014年12月23日
【發(fā)明者】王向紅, 尹東, 向建軍, 羅志敏, 胡宏偉 申請人:長沙理工大學(xué)