航空发动机混叠振动信号的盲源分离研究

论文摘要

针对复杂的多振动混叠信号,各种近现代信号处理方法在先验知识不足的情况下很难对其进行有效的分离。作为目前信号处理领域最热门的新兴技术之一,盲源分离（BSS）在解决这一问题上受到越来越多的关注,然而国内外的研究大都集中于理论和仿真,其实际的工程应用还十分少见。本文的主要工作在于通过对现有盲源分离方法的研究,进行总结归纳和方法改进,从而得到更加适合振动信号处理的盲源分离方法,为航空发动机状态监控和故障诊断提供新的手段。具体工作如下:1.系统地研究了盲源分离的主要方法——独立分量分析（ICA）,详细地描述了问题的模型及其求解。给出了ICA自适应算法的核心函数分类和选取方法。2.提出了结合振动信号特征信息的带参独立分量分析方法（ICA-R）,用以提取匹配先验知识的有用信号。通过多个仿真实验分析,ICA-R方法对比其它多种传统ICA方法,在分离精度和收敛速度的综合优势十分显著。3.针对多组振动试验数据,以盲源分离方法为主并辅以其他信号处理方法进行计算分析,得到了若干有用的结论,成功地验证了盲源分离技术的有效性,并为该技术应用于振动信号的分离提供了充分的依据和良好的基础。4.联合VC++和MATLAB,基于MFC函数库开发了盲源分离软件平台。该平台采用参数化的设计思想,简易地实现了图形化用户界面控制的信号盲分离。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 工程背景
• 1.2 国内外研究现状
• 1.2.1 航空发动机主要故障诊断方法
• 1.2.2 盲源分离的产生与发展
• 1.2.3 盲源分离的待解问题和发展趋势
• 1.3 本文研究内容
• 第二章 盲源分离的ICA 方法
• 2.1 ICA 的模型描述
• 2.1.1 线性瞬时混叠
• 2.1.2 线性卷积混叠
• 2.1.3 非线性混叠
• 2.2 分离预处理——降噪与去相关
• 2.2.1 信号降噪
• 2.2.2 信号中心化和白化
• 2.3 ICA 独立判据
• 2.3.1 非高斯性极大判据
• 2.3.2 互信息最小判据
• 2.3.3 非线性不相关判据
• 2.3.4 非线性主分量分解优化判据
• 2.4 ICA 优化算法
• 2.4.1 批处理算法
• 2.4.2 自适应算法
• 2.4.3 逐层分离法
• 2.5 盲源分离效果评价
• 2.6 ICA 方法的核心函数分析与选择
• 2.6.1 核心函数类
• 2.6.2 核心函数及改进型对分离效果评价
• 2.6.3 基于信源非高斯性特性的核心函数选择
• 2.7 本章小结
• 第三章 基于航空发动机振动特性的半盲分离方法
• 3.1 基于非高斯性测度的固定点算法
• 3.2 带有参考信号的盲源分离方法（ICA-R）
• 3.3 相似性度量与参考信号模型的建立
• 3.3.1 相似性度量方法
• 3.3.2 振动信号特征分析
• 3.3.3 参考信号模型的选择
• 3.4 盲源分离的仿真对比试验
• 3.4.1 仿真实验（一）
• 3.4.2 仿真实验（二）
• 3.5 本章小结
• 第四章 转子振动试验混叠信号的分离研究
• 4.1 电机振动信号的分离
• 4.2 某型航空发动机振动信号分析
• 4.2.1 航空发动机试车试验1
• 4.2.2 航空发动机试车试验2
• 4.3 本章小结
• 第五章 盲源分离软件平台开发
• 5.1 混合编程简介
• 5.1.1 VC++与MATLAB 混合编程方法
• 5.1.2 MATCOM 的应用
• 5.2 软件平台的框架结构
• 5.3 软件平台的处理流程及其功能设计
• 5.3.1 信号的加载与编辑模块
• 5.3.2 信号的混合模块
• 5.3.3 信号预处理模块
• 5.3.4 算法选择模块
• 5.3.5 曲线/数据模块
• 5.4 软件平台开发总结
• 第六章 总结与展望
• 6.1 本文主要结论
• 6.2 工作展望
• 参考文献
• 致谢
• 在学期间参加科研项目情况
• 附录