基于EEMD-ICA-CWT的装载机室内噪声盲源分离和识别

合集下载

基于EEMD-CCA组合去噪的新型配电开关柜局部放电抗干扰检测

第43卷第6期电子器件Vol.43No.6 2020年12月Chinese Journal of ElccLron Devices Dec.2020Anti-Jamming Detection of Partial Discharge in New GenerationDistribution Switchgears based on Combined EEMD-CCA Denoising*DING Yi1*,ZHANG Pan1,QI Yan1,ZHENG Xiaolin1,XING Yunqi2, LIANG Dong2(1.Electric power research institute of Tianjin electric power corporation,Tianjin300384,China；2. State Key Laboratory of Reliability and Intelligence of Electrical Equipment,Hebei University of Technology,Tianjin300401,China)Abstract:Aiming aL effective detection of parLial discharge(PD)in power distribution switchgears under noisy environment,this paper studies anti-jamming detection of PD for power distribution switchgears based on combined denoising.Firstly,PD detection methods are analyzed and three typical defect models,i.e.corona discharge,internal discharge,surface discharge,along with a test platform,are designed.Then a PD signal denoising method via combined ensemble empirical mode decomposition(EEMD)and canonical correlation analysis(CCA)is presented.The method decomposes the noisy PD signal into multiple intrinsic mode functions using EEMD to construct multi-channel noisy signals,followed by blind source separation using CCA.The denoised PD signal can be reconstructed by deleting the source signal which denote noise.PD detection results validate the effectiveness of the proposed denoising method. Performance of different detection methods under different defect models are further compared,which shows that the discharge amplitudes detected by the transient earth voltage method and the air-type ultrasound method are larger, while the ultra-high frequency method shows better performance in detecting weak PD signals.Key words:switchgear；partial discharge;anti-jamming detection；combined denoisingEEACC：8140doi:10・3969/j・issn・1005-9490・2020・06・027基于EEMD-CCA组合去噪的新型配电开关柜局部放电抗干扰检测*丁一1*，张磐1，戚艳S郑骁麟打邢云琪2,梁栋3(1.国网天津市电力公司电力科学研究院，天津300384；2.河北工业大学,省部共建电工装备可靠性与智能化国家重点实验室,天津300401)摘要：为了实现噪声干扰条件下的配电开关柜局部放电检测，研究了基于组合去噪的配电开关柜抗干扰检测方法:首先,分析了局部放电检测原理，设计了电晕放电、内部放电、沿面放电3种典型缺陷模型及检测平台;其次，提出了一种集合经验模态分解与典型相关分析相结合的组合去噪方法，根据局部放电信号分解的本征模态函数构造多通道观测信号，进而采用典型相关分析进行盲源分离,将表征噪声的源信号删除即可实现去噪。

基于EEMD-Fast ICA-STFT的车用起动电机噪声源识别

基于EEMD-Fast ICA-STFT的车用起动电机噪声源识别龚承启;华春蓉【摘要】提出基于集成经验模态分解(EEMD)、快速独立分量分析(Fast ICA)和短时傅里叶变换(STFT)的噪声源识别方法,对起动电机噪声信号进行声源识别研究.首先采用集成经验模态分解法将单一通道的电机噪声信号分解为一系列本征模态分量,随后用Fast ICA算法提取独立成分,最后利用短时傅里叶变换良好的时频分析特性,对Fast ICA分离结果进行时频分析,结合时频分析结果和电机噪声的先验知识,确定了各独立分量与电机不同噪声源的对应关系.%A noise source identification method based on the ensemble empirical mode decomposition (EEMD), fast independent component analysis (Fast ICA) and short time Fourier transform (STFT) algorithms is proposed to study the noise source identification of vehicle's starting motors. First of all, the EEMD algorithm is used to decompose the single channel noise of the starting motors into several intrinsic mode functions. Then, the Fast ICA algorithm is used to extract the independent components. Finally, using the better time-frequency characteristics of STFT algorithm, the time-frequency characteristics of the Fast ICA results are analyzed. Combining the results with the prior knowledge of the motor noise, the relationship between the independent components and the different noise sources of the motors is determined.【期刊名称】《噪声与振动控制》【年(卷),期】2017(037)005【总页数】6页(P92-96,114)【关键词】声学;电机噪声源;经验模态分解;独立分量分析;短时傅里叶变换【作者】龚承启;华春蓉【作者单位】西南交通大学机械工程学院,成都 610031;西南交通大学机械工程学院,成都 610031【正文语种】中文【中图分类】TM331汽车起动电机是汽车的重要零部件之一，在起动时会发出明显的啸叫声，影响汽车的舒适性能，在客户对汽车舒适性能要求越来越高的今天以及汽车频繁起停的交通现状，减小电机起动时的噪声显得尤为重要。

基于emd-ica的风电机组信号盲分离研究

机械工程师
MECHANICAL ENGINEER
基于EMD-ICA的风电机组信号盲分离研究
陈长征，白旷甲（沈阳工业大学机械工程学院，沈阳 110870）
摘要：为了去除风力机机组的噪声与振动信号等强干扰信号，采用EMD和ICA技术进行强信号盲分离。盲处理的优点是
可以分离未知传递过程和源信号数量的混合信号。为了验证此算法的分离效果与可行性，给出了仿真实验。
根据风力发电机组的工作环境特点，采集到的振动噪声信号往往都伴随着各种冲击等瞬态变化，传统方法中的频谱分析不适用来针对一些非稳态信号，不能满足噪声源识别的要求。以常用的两种时频分析方法为例，小波变换和短时傅里叶变换由于Heisenberg测不准，只能获得部分频段的时频，在全频段上存在分辨率不足的缺点。对于非线性非稳态信号的处理，最早由美籍华人 N.E. Huang[1]于1998年提出了经验模态分解方法。风力机的噪声源来源广泛，由于整个机组的机械部件非常多，且采集信号的实验条件有所限制，往往测得的混合信号在复杂的运行状态中存在某些噪声源的频谱相互重叠的情况，小波变换、EMD等方法难以将重叠的特征频率分离开来，从而导致识别失败。该方法的原理即可以把原始混合信号通过循环筛选后分解为一组固有模态分量[2]。根据风力机振动信号的复杂特点，宜采用盲源分离手段来处理。独立分量分析算法是其中应用最广泛的方法[3]，最早是为了解决“鸡尾酒会”问题[4]而提出的。本文就采用EMD与ICA 相结合的手段来对复杂的风力机信号进行盲分离。 1 盲分离简介 1.1 盲分离原理
（1）
通过分离系统分离出估计源信号（t）= （t），这也
是盲源信号分离的最终目标，而实际上能够求解和准确

基于EEMD的单通道机械噪声信号盲分离

基于EEMD的单通道机械噪声信号盲分离侯一民;张荣彬【摘要】盲源分离在机械设备状态监测与故障预判中可以有效的去除干扰并恢复源信号,有助于信号进一步分析,具有重要应用价值.实际环境中机械信号通常是非平稳信号,经验模态分解对于解决实际应用中非平稳非线性的机械信号是一种有效方法.为了促进机械声学诊断的发展,解决混合声信号难处理的问题,同时为了降低实际信号采集成本,本文提出基于EEMD与Fast-ICA相结合的单通道机械噪声信号盲源分离方法,奠定机械声学故障诊断的基础.该方法利用EEMD算法将单个传声器接受的观测信号分解成多个IMF分量,然后选出合适的IMF分量与单通道信号组合,再利用特征值占优比估计源数目,以此为依据重构多维观测信号,实现单通道升维,最后利用Fast-ICA恢复机械信号.并将该方法用于三台异步电动机噪声信号的单通道盲分离实验,分离效果良好.【期刊名称】《制造业自动化》【年(卷),期】2017(039)011【总页数】4页(P134-137)【关键词】盲源分离;单通道;集合经验模态分解;源数估计;机械噪声信号【作者】侯一民;张荣彬【作者单位】东北电力大学自动化工程学院,吉林 132000;东北电力大学自动化工程学院,吉林 132000【正文语种】中文【中图分类】TP3910 引言机械噪声和振动信号中蕴含大量可以反映设备运行状态的信息，对这些信号进行分析能达到对设备状态进行监测以及故障预判的目的。

目前，利用振动信号进行故障诊断应用较广[1,2]。

但在某些特殊工况（高温、腐蚀、无法停机等）[3]下，不易采集振动信号时，考虑利用噪声信号进行故障诊断具有一定优势。

对于多个设备产生的混合噪声信号，传统的信号分析方法很难处理，盲源分离（Blind Signal Separation，BSS）[4]应用到混合信号处理中，可以获得各个源信号，进而实现对具体设备的状态监测与故障诊断。

同时，受现场环境与设备造价的影响，采用单个传感器采集信号实现盲源分离的情况时有发生，这种单通道的盲源分离更具有实际研究价值。

基于EEMD和ICA的语音去噪方法_李晶皎

收稿日期:2011-05-12基金项目:国家自然科学基金资助项目(60970157);辽宁省博士启动基金资助项目(20081019).作者简介:李晶皎(1964-),女,辽宁沈阳人,东北大学教授,博士生导师.第32卷第11期2011年11月东北大学学报(自然科学版)Journal of Northeastern University (Natural Science )Vo l .32,No .11N o v .2011基于EEMD 和ICA 的语音去噪方法李晶皎,安　冬,王　骄(东北大学信息科学与工程学院,辽宁沈阳　110819)摘要:语音去噪技术是语音识别系统走向实用化的一个关键性难题.针对语音信号为非平稳信号的特点,提出了一种基于EEM D 和ICA 相结合的语音去噪方法,首先利用集合经验模态分解(EEM D )算法将含噪语音信号分解为若干个独立的固有模态函数(I M F ),消除了经验模态分解(EM D )算法处理语音信号时产生的模态混迭现象;然后将固有模态函数通过改进的独立分量分析(ICA )算法分离出若干个有效的语音信号分量;最后对其进行语音重构,从而达到消除噪声干扰的目的.实验结果表明,该方法在输入信噪比为-10dB 的汽车噪声条件下,可以将语音信号的信噪比提高到2.7412dB .关　键　词:经验模态分解;集合经验模态分解;固有模态函数;独立分量分析;语音去噪中图分类号:N 945.13 文献标志码:A 文章编号:1005-3026(2011)11-1554-04Speech Denoising Method Based on the EEMD and ICAApproachesLI Jing -jiao ,AN Dong ,WANG Jiao(School of Information Science &Engineering ,Nor theastern U niv ersity ,Shenyang 110819,China .Corresponding author :AN Dong ,E -mail :249350656@qq .com )A bstract :Speech denoising technology is one of the key problems in the practical application of speech recognition systems .Since speech sig nals are nonstationary ,speech signal contained chirp w as decomposed into several intrinsic mode functions (IM F )w ith the method of ensemble empirical mode decomposition (EEM D ).At the same time ,it eliminated the model mix superposition phenomenon which usually came out in processing speech signal w ith the algorithm of em pirical mode decomposition (EM D ).After that ,several effective speech sig nal components w ere separated from intrinsic mode function through the algorithm of improved independent component analysis (ICA ).Finally ,reconstructed them in the purpose of noise elimination .The result showed that the new speech denoising method proposed above improves SNR up to 2.7412dB in the condition that -10dB SN R vehicle interior noise .Key words :empirical mode decomposition ;ensemble em pirical mode decomposition ;intrinsic mode function ;independent component analy sis ;speech denoising 语音去噪技术是语音信号处理领域的一个重要研究方向,它在改进语音质量、提高语音可懂度、解决噪声污染等方面发挥着重要的作用.由于语音信号是典型的非线性、非平稳信号,一些传统的信号分析方法,如快速傅里叶变换(FFT ),在进行语音去噪时,需要知道噪声的一些特征或统计性质,特别是当噪声与语音的频谱相似时,传统的单纯时域或频域处理往往无法达到很好的效果.虽然目前广泛应用于信号分析的小波分析方法不同程度上对非平稳、非线性信号的时变性给予了恰当的描述,大大改进了FFT 分解的不足[1],但小波分析方法仍然存在着选择匹配适当小波基的困难,很难根据被检测信号的特点自适应地调整小波基.集合经验模态分解[2](ensemble empirical mode decomposition ,EEMD )是一种新的噪声辅助数据分析方法,与小波变换不同,它无需事先选定基函数,完全依靠待检测信号本身的特征进行模态分解,适用于对非平稳、非线性信号的分析,同时也避免了经验模态分解[3](empirical mode decomposition,EMD)过程中出现的模态混迭现象,使得分解得到的模态函数能够更好地表达出其固有本质.目前EEM D算法已经在心电信号去噪问题上得到了成功的应用[4].独立分量分析[5] (independent component analysis,ICA)是由盲源分离技术发展而来的一种多维信号处理方法, ICA算法已经成功应用于通信信号处理、医学信号处理和语音信号去噪[6]等领域.本文结合EEMD与ICA各自的优点,提出了低信噪比情况下含噪语音进行去噪处理的新方法,探索了EEMD和ICA算法在语音去噪领域的应用.1　EEMD理论集合经验模态分解(EEMD)方法的核心是经验模态分解(EMD),EM D是一种自适应的、高效的信号分解方法.根据信号自身特征将其分解为一族固有模态函数(intrinsic mode function, IMF),不同信号进行EMD分解得到的IMF数量各不相同,各个IM F近似为窄带信号,满足Hilbert变换的要求.虽然EMD是一种高效的信号分解方法,但是当待测信号中某个频段的分量不连续时,就会影响EMD的正常分解,从而出现模态混淆现象,由于白噪声信号具有在各个频段能量一致的特点.因此EEMD通过先在原始信号中混入白噪声后再进行EM D分解的方式保证每个固有模态函数时域的连续性.在原始信号中混入足够多次白噪声后,利用白噪声是均值为零的特性,对全部EMD分解得到的各IMF分量求总体均值,以消除附加白噪声的影响,因此EEMD 方法被称为集合经验模态分解方法.2　改进的ICA算法Fast ICA定点学习算法[7]的迭代步骤利用了牛顿迭代法优化目标函数,牛顿迭代法对初始值的选择比较敏感,是一种具有二阶局部收敛特性的最优化方法[8].当初始点远离极小点时,牛顿法可能不收敛,原因在于牛顿迭代的方向不一定是下降方向,经过迭代后,目标函数值可能不收敛.为了克服牛顿迭代方法的这些不足,本文采用二阶泰勒展开式f(x k)+f′(x k)(x-x k)+1 2f″(x k)(x-x k)2代替原牛顿迭代方程中的f(x),将原方程近似地化为二次方程:f(x k)+f′(x k)(x-x k)+12f″(x k)(x-x k)2=0.(1)求解后得到相应的迭代函数为x k+1=x k+-f′(x k)±[f′(x k)]2-2f(x k)f″(x k)f″(x k).(2)经过数学证明式(2)为三阶收敛[9].采用高阶牛顿迭代法代替原始的牛顿迭代,即Fast ICA算法可变为w k+1=w k+-F′(w k)±[F′(w k)]2-2F(w k)F″(w k)F″(w k).(3)其中,F(w)=E{x g(w T0x)}-βw,式(3)中的符号由F′(w k)决定,当F′(w k)≥0时取正,反之取负.采用三阶牛顿迭代法代替传统的牛顿迭代法,能保证迭代的下降性质.改进后的Fast ICA具有更可靠的收敛性[9].3　基于EEM D和ICA的去噪方法本文提出的EEM D和ICA相结合的语音去噪方法,首先用EEM D算法代替EM D算法求解语音信号的各阶IM F,消除了EMD算法分解信号过程中出现的模态混迭现象.由于含噪语音信号经过EEMD自适应分解后得到若干个IM F分量的数目无法确定,所以单纯的选取某几阶IMF分量重构语音信号是没有理论依据的,可能会产生丢失语音信息的情况.但是一定存在第n阶IM F包含了主要的噪声信号,而第m阶IM F则包含了主要的语音信号,在无法确定n和m值的前提下,本文先取前3阶IMF 进行独立分量分析,然后选取最优的分析结果作为重构语音信号的第一个分量RIM F1;再取2,3, 4阶IMF进行独立分量分析,得到RIM F2,以此类推,最后由EEMD自适应分解后得到的N个IMF可以得到N-2个RIMF,然后利用N-2个RIM F重构语音信号.这样,全体IMF通过ICA进行信号分离后,就可以最大限度地增强语音信号,从而达到消除噪声的目的,EEMD-ICA 方法的具体实现步骤如图1所示.EEMD分解方法可以按照信号局部时间特征尺度将信号从小到大进行层层分解,以获得有限个频率从大到小的固有模态函数IMF.由于不1555第11期李晶皎等:基于EEM D和ICA的语音去噪方法同信号间存在特征差异,测试信号最终可以被分解成多少阶IMF是无法事先预知的,这种基于EEMD的自适应滤波方式可以将信号的非线性和非平稳性在滤波后得到最大限度的保留.另外,由于EEMD是根据信号的局部特征时间尺度进行分解的,其基函数的选择来自于信号本身,与小波算法相比减小了主观因素的影响.图1　EEMD-ICA去噪流程Fig.1　The denoising process of EEM D-ICA4　实验结果及分析定义加噪语音信号为y(t)=s(t)+n(t),其中s(t)为纯净语音信号,n(t)为噪声信号.本文采用的实验语料为TIM IT语音库中的10段语音音频(5段男生音频,5段女生音频).加入的噪声信号n(t)为标准噪声库noisex-92中Vehicle interior噪声和Factory噪声.将这两种噪声按照0,-5,-10dB的信噪比分别加到纯净的语音中.实验中,采用EEM D分解语音信号时,加入白噪声的幅度为原信号幅度的0.1倍,重复20次实验.为了测试EEMD的去噪效果,对同一信号也采用小波算法和单独EMD算法进行去噪处理.小波去噪算法直接调用了MATLAB R2010b 的小波工具箱中的相关函数,采用的小波基为bio r4.4,进行5层分解.EM D去噪方法采用文献[10]中阈值消噪处理方法去除噪声,然后重构语音信号.为了直观验证本文提出算法的有效性,在TIM IT语音库中随机选取了一段女生音频和一段男生音频进行谱图分析,图2和图3为原始的纯净的女生和男生语音能量谱图;图4,图5为-10dB Vehicle interior噪声条件下,按照小波去噪、EMD去噪和本文提出的EEMD-ICA去噪方法得到的能量谱图.实验中,采用EMD方法将女生语音和男生语音信号分解后得到了16个和14个IMF分量;采用EEMD-ICA方法将女生语音和男生语音信号分解后得到了14个和12个RIM F.重构语音信号后由能量波形可以判断,在-5dB情况下,使用小波去噪的方法对两种音频信号均没有明显提高滤波后语音的信噪比;基于EM D算法在重构语音信号后可以将两种音频信号的信噪比分别提高到1.5665和1.8421dB,但是重构的信号中仍然掺杂了明显的噪声信号,并出现了明显的模态混迭现象;基于EEMD-ICA算法去噪后得到的两种音频信号的信噪比分别达到了8.4689dB 和9.1563dB,重构的语音信号中存在少量的噪声信号,没有出现明显的模态混迭现象.图2　纯净的女生语音能量谱图Fig.2　Energy spectrum diagram of girl's pure speech图3　纯净的男生语音能量谱图Fig.3　Energy spectrum diagram of boy's pure speech图4　-10dB条件下三种去噪算法的结果对比图(女生)Fig.4　The contrastive results of three denoisingalgorithms under the condition of-10dB(girl's)图5　-10dB条件下三种去噪算法的结果对比图(男生)Fig.5　The contrastive results of three denoisingalgorithms under the condition of-10dB(boy's)1556东北大学学报(自然科学版) 第32卷重构语音信号后由能量波形可以判断,在信噪比为-10dB情况下,小波去噪方法基本失效,基于EMD去噪方法可以将两种音频信号的信噪比分别提高到-1.4569dB和-5.4521dB,但是重构的信号中仍然掺杂了明显的噪声信号,并出现了明显的模态混迭现象;基于EEM D-ICA算法去噪后得到的两种音频信号的信噪比分别达到了2.7412dB和-2.3654dB,重构的语音信号中存在少量的噪声信号,没有出现明显的模态混迭现象.基于EEM D-ICA算法的语音去噪方法与小波变换去噪方法和EM D去噪方法在汽车噪声和工厂噪声两种噪声情况下去噪后重构语音的信噪比如表1和表2所示(表中得到的去噪结果为测试的10段语音音频的平均结果).表1　汽车噪声下3种去噪算法得到的去噪后的语音信噪比Table1　The voice signal-to-noise ratios of threedenoising algor ithms after denoising underthe condition of Vehicle interior noise汽车噪声去噪后的语音信噪比0dB-5dB-10dB小波去噪0.1562-4.2541-9.5632基于EM D去噪3.04851.7043-1.4569 EEM D-ICA去噪9.75128.81262.7412表2　工厂噪声下3种去噪算法得到的去噪后的语音信噪比Table2　The voice signal-to-noise ratios of threedenoising algor ithms after denoising underthe condition of Factory nois e工厂噪声去噪后的语音信噪比0dB-5dB-10dB小波去噪0.0036-4.0852-9.2569基于EM D去噪1.89510.4523-5.4521 EEM D-ICA去噪3.25412.4125-2.3654分析可知,在较低的信噪比情况下,采用小波算法对两种噪声的去噪结果都不明显,采用EEMD-ICA方法对汽车噪声和工厂噪声均有较好的去噪效果,去噪效果优于小波方法和EMD 方法.5　结语本文在EEMD和ICA算法的基础上,提出了EEMD与ICA相结合的语音去噪方法.利用M ATLAB平台验证了EEMD-ICA去噪方法的可行性,并与小波去噪方法和EM D去噪方法进行了对比实验.实验结果表明,EEMD算法很好地解决了EMD算法分解过程中出现的模态混迭问题;采用高阶的牛顿迭代法改善了原始ICA算法在处理语音信号时偶尔出现的不收敛的现象.在Vehicle interio r噪声和Facto ry噪声环境下,采用EEMD-ICA算法对低信噪比的含噪语音信号具有较好的去噪效果,能够有效地去除噪声干扰,保证语音的可懂度和自然度不被破坏.在低信噪比的情况下,其去噪的性能优于基于小波变换和基于EM D的语音去噪方法.参考文献:[1]张德干,郝先臣,高光来,等.一种基于快速傅立叶变换的小波变换方法[J].东北大学学报:自然科学版,2000,21(6):598-601.(Zhang De-gan,Hao Xian-chen,Gao Guang-lai,et al.Amethod of FFT-based wavelet transform[J].Journa l ofNortheastern U niversity:Natura l S cience,2000,21(6):598-601.)[2]Wu Z H,Huang N E.Ensemble empirical modedecomposition:a noise-assisted data analysis method[J].Advances in Adaptive Data Ana lysis,2009,1(1):1-41.[3]Huang N E,Shen Z,Long S R,et al.The empirical modedecompos ition and the Hilbert spectrum for nonl inear andnon-stationary time series anal ysis[J].Proc eed ings o f theRoyal Society of London Series A:Mathematic a l Phys icaland Engineering S ciences,1998,454(1971):903-995. [4]Chang K M.Ensembl e empirical mode decomposition forhigh frequency ECG noise reduction[J].B i omed iz inis cheTech nik,2010,55(4):193-201.[5]Hyvarinen A,Oja E.Independent component analysis:algorithms and appl ications[J].Neur al Networks,2000,13(4/5):411-430.[6]Okamoto R,Takahashi Y,Saruwatari H,et al.M M S ES TAS estimator w ith nonstationary noise estimation based onICA for high-qual ity speech enhancement[C]∥2010IEEEInternational Conference on Acoustics,S peech,and SignalProcessing.Dallas,2010:4778-4781.[7]Hyvarinen A.Fast and robust fixed-point algorithms forindependent componen t analysis[J].IEEE Trans actions onNeural Networ ks,1999,10(3):626-634.[8]张铁,阎家斌.数值分析[M].北京:冶金工业出版社,2009:89-91.(Zhang Tie,Yan Jia-bin.Numerical analys is[M].Beijing:M etallurgical Industry Press,2009:89-91.)[9]Wang X H,Kou J S.A new New ton-type method w iththird-order convergence[C]∥Proceedings of the3rdInternational Workshop on Applied M atrix Theory.Hangzhou,2009:89-92.[10]Li X Y,Zou X J,Zhang R B,et al.M ethod of speechenhancement based on hilbert-huang transform[C]∥20087th W orld Congress on Intel ligent Control and Automation.Chongqing,2008:8419-8424.1557第11期李晶皎等:基于EEM D和ICA的语音去噪方法。

基于JADE-ICA的滚动轴承多故障信号盲源分离

基于JADE-ICA的滚动轴承多故障信号盲源分离席剑辉;崔健驰;蒋丽英【摘要】研究一种基于源信号高阶统计信息的矩阵联合近似对角化独立元分析(JADE-ICA)方法,并将其应用于滚动轴承故障声发射(AE)信号的盲源分离.滚动轴承的声发射源信号一般具有衰减性和准周期性,多组信号间还具有时差性,信号被多个传感器接收.通过最大程度的联合近似对角化,可以使源信号与分离信号有效的一一对应,克服非线性和时差的影响;通过高阶统计的高斯噪声不敏感性可以有效抑制随机观测噪声对分离结果的影响.选用相关系数、二次残差、性能指数和频谱特征构成系列时频域评价指标对分离结果进行较为全面的验证.仿真结果证明了该方法的可行性和有效性.%Here,a joint approximate diagonalization of eigen-matrix and independent component analysis (JADEICA) method based on the high-order statistics of source signals was studied.It was applied to the blind source separation of rolling bearing faults' acoustic emission (AE) signals.The multi-AE source signals of rolling bearings were collected with multi-sensor.It was shown that the boiling bearing multi-AE source signals have characteristics,such as,time difference among multi-signals,with decay and quasi periodicity.Through the maximum joint approximate diagonalization,the one-to-one match between source signals and separated signals was realized to overcome the influence of nonlinearity and time difference.With the insensitivity of high-order statistics to Gaussian noise,the effects of random measured noise on the separated results were effectively suppressed.Correlation coefficient,quadratic residual,performance index and spectral characteristics were chosen toform a set of time-frequency domain evaluation indexes to verify the separated results.The simulation results verified the feasibility and effectiveness of the proposed method.【期刊名称】《振动与冲击》【年(卷),期】2017(036)005【总页数】7页(P231-237)【关键词】JADE;滚动轴承;故障诊断;声发射【作者】席剑辉;崔健驰;蒋丽英【作者单位】沈阳航空航天大学自动化学院,沈阳110036;沈阳航空航天大学自动化学院,沈阳110036;沈阳航空航天大学自动化学院,沈阳110036【正文语种】中文【中图分类】TP306旋转机械的故障有30%由轴承故障引起[1]，轴承状态对机器的工作状况影响极大。

基于盲源分离算法的风机轴承故障特征提取分析

基于盲源分离算法的风机轴承故障特征提取分析风机轴承故障是风力发电机组中一个常见的故障类型，它直接影响着风机的安全运行和发电效率。

对风机轴承故障的特征提取和分析是非常重要的。

本文将基于盲源分离算法，对风机轴承故障的特征进行提取和分析，并探讨其在实际风机故障诊断中的应用。

一、引言二、盲源分离算法盲源分离是指在观测到的混合信号中，用数学方法找出源信号的分离方法。

盲源分离算法主要有独立成分分析（ICA）、奇异值分解（SVD）、小波分析和自适应滤波等方法。

在风机轴承故障特征分析中，可以利用盲源分离算法对风机振动信号进行处理，提取出轴承故障的特征信号，为后续的故障诊断和预测提供有效的信息。

三、风机轴承故障特征提取1. 数据采集风机轴承故障的振动信号是一种非平稳非线性信号，通常需要利用加速度传感器等设备进行数据采集。

通过在风机轴承位置安装传感器，可以采集到风机在运行过程中的振动信号。

2. 信号处理采集到的振动信号可能会受到环境噪声的干扰，需要进行信号处理来去除噪声和提取有用信息。

盲源分离算法可以有效地对振动信号进行处理，提取出轴承故障的特征信号。

3. 特征提取通过盲源分离算法处理后的信号，可以得到轴承故障的特征信号，包括自然频率、幅值、谱线等特征。

这些特征可以反映出轴承故障的类型、程度和位置，为后续的故障诊断和预测提供有效的依据。

将采集到的风机振动数据进行盲源分离处理，并建立相应的数学模型，以便对轴承故障特征进行分析和提取。

2. 故障特征分析利用建立的数学模型，对轴承故障的特征进行分析，提取出故障的频率、幅值、谱线等特征信息，进而判断轴承故障的类型和位置，为故障诊断提供参考。

3. 故障诊断和预测通过分析得到的故障特征信息，可以对轴承故障进行及时诊断和预测，制定相应的维护计划，避免故障对风机的影响。

五、实验验证在实际风机运行中，可以利用盲源分离算法对风机轴承故障进行特征提取和分析，并验证其在风机故障诊断中的应用效果。

应用盲源分离法消除旋转机械振动信号噪音与干扰

摘要：工业过程状态检测和故障诊断的信号，会受到相邻设备振动信号的干扰及噪音信号污染，响对机器运行状态的准确判断影
和诊断。提出扩展干扰或噪音为一个源向量方法，利用盲源分离技术，研究机械源为线性卷积混叠模型，建立盲源分离技术消除振动干扰或噪音的算法。应用在风机轴振动信号试验表明，经盲源分离处理风机转子失衡引起轴振动信号的功率谱，优于未经
处理的信号功率谱，明了盲源分离技术消除机械设备间振动干扰和噪音信号的有效性。证
关键词：盲源分离；噪音消除；机械振动；源扩展
中图分类号：Ｐ０．Ｔ８２６文献标识码：Ａ
ＡｐｌａｉｎＢｉｄＳｕｃｅａａｉｎＡｐｒａｈｆｒＲｅｖｌＩｔｒｒｎｅｐｉｔｌｏｒｅＳｐｒｔｐｏｃｍｏａｎｅｆｅｃｃｏｎｏｏｅａｄＤｅｎｉｅｗｉｉｂａｉｎＳｇａｆＲｏｏｎ－ｏｓｔｎＶｉｒｔｉｎｌｏｔｒｈｏ
ｓｕｃｅａａｏ（Ｓ）ｅｈｉｕａｍｐｏｅ．ｎａｏｔｍｗｓｒｓａｃｅｅｖｌｎｅｅｅｃｎｅｏｒｅｓｐｒｔｎＢＳｔｃｎｑｅｗｓｅｌｄＡｇｒｈａｅｅｒｈｄｔｒｍｏａｉｒｒｎｅａｄｄ — ｉｙｌｉｏｔｆ
ｎｉｅｂｓｄｏｌｄｓｕｃｅａａｉｎａｄｉｕｅｎｅｐｒｎｆｆｕｔｄａｎｓｓｆｒｖｂａｉｎｓｎｌｆｓａ．ｏｓａｅｎｂｉｏｒｅｓｐｒｔ，ｎｓｓｄｉｘｅｍｅｔｏａｌｉｇｏｉｏｉｒｔｉａｈｆｎｏｉｏｇｏｔＴｅｒｓｌｓｏｎｔｅｐｗｅｐｃｒｍａｅｓｇａｏｉｒｔｎｗａａｓｃｅｓｂｔｒｔａｈｔｏｈｃｓ＇ｈｅｕｔｈｗ：ｈｏｒｓｅｔｕｔｔｉｎｌｆｖｂａｉｓｔｎａｔｄｉｅｔｈｎｔａｆｗｉｉｔｈｔｈｏｒｅｈｎ

EMD-Robust ICA在柴油机噪声源识别中的应用

EMD-Robust ICA在柴油机噪声源识别中的应用于宏志;沈颖刚;毕凤荣【摘要】为了有效地从复杂的单一通道噪声信号中分离和识别柴油机的噪声源,采用经验模态分解(EMD)和基于峭度的鲁棒性独立分量分析(RobustICA)相结合的方法,将EMD分解后的本征模态函数与原噪声信号作为RobustICA的输入,借助RobustICA良好的抗噪性,不需要对观测信号进行滤波处理就可以实现单一通道观测信号的源分量分离.模拟仿真的结果充分说明了该方法的可行性.应用于某四缸柴油机噪声信号分析,对分离出的独立分量进行小波(CWT)时频分析,结合内燃机的特性,从单一通道噪声信号中准确识别出柴油机的燃烧噪声和活塞敲击噪声.【期刊名称】《噪声与振动控制》【年(卷),期】2014(034)001【总页数】5页(P178-182)【关键词】声学;柴油机;经验模态分解;鲁棒性独立分量分析;噪声源识别【作者】于宏志;沈颖刚;毕凤荣【作者单位】昆明理工大学云南省内燃机重点实验室,昆明650500;昆明理工大学云南省内燃机重点实验室,昆明650500;天津大学内燃机燃烧学国家重点实验室,天津300072【正文语种】中文【中图分类】TB5柴油机由于其良好的动力性、燃油经济性和排放等性能，目前已广泛地应用于大中型汽车上，今后还将向小型汽车和轿车普及，然而柴油机存在严重的振动和噪声问题，如何快速、准确的识别振动源与噪声源是降噪减振的前提[1]。

文章尝试采用EMD-Robust ICA相结合的方法对单一通道噪声信号进行盲源分离，克服了独立分量分析要求传感器数目必须大于等于分离出分量数目的限制[2]；借助Robust ICA良好的抗噪性，不需要对观测信号进行滤波处理就可以实现单一通道观测信号的源分量分离[3]。

EMD的主要思想是根据信号本身的局部时间尺度特征，将一个时序信号分解为一组由高频到低频的均值为零的本征模态函数与一个余项的和[4]IMF需要满足以下两个条件：1)整个数据段范围内，极值点（极大值点和极小值点的总个数）的数目与过零点的数目相等，或最多相差一个；2)对于选定的一段信号，局部极大值点构成的上包络线与局部极小值点构成的下包络线均值为零。

基于DWT-EEMD的盲源分离算法在MT工频干扰消除中的应用

基于DWT-EEMD的盲源分离算法在MT工频干扰消除中的应用曹小玲;严良俊;蒋涛【期刊名称】《煤田地质与勘探》【年(卷),期】2018(046)002【摘要】为了消除大地电磁测深数据中的工频干扰,提出基于DWT-EEMD的盲源算法,利用DWT、EEMD和盲源分离的优良特性,在进行DWT和EEMD处理之后再进行盲源分离以消除噪声.该方法主要优势在于DWT-EEMD模型的采用和自适应权重因子的引入,在降低独立分量分析算法对恢复信号的幅值的不确定性的同时,使得在工频干扰噪声的幅值高于原始信号很多的情况下依然能较好地分离出原始信号.通过对实测大地电磁信号进行处理后发现,该方法使视电阻率曲线和相位曲线均变得平滑而稳定,较好地消除了大地电磁信号中的工频干扰噪声.【总页数】9页(P164-172)【作者】曹小玲;严良俊;蒋涛【作者单位】长江大学油气资源与勘探技术教育部重点实验室,湖北武汉 430100;非常规油气湖北省协同创新中心,湖北武汉 430100;长江大学信息与数学学院,湖北荆州 434023;长江大学油气资源与勘探技术教育部重点实验室,湖北武汉 430100;非常规油气湖北省协同创新中心,湖北武汉 430100;长江大学油气资源与勘探技术教育部重点实验室,湖北武汉 430100;非常规油气湖北省协同创新中心,湖北武汉430100【正文语种】中文【中图分类】P631【相关文献】1.基于APSO的盲源分离算法在盲图像分离中的应用 [J], 王猛;张文爱2.基于时间结构盲源分离算法的工频干扰消除 [J], 陈雷;张立毅;郭艳菊;刘婷;李锵3.基于盲源分离方法的工频干扰消除 [J], 吴小培;李晓辉;冯焕清;周荷琴4.基于盲源分离的旋转机械干扰消除技术研究 [J], 焦卫东;杨世锡;吴昭同5.M-PSK/QAM系统中基于相位预编码和盲源分离的共道干扰消除 [J], 杨小牛;姚俊良;李建东;李钊;张琰因版权原因，仅展示原文概要，查看原文内容请购买。

基于ICA的多舰艇螺旋桨噪音分离算法

基于ICA的多舰艇螺旋桨噪音分离算法摘要：水下多目标源信号相互干扰时，传统的滤波和基于傅里叶的方法已不适应。

针对该问题本文提出多源多接收器条件下的目标信号识别问题，通过基于峭度和负熵FastICA算法，得到了基于FastICA的多舰艇螺旋桨噪音信号分离算法。

关键词：独立成分分析；目标识别；信号分离；仿真实验；噪声消除基金项目：海军工程大学自然科学基金（HGDQNJJ13152）资助课题0引言作为弹性波的声波在水中传播具有损耗小、传播距离较远的优点，所以声纳技术在水下军事通信、导航和反潜作战中享有非常重要的地位。

同时也是人类人设、开发和利用海洋的重要手段，是不可缺少和行之有效的探测设备。

由于水声信号的非平稳性及低信噪比的特点，所以传统的滤波器去噪具有严重的不足，不仅信噪比较低，高频信息也丢失严重，甚至连反应信号特征的奇异点也可能被滤掉。

独立成分分析（ICA）是从多维统计数据中找出独立分量的方法。

源信号为相互独立的非高斯信号，可以看作线性空间的基信号，而观测信号则为源信号的线性组合，ICA就是在源信号和变换均不可知的情况下，依据统计独立性从观测的混合信号中估计出数据空间的基本结构或者说源信号。

目前ICA已经被广泛应用在特征提取、生物医学信号处理、通信系统、金融领域、图像处理、语音信号处理等领域，并取得了一些成绩。

1多源多接收器条件下目标信号识别问题在水面或水下目标的信号探测中，被探测信号除了被海洋本身的背景噪声（混响）污染外，还常常遇到这样一个问题，被探测目标往往也被周围其他目标产生信号污染。

其中在水下目标的探测中，舰艇螺旋桨的噪音信号当中存在大量有价值特征。

但是舰艇常以编队形式远洋，每艘舰艇的螺旋桨声音信号都被同舰队其他舰艇的螺旋桨声音所淹没，很难单独抽取进行识别。

再比如潜艇长时间在深水潜航，难以探测，在浅水潜航时也常常通过跟随其他船只（如商船）的方式来掩盖其踪迹，此时潜艇的螺旋桨噪音被其他船只的螺旋桨噪音所污染，难以识别。

基于EEMD和ICA的单通道列车信号盲分离

基于EEMD和ICA的单通道列车信号盲分离GU Qian-wei;JIN Wei-dong;YU Zhi-bin【期刊名称】《计算机应用研究》【年(卷),期】2014(31)5【摘要】针对列车混合故障的诊断，提出了一种基于集合平均经验分解（EEMD）和独立分量分析（ICA）的盲分离诊断方法。

通过EEMD算法将混合信号分解为包含不同源信号特征的本征模态函数（IMF），组成新的多维信号；用主成分分析准确估计源信号个数，解决了单通道信号盲分离的欠定问题；利用快速独立分量分析（Fast-ICA）算法实现了信号的盲分离。

实验信号分别采用仿真信号和列车实验信号进行实验，实验结果表明，该算法可以有效地分离出列车的单故障信号。

%Blind source separation is an effective method for multiple fault diagnosis.This paper proposed a new blind source separation algorithm based on ensemble empirical mode decomposition(EEMD) for fault diagnosis of train signal.Nonlinear mixed signal filtere【总页数】3页(P1551-1553)【作者】GU Qian-wei;JIN Wei-dong;YU Zhi-bin【作者单位】School of Electrical Engineering，Southwest Jiaotong University，Chengdu 610031，Chin;School of Electrical Engineering，Southwest Jiaotong University，Chengdu 610031，Chin;School of Electrical Engineering，Southwest Jiaotong University，Chengdu 610031，Chin【正文语种】中文【中图分类】TP391【相关文献】1.基于EMD的单通道变压器振动信号盲分离 [J], 张文民;徐樊浩;张慧娟;张茜2.基于CEEMDAN-ICA的单通道脑电信号r眼电伪迹滤除方法 [J], 罗志增;严志华;傅炜东3.基于EEMD的单通道机械噪声信号盲分离 [J], 侯一民;张荣彬4.基于小波变换的单通道信号盲分离方法 [J], 解辉;李猛;田建刚;岳夕彪;杨庆培5.基于核函数的二阶盲辨识的单通道信号盲分离方法研究 [J], 刘邦;肖涵;易灿灿因版权原因，仅展示原文概要，查看原文内容请购买。

采用偏相干分析方法识别挖掘机驾驶室的噪声源

ｈｒｒＳｈ－ｒｒｄｉｅｓｔｅｄｉｅ ’ ｆｇｔａａｅｉｅｔｆｄｕｉｇｔｅｐｒａｏｅｅｃｎａｙｉ．ｉｗｏｋｐｏｉｅｏｖｉｅｎｉｎｈａｔｌｈｒｎｅａｌｓｓＴｈｓｒｒｖｄｓｓｍｅｇｉａｃｏｒｆｒｅｔｄｉｃｕｄｎｅｆｕｔｒｓｙｈｕ
２１年８０１月
噪
声
与
振
动
控
制
第４期
文章编号：０６１５（００－１６０１０－３５２１）４００ —５１
采用偏相干分析方法识别挖掘机驾驶室的噪声源
张戎斌，毕传兴，张永斌
（肥工业大学噪声与振动工程研究所，合肥２００合３０９）
ｏｖｂａｉｎａｄｎｉｅｒｄｃｉｎｏｔｅｅｃｖｔｒｆｉｒｔｏｓｕｔｆｈｘａａｏｏｕｉｘａａｏ；ａｔｌｏｅｅｃａｙｉｎｉｅｓｕｃｓ；ｏｓｅｕｔｎｙｗｏｄａｏｓｉｈｄａｌｅｃｖｔｒｐｒａｈｒｎｅａｌｓｓ；ｏｓｏｅｎｉｅｒｄｃｉｃｃｉｃｎｒｏ
关键词：学；液压挖掘机；相干系数；声源：噪声偏降中国分类号：Ｂ３Ｔ５文献标识码：ＡＤＯ编码：０３６／ｉｎ１０－３５２１．．５Ｉ１．９９．ｓ．６１５－０１４０ｊｓ００２
Ｉｅｔｃｔｎｏｃｖｔｒｂ’ ｉｅＳｕｃｓｄｏａｔｌｄｎｉａｉｆｉｆｏＥｘａａｏＣａＳＮｏｓｏｒｅＢａｅｎＰｒｉａ

ICA在噪声源故障信号分离中的应用

ｓｇａｓｓｐｒｔｎａｄｂａｉｇｆｕｔｓｇａｓｅｔｃｉｎｄｍｏｓｒｔａｅＩＡｔｏｓｅｆｃｉｅｆｒｎｉｅｉｎｌｅａａｉｎｅｒｎａｌｉｌｘｒｔｅｎｔａｅｔｔｔＣｍｅｄｉｆｔｏｓｏｎｌａｉｎｏｏｓｏｒｅｆｕｔｓｇａｓｓｐｒｔｏｔＣＡｐｉｔｏｆｎｉｅｓｕｃａｌｉｎｌｅａａｉｎｗｉｈＩｃ
ＺＡＮＧＣａ —ｈｎＡａｉ，ｔｉｏｑｎＨｈｏｚｏｇ，ＢＩＸｉｏ１ｔＮａ — ｉＵ
３ＮｔｎｌｎｖｒｉｆｅｅｓｅｈｏｏｙＣａ￣ｈ１０３ｈｎ）：ａｏａｉｓｙｏｆｎｅＴｃｎｌ，ｈｎａ０７，ＣｉｉＵｅｔＤｇ４ａ
ＡｂｔａｔＢｓｄｏｈｓｒｃ：ａｅｎｔｅＭＡＴＬＡＢｔｏ，ｔｅｗｅｌｋｏｌｏｉｍａｄＦｓｌＡｏＣＷａｓｄｔｉｅｔｅｏｌｈｌ— ｎｗｎａｇｒｔｎｍｅａｔＣｆｒＩＡｓｕｅｏｇｖｈｈ
ｓｇａｓｓｐｒｔｎ．ｉｌｅａｉｎａｏ
Ｋｅｒｓｉｄｐｎｅｔｃｍｐｎｎｔａｌｓｓｉｎｌｅａａｉｎ；ｎｉｅｏｄｓｇａｓ；ｂａｉｇｆｕｔｓｇａｓｙｗｏｄ：ｎｅｅｄｎｏｏｅｎａｙｉ；ｓｇａｓｓｐｒｔｏｏｓ；ｓｕｉｌｅｒｎａｌｉｌｎｎｎ
ａｐｏｃｒｎｉｏｎｏｒｅｓｎｌｓｐｒｔｎ，ａｄｓｍｅａａｙｅｅｅｄｓｒｅＴｅｅａｌｓｏｕｄｐｒａｈｆｏｓｓｕｄｓｕｃｉａｓｅａａｉｏｅｇｏｎｏｎｓｓｗｒｉｉｄ．ｈｘｍｐｅｆｏｎｌｃｂｓ

毕业设计(论文)-基于盲源分离技术的语音信号噪声分析与处理[管理资料]

目录摘要 ............................................................................................................................. I II ABSTRACT ................................................................................................................. I V 第一章语音信号及噪声概述................................................................................. - 1 - 语音信号的概述 .................................................................................................... - 1 - 语音特性分析......................................................................................... - 1 -语音信号的基本特征............................................................................. - 2 -..................................................................................................................... - 3 -信噪比(Signal Noise Ratio，SNR) ........................................................ - 3 -信干比(signal-to-Interference Ratio，SIR) ........................................... - 4 - 第二章盲信号处理................................................................................................. - 5 - .................................................................................................................................. - 5 - 盲信号处理的基本概念......................................................................... - 5 -盲信号处理的方法和分类....................................................................... - 5 -盲信号处理技术的研究应用................................................................... - 6 -盲源分离法............................................................................................... - 7 -盲源分离技术........................................................................................... - 7 -盲分离算法实现....................................................................................... - 7 -盲源分离技术的研究发展和应用........................................................... - 8 - 独立成分分析 ........................................................................................................ - 9 - 独立成分分析的定义............................................................................... - 9 -ICA的基本原理..................................................................................... - 10 - 本文对ICA的研究目的及实现.......................................................................... - 12 - 第三章盲语音信号分离的实现及抑噪分析....................................................... - 15 - 盲语音信号分离的实现 ...................................................................................... - 15 - 盲信号分离的三种算法......................................................................... - 15 -不同算法的分离性能比较..................................................................... - 16 - 抑制噪声的算法仿真及结果分析 .................................................................... - 17 -抑噪算法仿真实现................................................................................. - 17 -................................................................................................................... - 20 -不同算法的分离性能比较..................................................................... - 28 - 第四章结论与展望............................................................................................... - 34 - 致谢................................................................................................................. - 36 - 参考文献................................................................................................................. - 37 - 附录................................................................................................................. - 37 -基于盲源分离技术的语音信号噪声分析与处理摘要语音信号盲分离处理的含义是指利用BSS技术对麦克风检测到的一段语音信号进行处理。

一种新型的基于ICA的盲源分离的多用户检测算法

一种新型的基于ICA的盲源分离的多用户检测算法
谢红;赵淼
【期刊名称】《现代电子技术》
【年(卷),期】2008(31)4
【摘要】提出一种基于独立的成份分析(ICA)的多用户检测方案,独立的成分分析只依靠对信号源独立性和非高斯性的假设,与传统独立成分分析方法相比更具灵活性和鲁棒性,实现了目标用户信号的提取.仿真实验表明,该算法的误码率性能在用户数量增大和远近效应严重的情况下都能较为理想地实现检测功能.
【总页数】2页(P124-125)
【作者】谢红;赵淼
【作者单位】哈尔滨工程大学,黑龙江,哈尔滨,150001;哈尔滨工程大学,黑龙江,哈尔滨,150001
【正文语种】中文
【中图分类】TN911
【相关文献】
1.一种基于盲源分离的直扩信号载频检测算法 [J], 张晓林;郭黎利
2.基于盲源分离的多用户检测算法 [J], 贾存丽 ;田亚菲 ;王光辉
3.一种基于非负矩阵分解的改进FastICA盲源分离方法 [J], 王艳芳;王敏
4.一种基于ICA的盲源分离定点迭代算法 [J], 李鸿燕;马建芬;李灯熬;王华奎
5.一种基于FastICA的盲源分离方法 [J], 黄煜;王浩;卢锋;田洪瑞
因版权原因，仅展示原文概要，查看原文内容请购买。

某大型液压挖掘机驾驶室内噪声源识别试验研究

Ｋｅｙｗｏｒｄｓ：ｈｙｄｒａｕｌｉｃｅｘｃａｖａｔｏｒ；ｓｐｅｃｔｒｕｍａｎａｌｙｓｉｓ；ｏｒｄｅｒｔｒａｃｋｉｎｇ：ｎｏｉｓｅｔｅｓｔ
威胁人类生存的三大公害之一。工程机械的噪声极易使用户感到疲劳，对其舒适性有着重要影响。驾驶室内噪声作
ｉｎｔｒｏｄｕｃｅｄ．Ｓｅｃｏｎｄｌｙ，ｔｈｅｌｅｖｅｌｏｆｃａｂｎｏｉｓｅａｒｅｃｏｍｐａｒｅｄｕｎｄｅｒｄｉｆｆｅｒｅｎｔｃｏｎｄｉｔｉｏｎｓ．Ｆｉｎａｌｌｙ，ｃｏｍｂｉｎｅｄｗｉｔｈｒｅｌｅｖａｎｔｐａｒａｍｅｔｅｒｓｏｆｅｎｇｉｎｅ，ｃｏｏｌｉｎｇｆａｎａｎｄｐｉｓｔｏｎｐｕｍｐ，ｔｈｅｍａｉｎｎｏｉｓｅｓｏｕｒｃｅｓａｒｅｉｄｅｎｔｉｆｉｅｄａｃｃｏｒｄｉｎｇｔｏｔｈｅｎｏｉｓｅ
（ＩｎｓｔｉｔｕｔｅｏｆＳｏｕｎｄａｎｄＶｉｂｒａｔｉｏｎＲｅｓｅａｒｃｈ，ＨｅｆｅｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈｅｆｅｉ２３０００９，Ｃｈｉｎａ）
ａｄｖａｎｔａｇｅｏｆｓｐｅｃｔｒｕｍａｎａｌｙｓｉｓａｎｄｏｒｄｅｒｔｒａｃｋｉｎｇｔｏｄｏｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｅａｒｃｈｆｏｒｔｈｅｃａｂｎｏｉｓｅｉｎｔｈｅｐｕｒｐｏｓｅｏｆ

CEEMD-FastICA-CWT_联合瞬态响应阶次的电驱总成噪声源识别

引用格式：张威, 景国玺, 武一民, 等. CEEMD-FastICA-CWT 联合瞬态响应阶次的电驱总成噪声源识别[J]. 中国测试，2024,50(4): 144-152. ZHANG Wei, JING Guoxi, WU Yimin, et al. Noise source identification of electric drive assembly based on CEEMD-FastICA-CWT combined transient response order[J]. China Measurement & Test, 2024, 50(4): 144-152. DOI : 10.11857/j.issn.1674-5124.2022030092CEEMD-FastICA-CWT 联合瞬态响应阶次的电驱总成噪声源识别张威1，景国玺1，武一民1，杨征睿2,3，高辉2,3(1. 河北工业大学天津市新能源汽车动力传动与安全技术重点实验室，天津 300400; 2. 中汽研（天津）汽车工程研究院有限公司，天津 300300; 3. 中国汽车技术研究中心有限公司，天津 300300)摘　要: 以某增程式电驱动总成为研究对象，提出基于联合算法的噪声分离识别模型。

首先，采用互补集合经验模态分解(complementary ensemble empirical mode decomposition ，CEEMD)联合快速独立分量分析(fast independent component analysis ，FastICA)方法提取纯电模式稳态工况下单一通道噪声信号特征，利用复Morlet 小波变换及FFT 对各分量信号时频特性进行识别。

其次，采用阶次分析法和声能叠加法对稳态分量信号对应的各瞬态响应阶次能量进行对比分析，并结合皮尔逊积矩相关系数(Pearson product moment correlation coefficient ，PPMCC)相似性识别确定不同噪声激励源贡献度。

基于EEMD的地声信号单通道盲源分离算法

基于ＥＭＤ的地声信号单通道盲源分离算法Ｅ
刘佳，杨士莪，朴胜春
（尔滨工程大学水声技术国家级重点实验室，哈黑龙江哈尔滨１００）５０１摘要：针对只有一个观测通道时，基于矩阵运算的盲源分离算法将会失效的问题，出一种适用于单观测通道的地声提
领域有一些相应的研究成果，Ｊｎｌ使用的圳如ａｇ５
杨士莪（９１）男，１３一，教授，博士生导师，中国工程院院士．通信作者：刘佳．
第２期
刘
佳，：于ＥＭＤ的地声信号单通道盲源分离算法等基Ｅ
时域基函数法进行源信号的分离，成功将此应用并
ＬＵＪａＩｉ，ＹＡＮＧｈｅ，ＰＡ０ＳｅｇｈｎＳｉＩｈｎｃｕ
（ａｏａＬｂｒｔｙｏｎｅｗｔｒｃｕｔｅｈｏｇ，ａｂｎＥｇｅｒｇＵｉｒｔ，ａｂｎ１００，ｈａＮｔｎｌａｏｏｆｄｒａｏｓｃＴｃｎｌｙＨｒｉｎｉｅｉｎｖｓｙＨｒｉ５０１Ｃｉ）ｉａｒＵｅＡｉｏｎｎｅｉｎ
作者简介：佳（９４）女，士研究生， — ａ：ｕａ０７１３刘１８一，博Ｅｍｉｌｊ１６＠６ｌｉｉ
ｃｏ；ｎ
基于矩阵运算的常规盲源分离算法都不适用．关于
这类单通道盲源分离问题，语音、物医学等应用在生
Ｔｈｅｓｎｇｅｃａｎｌｓｉｍｉ－ｃｕｔｃｓｇａｉｌｈｎｅｅｓｃａｏｓｉｉｎｌ

MEMS IMU实测磁信号MNMF盲源分离降噪及匹配定位分析

MEMS IMU实测磁信号MNMF盲源分离降噪及匹配定位分析在科技的海洋中，微机电系统（MEMS）惯性测量单元（IMU）如同一艘精密的探险船，其内置的磁传感器是这艘船上不可或缺的导航仪。

然而，当这艘探险船驶入磁场复杂的海域时，它的导航仪往往会受到干扰，导致航向偏离。

这种干扰，我们称之为磁噪声。

为了确保MEMS IMU的精确导航，我们必须对实测磁信号进行盲源分离降噪处理，并实现匹配定位分析。

首先，让我们来剖析一下这个复杂的问题。

盲源分离技术就像是一场精心编排的交响乐，各种乐器的声音交织在一起，但通过巧妙的方法，我们可以将每一种乐器的声音单独提取出来。

同样，盲源分离技术能够从混合的信号中分离出我们感兴趣的磁信号，就像从嘈杂的市场声中听出一只小鸟的鸣叫。

然而，这个过程并非一帆风顺。

磁噪声的存在，就像是在交响乐中突然响起的刺耳刹车声，打破了原有的和谐。

为了消除这种噪声，我们需要运用MNMF（一种盲源分离算法）这样的魔法棒，它能够巧妙地识别并剔除那些不和谐的声音，让磁信号重新变得清晰可辨。

接下来，我们要进行的是匹配定位分析。

这个过程就像是用一张精细的地图来确定我们的探险船在茫茫大海中的确切位置。

通过对降噪后的磁信号进行分析，我们可以确定MEMS IMU在空间中的精确姿态和位置信息。

这不仅仅是一次简单的定位，更是对整个航行过程的精准把控。

在这个过程中，我们不得不提到的是，MNMF盲源分离算法的强大之处。

它就像是一位经验丰富的指挥家，能够在众多声音中准确地分辨出每一种乐器的音色，并将它们有序地组织起来。

这种算法不仅能够有效地分离出磁信号，还能够在很大程度上保留信号的原始特性，为后续的匹配定位分析提供了坚实的基础。

当然，我们也不得不面对一些挑战。

在实际的应用过程中，MEMS IMU可能会遇到各种复杂的情况，比如磁场的突变、传感器的非理想特性等。

这些因素都会给盲源分离降噪和匹配定位分析带来一定的困难。

因此，我们需要不断地优化算法，提高其鲁棒性和适应性，以确保在各种复杂环境下都能够获得准确的结果。