ICA算法流程图

　　3 实验验证

　　3.1仿真实验

　　假设有三种信号，正弦波、锯齿波、随机噪声。对这三种信号进行时域盲源分离。所去点数N=500.

　　源信号(3.1.1)

　　混合信号(3.1.2)

　　分离信号(3.1.3)

　　由图(3.1.3)可以看出，除了信号波形的次序、幅度有些变化外，源信号被很好的分离出来了。可见FASTICA算法对信号的分离是成功的。

　　3.2 齿轮箱故障特征分离实验

　　FASTICA在齿轮箱故障诊断中的应用，下图是测点的选取，选取的原则是测点位置选择在振动信号最敏感的部位,这样获取的响应信号中包含的系统状态信息量最大同时也为了能够顺利的运用独立分量分析方法来分离齿轮箱振动响应信号。本文取断齿故障50Hz下进行分析，选择1~3测点。

　　从时域波形可以看到信号中含有较明显的周期冲激振动成分，但不能提供进一步信息。从功率谱图可以看出，混合信号的功率谱，含有的频率混杂，经过FASTICA后，各种干扰信号得到了很好的抑制，齿轮副II的啮合频率为190.1Hz及其2~4谐波和6次谐波，即图(icasig1)和图(icasig3)，图(icasig2)是齿轮副I的啮合频率699.3Hz。可见独立分量分析方法确实可以将两个特征频率分离，提高故障诊断的精度，降低提取的难度。

　　表1和表2分别是断齿故障和正常工况下的特征参量：

　　表1 断齿故障 峭度指标 测点1 6.725081 测点2 8.66669 测点3 6.881591 表2 正常 峭度指标 测点1 3.30591 测点2 3.12842 测点3 3.17813

　　4 总结

　　盲源分离技术在振源信号和传递通道未知的情况下,仅利用测量信号就可分离出独立振源信号的幅值谱，FASTICA算法不仅提取了源信号故障特征,还具有计算量小的优点。将盲源分离原理中的独立分量分析技术应用于故障信号特征提取，可以有效地消除各个部件之间的振动干扰，从而提高诊断精度,解决实际中故障定位难,早期故障诊断率低的难题，为故障诊断系统提供丰富的诊断信息。

　　参考文献

　　[1] 黄晋英, 毕世华, 潘宏侠等. 独立分量分析在齿轮箱故障诊断中的应用[J].振动、测试与诊断.2008.28(2).126-130.

　　[2] Comon P.Independant Component Analysis—A New Concept [J].Signal Processing,36.1994:287-314.

　　[3] 樊永生.机械设备诊断的现代信号处理方法.国防工业出版社，2009.

　　[4] 石庆斌, 马建仓. 盲源分离在机械振动信号分析中的应用[J].测控技术，2008.27(5).78-80.

　　[5] 项文娟. 齿轮箱故障源信号分析方法及系统研究.浙江大学，2007.

　　[6] Hyvarinen A,Oja E.Independent Component Analysis:http://www.cis.hut.fi/projects/ica/

　　[7] 钟飞，谭中军，史铁林等.基于ICA和小波变换的轴承故障特征提取.微计算机信息.2007(23).

　　[8] 丁康等.齿轮及齿轮箱故障诊断实用技术.机械工业出版社，2005.5.

 2/2   首页 上一页 1 2