机械信号的盲处理方法及应用

第1章 绪论 1

1.1 盲源分离概述 1

1.1.1 盲源分离的基本概念 1

1.1.2 盲源分离的发展历史 2

1.2 机械信号的盲处理方法研究 5

1.2.1 盲源分离的应用条件研究 5

1.2.2 机械源信号盲分离方法研究 6

1.2.3 盲特征信息提取方法研究 7

1.2.4 盲识别和盲诊断方法研究 8

1.3 盲源分离方法应用面临的问题 9

1.3.1 源信号数量的估计 9

1.3.2 欠定盲源分离 10

1.3.3 盲特征信息提取 11

1.3.4 其他问题 12

第2章 盲源分离理论基础 14

2.1 盲源分离的数学基础 14

2.1.1 概率论基础 14

2.1.2 信息论基础 18

2.1.3 盲源分离问题的可解性 21

2.2 盲源分离的数学模型 23

2.2.1 盲源分离基本模型 23

2.2.2 盲源分离的基本假设和性质 25

2.2.3 盲源分离的基本算法 27

2.3 盲源分离的预处理方法 32

2.3.1 中心化处理 32

2.3.2 白化处理 32

2.3.3 降维处理 34

2.4 盲源分离的算法评价标准 34

2.4.1 目标函数评价标准 34

2.4.2 相关性评价标准 35

2.4.3 信噪比评价标准 36

2.4.4 其他评价标准 36

第3章 机械盲信号的源数估计方法 38

3.1 源数估计的基本概念 38

3.2 源数估计的奇异值分解方法 39

3.2.1 SVD方法的基本原理 39

3.2.2 SVD方法的基本步骤 40

3.2.3 基于奇异值的源数估计方法 41

3.2.4 SVD方法的局限性 44

3.3 改进的奇异值分解方法 44

3.3.1 基于Wavelet-SVD的改进算法 44

3.3.2 基于IMF-SVD的改进算法 56

3.4 应用实例 66

3.4.1 液压设备的本底振源 66

3.4.2 液压设备的源数估计 69

第4章 欠定盲源分离算法 74

4.1 欠定盲源分离模型及算法 75

4.1.1 欠定盲源分离模型 75

4.1.2 欠定盲源分离模型的辨识性能 76

4.1.3 欠定盲源分离算法及其局限性 77

4.2 单一通道盲源分离模型及算法 78

4.2.1 单一通道盲源分离模型 78

4.2.2 可分离性分析 79

4.2.3 单一通道盲源分离算法 79

4.3 基于EMD的单一通道盲源分离算法研究 81

4.3.1 EMD理论和方法 81

4.3.2 基于EMD的单一通道盲源分离算法 86

4.3.3 仿真分析 88

第5章 基于盲源分离参量的特征信息提取方法 91

5.1 相关数学知识 91

5.1.1 包络分析 91

5.1.2 奇异值分解 93

5.1.3 信息熵 93

5.2 基于源信号包络矩阵奇异值的特征信息提取方法 95

5.2.1 必要性和可行性分析 95

5.2.2 基于源信号包络矩阵奇异值的特征信息提取方法 96

5.2.3 应用实例 101

5.3 基于分离矩阵奇异值的特征信息提取方法 108

5.3.1 必要性和可行性分析 108

5.3.2 基于BSSM-SV的特征信息提取方法 108

5.3.3 基于IMF-BSSM-SV的特征信息提取方法 111

第6章 基于非高斯性准则的特征信息提取方法 118

6.1 盲源分离算法的非高斯性准则 118

6.1.1 峭度（Kurtosis）准则 119

6.1.2 负熵（Negentropy）准则 121

6.2 基于峭度的特征信息提取 124

6.2.1 基于峭度的特征信息提取方法 124

6.2.2 应用实例 125

6.3 基于负熵的特征信息提取 130

6.3.1 基于负熵的特征信息提取方法 131

6.3.2 应用实例 133

第7章 在液压设备故障诊断中的应用 144

7.1 液压系统故障模拟与监测实验台 144

7.1.1 液压系统故障模拟实验台 144

7.1.2 在线监测系统 147

7.2 液压齿轮泵的盲信号处理 151

7.2.1 液压齿轮泵故障诊断存在的问题 151

7.2.2 液压齿轮泵的盲源分离问题 152

7.3 液压齿轮泵的盲信号处理 153

7.3.1 液压齿轮泵盲信号处理的基本思路 153

7.3.2 盲信号处理算法的应用 154

7.3.3 应用实例 157

参考文献 160