基于密度和压缩感知的齿轮振动信源欠定盲源分离方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112560699A(43)申请公布日2021.03.26(21)申请号202011503046.7(22)申请日2020.12.18(71)申请人南京航空航天大学地址210016江苏省南京市秦淮区御道街29号(72)发明人陆建涛李妙珍李舜酩程龙欢(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204代理人柏尚春(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书2页说明书6页附图2页(54)发明名称基于密度和压缩感知的齿轮振动信源欠定盲源分离方法(57)摘要本发明公开了一种基于密度和压缩感知的齿轮振动信源欠定盲源分离方法，首先，采用小波降噪的方法对采集信号进行降噪预处理；其次，对混合信号使用短时傅里叶变换，实现时域内的卷积混合模型转化为各频带内的线性混合模型；然后，基于稀疏编码的单源点提取方法和基于密度峰值聚类法的振源数目识别方法，实现混合矩阵的有效估计；通过压缩感知方法对源信号进行恢复，获得分离信号；最后，对各频带的分离信号进行次序和幅度修正，然后将分离信号从频域转化为时域。本发明通过密度峰值聚类法进行振动源数目的估计增强对噪声的鲁棒性，降低产生虚假峰值的概率，进而降低振动源数目估计误差，能够有效完成对混合信号的分离工作。CN112560699ACN112560699A权利要求书1/2页1.一种基于密度和压缩感知的齿轮振动信源欠定盲源分离方法，其特征在于，包括以下步骤：(1)采用小波降噪的方法对采集信号进行降噪预处理；(2)对混合信号使用短时傅里叶变换，实现时域内的线性卷积混合模型转化为各频带内的线性瞬时混合模型；(3)基于稀疏编码的单源点提取方法和基于密度峰值聚类法的振源数目识别方法，实现混合矩阵的有效估计；(4)通过压缩感知方法对源信号进行恢复，获得分离信号：(5)对经过步骤(4)获取的各频带的分离信号进行次序和幅度修正，然后将分离信号从频域转化为时域。2.根据权利要求1所述的基于密度和压缩感知的齿轮振动信源欠定盲源分离方法，其特征在于，所述步骤(2)实现过程如下：线性卷积混合模型为：T其中，x(t)表示t时刻接收的m维离散时间信号，x(t)＝[x1(t),x2(t),…,xm(t)]；s(t)T表示t时刻发出的n维离散时间信号，s(t)＝[s1(t),s2(t),…,sn(t)]；Hp表示时延为p的m×n维混合系数矩阵；v(t)表示t时刻的噪声信号；*表示卷积运算符；将式(5)变换到z域：x(z)＝H(z)s(z)+v(z)(6)其中，H(z)为m×n阶矩阵：其中，hji(p)表示第i个源到第j个观测的混合滤波器的滤波器系数，i＝1～n,j＝1～m；对降噪后的混合信号x(t)使用短时傅里叶变换，将其从时域转换到频域中，将线性卷积混合模型近似为每个频率处的线性瞬时混合模型：x(t,f)＝H(f)s(t,f)(8)其中，H(f)＝[h1(f),h2(f),…,hN(f)]为频域滤波器。3.根据权利要求1所述的基于密度和压缩感知的齿轮振动信源欠定盲源分离方法，其特征在于，所述步骤(3)实现过程如下：将所有的时频向量组合构成一个矩阵U(t,f)＝[x1(t,f),…,xK(t,f)]，则xi(t,f)可以用U(t,f)中除xi(t,f)之外的向量进行编码，即：xi(t,f)＝U(f)c,s.t.ci＝0(9)则单源点的识别问题转化为下面的l0范数优化问题：min||c||0,s.t.xi(t,f)＝U(f)c,ci＝0(10)当c足够稀疏时，转化为l1范数优化问题，并进而转化为：2CN112560699A权利要求书2/2页得到单源点之后，对单源点进行聚类即可得到混合矩阵的估计，每个聚类中心表达的信息即为对混合矩阵一个列向量的估计，即：其中，yi(i＝1,2,…,K)表示提取的单源点，而类别数目即为源信号的个数。4.根据权利要求1所述的基于密度和压缩感知的齿轮振动信源欠定盲源分离方法，其特征在于，所述步骤(4)实现过程如下：压缩感知数学模型为：Ty(y1,y2,…,yn)＝Ux＝UVs＝Ws(16)其中，y表示长度为m的压缩信号，且m<n，传感矩阵W(m×n)＝UV，压缩重构过程就是求压缩感知的逆过程；T两个长度为t的混合信号可以变换为y＝(y11,y12,…,y1t,y21,y22,…,y2t)；利用估计矩阵来构建出传感矩阵W，由压缩感知模型可知，当混合信号y(mt×1)时，其传感矩阵为W(mt×nt)，利用单位矩阵Ei来扩充估计矩阵中的元素，即具体转换如式：T其中，重构信号x＝(x11,x12,…,x1t,…,xn1,xn1,…,xnt)维数为(nt×1)；平滑l0范数定义为其中：平滑参数