声振论坛

 找回密码
 我要加入

QQ登录

只需一步,快速开始

声振论坛 展示 振动理论 信号处理 查看内容

盲源分离技术与振动信号之间的发展联系

2015-11-14 03:31| 发布者: aspen| 查看: 2389| 评论: 47|原作者: yugang2010|来自: 声振论坛

摘要: 用一帖子,回答一网友关于“盲源分离与振动信号处理之间发展关系”的提问。 盲源分离概念是在1990年左右提出,最先用于处理语音信号,一个具体的例子就是“鸡尾酒会”中,人们可以从很多源中分辨出不同的声音来 ...
用一帖子,回答一网友关于“盲源分离与振动信号处理之间发展关系”的提问。

盲源分离概念是在1990年左右提出,最先用于处理语音信号,一个具体的例子就是“鸡尾酒会”中,人们可以从很多源中分辨出不同的声音来源。最著名的要属ICA了,利用信号间统计独立信息估计混合矩阵,然后利用逆矩阵恢复源信号。

      在2000年左右才用于处理振动信号。由于大部分实际测量信号是多个源的混合,如果能将各原始源信号分离出来,那画面美极了,由此看来,盲源分离的概念是很有诱惑力的。但是,如果直接将处理语音信号的算法移植过来,处理振动信号,结果很不尽如人愿。最主要的原因是,用矩阵混合的模型无法准确描述振源信号的混合,况且还有噪声呢。一般来说,论文里经常提到的3点:一,传感器数量大于源数量。二,分离出来的信号幅值相位不确定。三,源信号满足高斯及独立假设。总体来言,基于矩阵分解的盲源分离算法不适合处理振动信号。

很多已发表论文,都是针对上述3点中,某一点或者某几点进行改进。SCI用谷歌搜索了下,大约150篇左右(2000-2014)。看起来并不是很大的量。主要是,一,盲源分离算法的不成熟,得不到理想信号;二,分离出来的信号用途不明确。这150篇里,绝大多数用在了轴承齿轮故障信号里了(当然,这也是振动信号分析中一个热点);也有用在内燃机振动信息里的;个人认为,比较新的是用在了模态参数识别中(最早是2007年)。轴承故障信号应用中,分离出来的信号,只要能自圆其说,就可以了;内燃机信号也是如此;模态参数识别,还算是有点具体应用价值。

所以,要是想发表有创新性的论文,记得要解决上述3个问题,最好一起解决了。如果解决不好,盲源分离只是一个看起来很美的远景而已。

振动信号处理的另一个大方向,个人认为,是时频分析。从近十几年来看,时频分解方法总体分为2大类吧。一是,短时傅里叶、小波、S变换、WVD变换之类的基投影(或内积处理)方法;第二个是以EMD为首的自适应信号分解方法。每种方法都有问题。

个人认为,这方面的热点是:前者热衷于提高时频分布图的可读性(或称,高时频分辨率,良好时频聚集性等);后者更加关心,可以分解出具有明显特征意义的模态函数,而后可以用helbirt得到瞬时频率。这两方面都算是热点,每年也有很多论文提出解决方案。个人觉得,EMD不太适合振动信号,还是从事前者较靠谱一些。

还有像是,原子分解,基追踪,匹配追踪之类的,接触少,从一些已发表论文来看,个人觉得不是很合适处理振动信号。

曾经,关注过压缩感知这种新东西,可是找不到切入点,故而放弃。不过,在其他领域,如,通信、语音、图像中,很热很热。有兴趣可以感受一下。

很多话也就是在论坛里可以说说,论文里可不敢。不过现在很多论文太容易误导人了,导致很多人走向一条不归路,我还是希望大家能踊跃给出批评建议,畅所欲言,做到不吐不快。

论坛里有很多高校的老师教授,希望从它们那得到一些指点和建议。本人主要感兴趣的是振动信号处理。
发表评论

最新评论

引用 shuihai707 2014-9-15 23:04
希望以后论文有仿真的,都公开代码,防止学术造假!
引用 shuihai707 2014-9-15 23:07
振动信号一般调制现象较明显,个人感觉EMD处理振动信号还可以,振动信号处理的书籍中几乎都会介绍一下EMD。
引用 sh_lin30 2014-9-15 23:16
感谢,算是一个简单的科普
引用 yugang2010 2014-9-16 09:00
shuihai707 发表于 2014-9-15 23:04
希望以后论文有仿真的,都公开代码,防止学术造假!

说句实在话,工科学生更多的不是信号处理专业出身,这方面想要有所突破,有点困难。这就造成了,大部分振动信号处理方面的论文,更多的是东拼西凑,各种融合方法的出现。公布出来,一是鲁棒性太差,二是价值不大。他们方法也就用在自己信号上还行,掺了多少水也只有自己知道。外国人能做到这方面的少,中国人更少。看其他领域,如图像、通信、语音等,他们科班出身,每年大量优秀论文代码会发表、公布。在嫁接移植的时候,尽量不要生搬硬凑,一定要明白某种算法为什么有时候可以得到好的结果,为什么得不到好的结果。根据振动信号特点进行选取并改进。凑论文,没意思,可是又不得不凑。等我论文都收了,再公布代码吧。
引用 shuihai707 2014-9-16 09:27
yugang2010 发表于 2014-9-16 09:00
说句实在话,工科学生更多的不是信号处理专业出身,这方面想要有所突破,有点困难。这就造成了,大部分振 ...

谢谢楼主的无私,我也效仿。
引用 shenyongjun 2014-9-19 23:39
引用 轻安自在 2014-9-20 13:09
楼主能不能说说EMD为何不太适用于振动信号呢?
引用 yugang2010 2014-9-20 19:28
轻安自在 发表于 2014-9-20 13:09
楼主能不能说说EMD为何不太适用于振动信号呢?

个人观点:emd以其简单方便的运行和实现方法得到了大量的关注和青睐。公认存在的缺陷是,没有数学基础,难以理解。而在很多人的使用过程中,其鲁棒性很差。
其实,论坛里好多人都说过,zkpeng,他有个帖子里提到过上面这些。他是上交博导,也发过关于emd方面论文,实际他自己也说了,emd仅是为了发论文方便而已。
emd有个比较重要的特性是二进制滤波特性,就是一系列的滤波器对信号进行频域分段。当你想要的信号正好处在滤波频带内时,可以很好的得到理想信号;然而,当信号刚好处在两个滤波器之间(滤波器不是正交的),由于噪声对过零点、极值点的影响,产生模态混叠。使得某一个单模态信号信号被分解到多个IMF中。(关于单模态信号,最好看下huang论文里的叙述,x=a1*cos(b1*t)+a2*cos(b2*t)+.....)。
emd为什么为什么在振动信号分析中得到较多应用,首先与其简单易用是分不开的。然后,在振动信号分析领域,可以看到分析最多的信号是什么?轴承齿轮故障信号、内燃机振动信号。而对这些信号而言,其组成部分无非是:谐波信号、脉冲信号与噪音信号。谐波信号与脉冲信号,是一般论文里想得到并提取的。上面说的这几类特征信号,它们的频段是一般是分开的,那些经典的滤波器方法在人工干预的情况下,都可以得到你想要的信号,而emd只不过实现了自适应,也就是说emd减少了人工干预的过程,这比较符合计算机的自动化处理思维。
我建议,还是从傅里叶、小波等谐波分析方法(及其衍生方法)入手,因为这些算法模型在多数情况下与振动信号比较贴合。
不要太相信那些天花乱坠的论文里说的内容,很多人为了发论文都不怎么讲实话。
引用 轻安自在 2014-9-23 09:00
yugang2010 发表于 2014-9-20 19:28
个人观点:emd以其简单方便的运行和实现方法得到了大量的关注和青睐。公认存在的缺陷是,没有数学基础, ...

问题是,对冲击振动信号FFT不适用,小波分析也存在很多缺陷(本人是材料专业的,对信号处理完全是初学者),选用emd也非常自然,如何解决?
引用 yugang2010 2014-9-23 11:30
轻安自在 发表于 2014-9-23 09:00
问题是,对冲击振动信号FFT不适用,小波分析也存在很多缺陷(本人是材料专业的,对信号处理完全是初学者 ...

emd对于大部分振动信号来言,无非是起到滤波作用,而后用来提取特征。好多滤波器都可以实现你想要的。小波吧,怎么说呢,是存在一些问题的,比如时频框测不准之类的了,高频低频分辨率不一样了。这也要看你信号类型,如果你信号比较单纯一些,小波还是可以用的。如果信号中掺杂的非特征信号较多,或者噪声较多,试试先去噪再提取特征吧。处理的信号多了,接触的方法多了,才可以得到你想要的结果,不要一上来就对emd寄予很高的期望,重在搀和嘛。
引用 zswseu 2014-9-26 18:05
yugang2010 发表于 2014-9-23 11:30
emd对于大部分振动信号来言,无非是起到滤波作用,而后用来提取特征。好多滤波器都可以实现你想要的。小 ...

确实,emd对噪声太敏感了。
理论分析可以
实际应用,感觉要考虑的因素太多了。。。
引用 yghit08 2014-9-26 19:23
扯着扯着怎么又回到emd了?不是说盲源分离么?目前我觉得盲源分离主要要解决的问题是信号之间的可分离性,接着就是分离指标,即依据什么来分离,比如说统计特性(二阶统计量等高阶统计量)、稀疏性等。单单就稀疏性而言,主要需要做的是找到一个合适的线性变换,使得信号在另一个空间里最大程度上稀疏化,即同一信号聚集性。但是目前可用的线性变换不多。当然还有其他盲源分离算法及分离准则,在不同领域。
引用 yugang2010 2014-9-26 20:25
yghit08 发表于 2014-9-26 19:23
扯着扯着怎么又回到emd了?不是说盲源分离么?目前我觉得盲源分离主要要解决的问题是信号之间的可分离性, ...

不管是二阶统计独立还是稀疏性,都绕不开矩阵分解算法。个人觉得矩阵分解方法未必适合实际测量信号。

说到线性时频变换呢,无非就是,stft、wt、st三个。如果大家对这方面关注比较多的话,2010年,小波权威I.D.女士发表了一篇论文,提出了一种小波重排算法,叫做同步压缩小波。她在这篇论文里提到了EMD,关于EMD的一些评价还是很中肯的,暂略。

就是这个同步压缩小波,短时间内引起了较多的关注。主要是它较大的提高了信号的时频聚集性,用的方法还是很巧的。这之后呢,出现了更多的用来提高时频聚集性的论文方法,在它的引用中可以找到。其中比较给力的有两个中国人,一个是李川(重庆工商大学),一个是冯志鹏(清华?),他俩都是加拿大渥太华大学的博后,跟着梁明教授。他两个人提到了比较能提高时频聚集性的叫做“广义同步压缩小波”的方法。是从广义傅里叶变换吸取的思想,有个缺点就是,需要人工设定“相位函数”,有一定限制。关于这个的中文杂志论文,迄今只有两篇。

说了这么多,最重要的是,这个算法是有源代码的,https://web.math.princeton.edu/~ebrevdo/synsq/。个人认为,这个算法可能会在一段时间内成为振动信号处理的一个热点,提早入手的好。

今天刚被振动工程学报拒稿了一篇论文,很郁闷,求开导,求指教。国内杂志水太深。
引用 yugang2010 2014-9-26 20:36
yghit08 发表于 2014-9-26 19:23
扯着扯着怎么又回到emd了?不是说盲源分离么?目前我觉得盲源分离主要要解决的问题是信号之间的可分离性, ...

我不知道这篇论文是不是你写的“Yu K, Yang K, Bai Y. Estimation of modal parameters using the sparse component analysis based underdetermined blind source separation”
但是,里面那个模态频率随着温度变化的信号挺有意思的。你那里面是用的stft,如果你用同步压缩小波的话。。。应该会得到更好的效果的。还有,对于这种信号,一般的盲源分离是分不出来的吧。我觉得吧,如果看看李川的论文“广义压缩小波”或者冯志鹏的“迭代广义压缩小波”中关于广义变换,像是这种信号,肯定会有更多的好玩的想法的,处理起来会更加得心应手的。
引用 shuihai707 2014-9-26 21:08
楼主问题看的挺深的,盲源分离我不是很了解,本身研究方向是信号处理的,现在研究信号处理往故障诊断上靠。振动信号与稀疏性是否能扯上关系,本人也不是很了解,我看过一个坛友发上来一个正常轴承振动数据,里面包含值比较大的数据点,可以看成稀疏性大噪声吧,他问为什么正常信号会有这些值大的数据点?我尝试了一下去掉这些大数据,这些大数据是稀疏的,这能和振动信号由联系吗?个人感觉应该是传感器采集的问题,所以我想问振动信号和稀疏能联系上吗?
引用 yugang2010 2014-9-26 21:26
“里面包含值比较大的数据点”这个是指的时域信号中,突然出现峰值信号点么?看做是传感器的,略显草率。也有可能是脉冲冲击造成的信号,看看试验台是不是进去沙子或者轴承有了些裂纹或者凸起之类的缺陷,所以要确认下,这个信号是否是有一定规律的。


在盲源分离的概念里啊,稀疏性,是指你所得到的数据点里,包含有效信息的数据点所占比例比较少。这样呢,信号的特征就会比较明显,容易辨识。一般情况下,比如轴承信号吧,在时域中,稀疏性很差,也就是说根本看不出来特征;变换到频域或者时频域中呢,稀疏性变好,特征信息一目了然。现在很多时候,信号的稀疏性与时频变换联系比较紧密。

如果一个信号在时频域中稀疏性比较好,就可以通过一定的准则分离出来。这就是稀疏分量分析,一种盲源分离方法。

我感觉你所描述的那个大值点吧,也可以说是稀疏的。就看你能不能跟机器故障联系上了。
引用 yghit08 2014-9-27 10:01
本帖最后由 yghit08 于 2014-9-27 10:09 编辑

效果还好,不是非常理想,参数上选择费了好几个组合,选择其中一组比较好的参数组合得到的结果。提醒一点:不都是需要设计矩阵分析的,基于稀疏性分析的盲源分离算法貌似不涉及矩阵分析的内容。另外,能否将你找到的同步压缩小波的程序发给我。邮箱:324415821@qq.com。啰嗦一句:计算量是一个很大的问题,算法可能效果好,但是如果运算时间太长也是令人无法接受的。
引用 yghit08 2014-9-27 10:03
没记错的话,冯志鹏的那篇论文我看过,貌似计算时间超级长,无法忍受。
引用 shuihai707 2014-9-27 12:37
yugang2010 发表于 2014-9-26 21:26
“里面包含值比较大的数据点”这个是指的时域信号中,突然出现峰值信号点么?看做是传感器的,略显草率。也 ...

就是这个帖子里的信号http://forum.vibunion.com/thread-126897-1-1.html,里面也包含数据。里面大的峰值可以采用一定的办法去掉。不过振动信号变换到频率,我感觉稀疏性也没好到哪去。对西储数据仿真发现:当滚动轴承正常运行时,信号能量主要集中在1000Hz以下的低频区域。当轴承的各元件发生故障时,其振动幅值有不同程度的增加,波形也有所改变,出现一些周期性或不规则的冲击、毛刺。同时,正常及各种故障滚动轴承信号的能量在频率轴上分布也有较大的差异性,故障轴承的信号能量主要集中在低频区1000Hz以下和高频区3000~4000Hz,与正常态相比,信号能量发生向高频区聚集的情况。

查看全部评论(47)

QQ|小黑屋|Archiver|手机版|联系我们|声振论坛

GMT+8, 2024-5-15 22:18 , Processed in 0.041979 second(s), 23 queries , Gzip On.

Powered by Discuz! X3.4

Copyright © 2001-2021, Tencent Cloud.

返回顶部