声振论坛

 找回密码
 我要加入

QQ登录

只需一步,快速开始

查看: 14553|回复: 48

[综合] 盲源分离技术与振动信号之间的发展联系

[复制链接]
发表于 2014-9-15 22:17 | 显示全部楼层 |阅读模式

马上注册,结交更多好友,享用更多功能,让你轻松玩转社区。

您需要 登录 才可以下载或查看,没有账号?我要加入

x
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。

点评

赞成: 4.0
赞成: 4
  发表于 2015-3-16 10:42

评分

3

查看全部评分

本帖被以下淘专辑推荐:

回复
分享到:

使用道具 举报

发表于 2014-9-15 23:04 | 显示全部楼层
希望以后论文有仿真的,都公开代码,防止学术造假!
发表于 2014-9-15 23:07 | 显示全部楼层
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。

评分

2

查看全部评分

发表于 2014-9-15 23:16 | 显示全部楼层
感谢,算是一个简单的科普
 楼主| 发表于 2014-9-16 09:00 | 显示全部楼层
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。

评分

2

查看全部评分

发表于 2014-9-16 09:27 | 显示全部楼层
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。
发表于 2014-9-19 23:39 | 显示全部楼层
发表于 2014-9-20 13:09 | 显示全部楼层
楼主能不能说说EMD为何不太适用于振动信号呢?
 楼主| 发表于 2014-9-20 19:28 | 显示全部楼层
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。

评分

2

查看全部评分

发表于 2014-9-23 09:00 | 显示全部楼层
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?
 楼主| 发表于 2014-9-23 11:30 | 显示全部楼层
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。

评分

1

查看全部评分

发表于 2014-9-26 18:05 | 显示全部楼层
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。。。
发表于 2014-9-26 19:23 来自手机 | 显示全部楼层
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。

评分

1

查看全部评分

 楼主| 发表于 2014-9-26 20:25 | 显示全部楼层
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。

评分

1

查看全部评分

 楼主| 发表于 2014-9-26 20:36 | 显示全部楼层
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。

评分

1

查看全部评分

您需要登录后才可以回帖 登录 | 我要加入

本版积分规则

QQ|小黑屋|Archiver|手机版|联系我们|声振论坛

GMT+8, 2024-3-29 19:46 , Processed in 0.410717 second(s), 20 queries , Gzip On.

Powered by Discuz! X3.4

Copyright © 2001-2021, Tencent Cloud.

快速回复 返回顶部 返回列表