湖州网站制作网络营销和网络销售的关系

一种新的一维时间序列信号盲解卷积算法（以旋转机械故障诊断为例，MATLAB环境），可作为深度学习信号前处理过程，水个SCI不是问题。

机械设备的状态信号中往往蕴含着大量的设备异常信息。如何从繁多的机械状态信号中提取足够数量、能真实而客观的反映诊断对象状况的信息，是故障诊断成功与否的关键。然而，工业现场中复杂的机械结构和多源耦合声场环境使得传感器接收到的观测信号往往是一个复杂混合过程的结果，待识别故障源信号与其他各种信号混杂在一起。因此，需要抑制这些干扰或噪声，以期准确的提取机械故障信号进行诊断。近年来，众多学者为将在解决信号传输通道复杂或未知的阵列信号处理中显示出强大生命力的盲信号处理技术引入机械设备故障诊断之中做了大量的工作。其主要集中在基于瞬时模型的盲源分离BSS和基于卷积模型的盲解卷积BD两个方面。

研究结果表明:小型简单旋转机械的声、振信号混合系统更接近瞬时模型，而现实工况环境中的大型机械设备、复杂机械结构的机械声、振信号耦合系统由于各故障源到传感器之间传递路复杂多变，特别是对于小刚度的结构，时延效应十分明显，往往更符合卷积模型，传统的时域瞬时盲分离方法并不能直接被应用于其中。

正是由于机械结构和信号的复杂性，复杂的机械系统信号一般可分为三种类型，即周期信号、非平稳随机冲击信号和平稳随机高斯噪声，这对机械信号是一种行之有效的划分方法。机械系统中的复杂周期信号如齿轮不同轴振动波形、转子不平衡的振动信号及轴系不对中的振动信号等，均可看作不同频率正弦信号的叠加。针对周期信号的盲解卷积比较困难，这是因为处理过程中可能出现次序不确定的问题，进而导致分离信号失真。但是研究发现对于以大多数机械故障信号的表现形式—非平稳信号分离为目标的盲信号处理问题，机械信号混合过程仍然可以表示为线性卷积混合模型。

鉴于此，提出一种新的一维时间序列信号盲解卷积算法，以旋转机械故障诊断为例进行了验证，结果如下：

function [es,f] = func_es(x,fs)
x_h = hilbert(x);
env = abs(x_h);
env = env-mean(env);
es = abs(fft(env));
f = (0:length(x)-1)/length(x)*fs;
end
完整代码可通过知乎学术咨询获得：https://www.zhihu.com/consult/people/792359672131756032?isMe=1

工学博士，担任《Mechanical System and Signal Processing》《中国电机工程学报》《控制与决策》等期刊审稿专家，擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。