盲源分离与振动信号处理之间发展关系
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。