[发明专利]一种用于固体火箭发动机振动信号降噪的盲源分离方法

说明书

本发明提出一种用于固体火箭发动机振动信号降噪的盲源分离方法，根据AIC准则，判别出在源信号未知的情况下，采集得到的混合信号中源信号的个数，再应用改进学习函数后的FastICA算法，通过传感器的观测信号，从混合信号中获取独立的振源特征信息。本发明解决了在环境和设备较为复杂情况下的振动源信号降噪问题，相比滤波等传统方法更符合固体发动机试验情况，不会过滤掉有用的源信号，排除人工分析误差可能性，具有智能化、广泛性、适应性等优点，能很好的将两个以及多个混合的机械振动信号分离开，达到降噪目的，可应用到多种发动机测试场合，给发动机设计人员提供更好的参数指标，满足了发动机地面试验需求。

技术领域

本发明属于固体火箭发动机试验测控技术领域，主要涉及一种可以用于固体火箭发动机试验中振动信号降噪处理的盲源分离方法。

背景技术

固体火箭发动机测试的主要目的之一就是获得发动机各类参数的数据，因为通过这些数据可以验证发动机设计理论，是研究发动机工作性能的重要依据，但是测量过程中无法避免各种不利因素的干扰，导致测量数据中包含大量无用信息(噪声)，使测量数据受到严重“污染”，给固体发动机的性能判断、故障检测与状态监控带来许多不利的影响。因此，需要研究固体发动机试验数据处理方法，对测量数据进行降噪处理，保证测量数据的精度和可信度。

在固体火箭发动机测试中，发动机结构的振动问题日益受到关注，振动数据是反映发动机性能最敏感的参数之一，研究和解决各种振动问题是当前工程技术领域的重要课题，随着试验测试技术的突飞猛进，传统的静力校核方法已限制了试验的发展，进而产生出以结构的动态特性来进行试验。而在发动机实际测试中，机械系统振动源多，振动传播路径复杂，相互干扰，试车架，环境噪声等都会影响数据的真实性，直接安装在发动机上的传感器测得的信号也会受到系统内其它振源信号的干扰，以致成为混合信号，从而对根据振动数据结果分析壳体的性能增加了难度。

目前许多研究者都致力于振动降噪领域的研究，也提出了一些适合于机械振动信号的处理方法，这些方法都是根据一定的先验知识，采用不用的信号处理方法剔除监测信号中无用的噪声信号，而保留下所关心的有用信息。盲源分离(Blind source separation，BSS)的出现为这一问题开辟了新的思路，BSS是上世纪最后十年间迅速发展起来的信号处理领域中一个研究课题，是在对源信号及信号传输通道未知的情况下，仅根据多个传感器的观测信号估计或者恢复出各个源信号的技术。

FastICA算法，是由芬兰赫尔辛基大学等人提出来的，是一种快速寻优迭代算法，与普通的神经网络算法不同的是这种算法采用了批处理的方式，即在每一步迭代中有大量的样本数据参与运算。但是从分布式并行处理的观点看该算法仍可称之为是一种神经网络算法。FastICA算法有基于峭度、基于似然最大、基于负熵最大等形式，这里，我们采用基于负熵最大的FastICA算法。它以负熵最大作为一个搜寻方向，可以实现顺序地提取独立源，充分体现了投影追踪(Projection Pursuit)这种传统线性变换的思想。此外，该算法采用了定点迭代的优化算法，使得收敛更加快速、稳健。

发明内容

目前固体火箭发动机试验中采用的降噪手段仅仅是用滤波的方法，将50Hz整周期的工频干扰消除掉，不能消除掉除工频干扰以外的干扰成分，存在应用单一，无法提取源信号，仍需人工判读有效信号等诸多缺点。

为此，本发明提出一种用于固体火箭发动机振动信号降噪的盲源分离方法，解决在环境和设备较为复杂情况下的振动源信号降噪问题，根据传感器的观测信号，从混合信号中获取独立的振源特征信息，给发动机设计人员提供更好的参数指标，充分了解发动机的性能。

本发明的技术方案为：

所述一种用于固体火箭发动机振动信号降噪的盲源分离方法，其特征在于：包括以下步骤：