资源描述：
《基于独立分量分析的多源冲击定位方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、振动与冲击第28卷第8期JOURNALOFVIBRATIONANDSHOCKVol.28No.82009基于独立分量分析的多源冲击定位方法苏永振,袁慎芳(南京航空航天大学智能材料与结构航空科技重点实验室,南京210016)摘要:结构健康监测中常用声发射信号进行声发射源的定位及特征描述。多个冲击事件发生时,声发射信号是多个信号的混叠,而且混合方式未知,这使利用声发射信号对冲击源进行定位变得非常困难。而近年来兴起的基于独立分量分析的盲源分离技术为解决这一难题提供了可能。采用基于信息极大化原理的反馈网络结构对同时作用在铝梁上的两个冲击事件产生的声
2、发射混合信号进行分离,估计出各个源信号到达传感器的时延后,运用两点直线定位公式对两个冲击源进行定位。混合仿真实验验证了基于信息极大化原理的独立分量分析方法估计时延的有效性,铝梁上的两源冲击实验,进一步表明运用独立分量分析方法能较好的解决多冲击源定位问题。关键词:盲源分离;独立分量分析;时延;冲击定位中图分类号:TB52;TG115.28文献标识码:A航空材料结构在服役过程中不可避免的要承受具M维的观测信号向量,s为t时刻的N维源信号向量,A有不同能量的各种物体的冲击,由冲击所诱导的损伤,为M×N维的FIR混合滤波器矩阵。解混目标是寻找使结构
3、承载能力大大降低、结构强度及稳定性严重退一逆FIR滤波器矩阵W使得解卷积后的输出y=W3s[1][2]化。因此,很有必要利用结构健康监测技术对冲是源信号s的估计。击事件进行实时监测。目前对冲击定位的研究多是以本文以同时作用在铝梁上的两个冲击源的定位问单个冲击源为研究对象,常通过求解由冲击产生的声题为例,研究基于BSS技术的多源冲击定位问题。根发射信号到达不同传感器的时延进行定位。在对多个据BSS的卷积混合模型,采用基于信息最大化原理的[3]冲击源进行定位时,一些常规的求解时延方法如互反馈分离网络结构,对两个冲击源的混叠信号进行分相关函数法,
4、能量法、阈值法等不再有效。因为在多个离,求出各个冲击源到达传感器的时延,再根据波速,冲击源的情况下,声发射信号是多个源信号的混叠,上利用两点直线法实现两个冲击源的定位。述方法只能求解出一个时延,因此无法实现多个冲击1Infomax方法源的定位。近年来兴起的基于独立分量分析(ICA)的[`4]盲源分离(BSS)技术为这一问题的解决提供了有效途1988年Linskers提出了可用非线性单元来处理径。盲源信号分离是指在不知道源信号和混合参数的任意分布的输入信号的信息最大化(Infomax)原理,它情况下,仅根据源信号的一些统计特性和有限的观测可描
5、述为:网络的输入端和输出端的互信息达到最大数据恢复出源信号。盲源信号分离技术在通信、生物时,等价于输出端各分量间的相关性最小。1995年,医学信号处理、语音信号处理、阵列信号处理等获得了[5]A.J.Bell和T.J.Sejnowski提出了基于信息最大化广泛的应用。(Infomax)原理的盲源分离算法。Infomax算法的独立BSS根据混合方式可分为瞬时混合和卷积混合,性判据为信息极大传输准则,即通过对分离矩阵的调瞬时混合模型常假定信号源是同时混合的,不能容忍整,使非线性输出y和网络输入x之间的互信息I(y,时延,而实际上混合源中有到达时
6、间的区别。传感器x)极大。由信息论可知:测得的由冲击产生的声发射信号是结构的脉冲响应函I(y,x)=H(y)-H(y
7、x)(1)数与源信号的卷积,而且由于传播介质的影响(时延和由于H(y
8、x)不依赖于分离矩阵W,可以看出,通反射等),信号是多路径到达的,因此本文采用卷积混过最大化输出信号的联合熵,就可实现输入输出之间合模型模拟两个冲击源信号的混合过程。BSS的卷积的互信息最大。输出信号的联合熵为:混合模型为:x=A3s,其中“3”代表卷积,x为t时刻H(y)=-E[log(fy(y))](2)fy(y)为非线性输出y的概率密度函数,设输入经
9、基金项目:国家高技术研究发展计划(863计划)(2007AA03Z117);国家自然科学基金项目(60772072)过非线性函数g(x)得到y,当g(x)为单调上升或下降收稿日期:2008-07-28修改稿收到日期:2008-08-06时,输出输入概率密度函数之间的关系则可以写为:第一作者苏永振男,博士生,1980年生fy(y)=fx(x)/det(J)(3)通讯作者袁慎芳女,博士,博士,1968年生det(J)为网络的雅克比行列式,f(x)为输入信号的概x第8期苏永振等:基于独立分量分析的多源冲击定位方法135率密度函数。将式(3)带入式
10、(2)可得:H(y)=E[lndet(J)]-E[lnfx(x)](4)由上式可知权值仅影响上式右边的第一项。因此,最大化输出信息熵就等价于最大化E[lndet(J)]。采用1S
