Διαχωρισμός και αναγνώριση πηγών εκπομπής δυναμικών σημάτων προερχόμενων από ίδιου τύπου ένσφαιρους τριβείς

Abstract

Ο τυφλός διαχωρισμός σημάτων, από συνδυασμούς αυτών, στα αρχικά πηγαία σήματα, είναι ένα πρόβλημα που βρίσκει έδαφος σε ένα μεγάλο εύρος εφαρμογών, όπως η επεξεργασία σήματος και εικόνας, ιατρικές εφαρμογές όπως διαχωρισμός σημάτων που προέρχονται από καταγραφή της εγκεφαλικής δραστηριότητας, αλλά και προβλήματα μηχανικής, όπως καταγραφή σημάτων που προέρχονται από φθορές μηχανικών στοιχείων και τυφλός διαχωρισμός των σημάτων αυτών, ώστε να εντοπιστεί το σήμα που σχετίζεται με τη φθορά και η πηγή της φθοράς που προκαλεί τη δημιουργία αυτού του σήματος.

Η μεταπτυχιακή εργασία, πραγματοποιείται χωρίζεται σε τρία επιμέρους τμήματα. Αρχικά παρουασιάζονται τα μοντελοποιημένα προσομοιωμένα σήματα και ο τυφλός διαχωρισμός τους με χρήση των αλγόριθμων διαχωρισμού (Extended Infomax, ICA Fixed Point, Pearson ICA, Parra Temporal Predictability). Στη συνέχεια πραγματοποιούνται πειραματικές μετρήσεις από δύο πειραματικές διατάξεις, μία μικρής ισχύος και μία μέσης ισχύος. Από τα μετρούμενα πειραματικά σήματα, πραγματοποιείται διαχωρισμός των συνδυασμένων σημάτων με τους αλγόριθμους διαχωρισμού. Τέλος, παρουσιάζεται η μοντελοποιήση της πειραματικής εφαρμογής, όπου μοντελοποιούνται οι πειραματικές διατάξεις, και τα λαμβανόμενα σήματα εισέρχονται στους αλγόριθμους διαχωρισμού, προκειμένου να δειχθεί κατά πόσο συμφωνούν τα πραγματικά πειραματικά αποτελέσματα των πειραματικών διατάξεων με τα αποτελέσματα από την μοντελοποίηση των πειραματρικών διατάξεων. Σε κάθε περίπτωση, πέρα από το διαχωρισμό, εξετάζεται και ποιος/οι από τους αλγόριθμους μπορούν να εντοπίσουν και την πηγή από την οποία προέρχεται το εκάστοτε διαχωρισμένο σήμα.

Blind source separation, from mixed observations of signals, to the original signals, has a wide range of applications, such as signal and image processing, medical applications (e.g. separation of mixed EEG signals). BSS problems in mechanical engineering, include the recording of combinations of signals coming from damages on mechanical elements and blind separation of those signals, so that each signal is separated to the original source signal, and the source that causes the creation of each signal can be traced.

This master thesis consists of 3 major parts. In the 1st part, Blind Source Separation if performed on simulated signals, with the use of 4 blind separation algorithms (Extended Infomax, ICA Fixed Point, Pearson ICA, Parra Temporal Predictability). In the 2nd part, two experimental applications (low power and mid power motors) are introduced and Blind Source Separation is performed in real observed signals, coming from those applications. In the last part, the experimental applications are simulated. BSS is performed at the simulated signals that produded by the simulated experimental applications, in order to see if the separation results coming from the real experimental measures agree with tre separation results from the simulation of the experimental applications. In any case, appart from the separation, we examine which of those four separation algorithms can identify the source of each separated signal

studies the problem of blind source separation of mixed signals coming from ball bearings with different damages (damages in the outer or inner ring). The reason for the blind source separation of sources comes from the desire to separate a combination of signals to the original signals, without having any knowledge about the original sources, and moreover after the separation to have the ability to trace each source from which each separated signal is coming.