O termo se refere á separação ou identificação de um conjunto de sinais de uma
certa origem a partir de algum conjunto de dados misturados e não homogêneos. A descrição tradicional do problema para é dado pela Equação (1), onde x(t) é o vetor que contém o conjunto de dados "misturados", s(t) é o vetor de sinais de origem, e A é a chamada matriz de ''mistura":
𝑥(𝑡) = 𝐴𝑠(𝑡) (1)
O objetivo dos métodos de BSS é usar o conjunto de dados misturados para
encontrar suas fontes originais, como mostrado na Equação (2), onde ŝ(t) é o vetor dos sinais de origem estimados e W é a matriz de "desmistura" (realiza uma operação inversa á matriz A) :
̂ 𝑠(𝑡) = 𝑊𝑥(𝑡) (2)
Analise Modal de parâmetros de Sistemas Oscilantes:
Consiste na determinação dos parâmetros modais de um sistema, como
frequências naturais de vibração, amplitudes, amortecimentos e fatores de participação, tendo como base a formulação de um modelo matemático do comportamento dinâmico. Esse tipo de análise tem sido amplamente utilizada no estudo do comportamento dinâmico de estruturas.
O uso de técnicas de BSS, em combinação com metodologias tradicionais de
identificação para análise modal operacional, tem sido investigado em vários trabalhos cujos resultados mostram que os métodos de identificação que utilizam a decomposição de sinal produzem melhores resultados do que a aplicação direta do método de analise modal. Funções de Transmissibilidade:
A maioria dos métodos de identificação modal supõem que as excitações naturais
ou ambientais à estrutura contêm uma ampla faixa de frequências de igual contribuição, tal que as principais frequências naturais da estrutura podem ser excitadas. Isso leva à suposição que as excitações são um processo aleatório do tipo White Noise ("ruído branco") com um espectro em frequência constante. Porém, algumas forças atuam periodicamente, contendo uma maior energia para frequências específicas, logo, não podemos garantir que todas as frequências identificadas sejam relacionadas ao sistema de interesse. Como consequência, o uso de metodologias de identificação modal baseadas em conceitos de transmissibilidade, tem sido amplamente estudado. Nesse tipo de metodologia, não consideramos as forças de excitação contendo um espectro constante.
Second-order Blind Identification (SOBI) :
É uma técnica de BSS baseada em estatística de segunda ordem e na matriz de covariância (medida do grau de interdependência numérica entre duas variáveis aleatórias) dos dados. O método SOBI considera a estrutura temporal dos sinais, realizando a diagonalização das matrizes de covariância considerando uma defasagem no tempo. No método SOBI, consideramos os sinais de saída x(t) como uma combinação linear dos sinais da fonte s(t), considerando a matriz de mistura A e o ruído n(t): 𝑥(𝑡) = 𝐴𝑠(𝑡) + 𝑛(𝑡) (3) As dimensões da matriz de mistura A são L x Nm, onde L é o número de dados de medida e Nm é o número de modos de vibração na faixa de frequência sob análise. Quando as fontes não são correlacionadas e independentes, a matriz de covariância das fontes é uma matriz diagonal 𝑅𝑠 (𝜏):
𝑅𝑠 (𝜏) = 𝐸[𝑠(𝑡)𝑠(𝑡 + 𝜏)𝑇 ] (4)
O ruído pode ser considerado como um processo aleatório com média igual á zero, similar á um processo tipo White Noise: 𝐸[𝑛(𝑡)] = 0 (5)
𝑅𝑛 (0) = 𝐸[𝑛(𝑡)𝑛(𝑡)𝑇 ] = 𝜎2 𝐼 (6)
𝑅𝑛 (𝜏) = 𝐸[𝑛(𝑡)𝑛(𝑡 + 𝜏)𝑇 ] = 0 (7)
Se o ruído também for independente das fontes: 𝐸[𝑛(𝑡)𝑠(𝑡)𝑇 ] = 𝐸[𝑠(𝑡)𝑛(𝑡)𝑇 ] = 0 (8)
A matriz de covariância dos sinais 𝑅𝑥 (𝜏) então toma a seguinte estrutura:
O primeiro passo de um algoritmo SOBI é o "branqueamento" dos sinais de saída x(t): 𝑧(𝑡) = 𝑊𝑥(𝑡) = 𝑊(𝐴𝑠(𝑡) + 𝑛(𝑡)) = 𝑈𝑠(𝑡) + 𝑊𝑛(𝑡) (10)
𝑅𝑧 (0) = 𝐸[𝑧(𝑡)𝑧(𝑡)𝑇 ] = 𝐼 (11)
Onde W é a "matriz de branqueamento" , U é a "matriz unitária", z(t) é o conjunto de dados "brancos" e I é a matriz identidade. Podemos agora escrever a matriz de covariância dos "dados brancos":
A "matriz de branqueamento" W pode ser determinada a partir de 𝑅𝑥 (0) o
procedimento começa com a remoção das medias de cada componente de x(t).Podemos então decompor 𝑅𝑥 (0) em função de uma matriz de vetores singulares V e uma matriz diagonal de valores singulares D:
𝑅𝑥 (0) = 𝑉𝐷𝑉𝑇 (13)
Substituindo (13) em (12) ficamos com:
𝑅𝑧 (0) = 𝑊𝑉𝐷𝑉𝑇 𝑊𝑇 (14)
Para obter 𝑅𝑧 (0) = 𝐼 fazemos 𝑊 = 𝐷 −1/2 𝑉 𝑇 :
𝑅𝑧 (0) = 𝑊𝑉𝐷𝑉𝑇 𝑊𝑇 = 𝐷−1/2 𝑉𝑇 𝑉𝐷𝑉𝑇 𝑉𝐷−1/2 = 𝐼 (15)
Alem disso, podemos obter z(t):
𝑧(𝑡) = 𝑊𝑥(𝑡) = 𝐷−1/2 𝑉 𝑇 𝑥(𝑡) (16)
O segundo passo do algoritmo é determinar a matriz unitária U, onde
calculamos a matriz covariância de z(t), considerando o ruído adicional e as propriedades de (12):
Analisando a equação (17) observamos que 𝑅𝑠 (𝜏) é uma matriz diagonal e
as fontes são independentes. Vemos também que 𝑅𝑧 (𝜏) pode ser diagonalizada por uma matriz unitária U. Para determinarmos s(t) e A, devemos realizar uma diagonalização aproximada de 𝑅𝑧 (𝜏). O objetivo desse passo consiste em encontrar uma matriz unitária U que diagonalize todas matrizes 𝑅𝑧 (𝜏) enquanto variamos 𝜏, definindo dessa forma um problema de otimização, que pode ser resolvido usando o algoritmo de Levenberg-Marquardt com a seguinte função: 𝑝 𝑚𝑖𝑛( ∑ 𝑥[𝑅𝑧 (𝜏) − 𝑈𝑑𝑖𝑎𝑔(𝑈 −1 𝑅𝑧 (𝜏)(𝑈 𝑇 )−1 )𝑈 𝑇 ]) (18) 𝜏=1
No processo de otimização do algoritmo devem ser definidos dois
parâmetros: O numero de atrasos (variações) p na matriz 𝑅𝑧 (𝜏) e o limiar de erro para parar o algoritmo. Uma vez obtido a matriz U, podemos determinar A:
𝐴 = 𝑊 +𝑈 (19)
Onde 𝑊 + é a pseudo-inversa de W. Podemos agora obter s(t):
𝑠(𝑡) = 𝐴−1 𝑥(𝑡) = 𝐻𝑥(𝑡) (20)
A contribuição de uma única fonte j contida em s(t) em todo os pontos de medida pode ser determinada:
𝑏(𝑡) = 𝐻(𝑗, : )𝑥(𝑡)
𝑎(𝑡) = 𝐻(𝑗, : )𝑇 𝑏(𝑡)
Onde b(t) é um escalar, H(j,:) é um vetor de linha j da matriz H e a(t) é um
vetor que contem a contribuição de uma única fonte em todos os pontos de medida.