王志阳，陈 进，肖文斌，周 宇

(上海交通大学 机械系统与振动国家重点实验室，上海 200240)

独立成分分析(ICA)是一种从多维统计数据中寻找隐含变量或成分的方法。区别于其它方法的本质特征是这些成分既是统计独立的又是非高斯的［1］。独立成分分析(ICA)已广泛应用于通信工程［1-2］、语音处理［2-4］、生物工程［5-6］等许多领域，但在机械故障诊断中的应用仍然面临许多困难。目前的发展趋势表明，ICA只有与被应用对象相结合，才会有比较理想的效果。因为ICA仅利用数据统计的独立性进行分离，虽然适用性广泛，但其缺点也较明显。即ICA所利用的信息太过单一，是ICA具有幅值不定性和顺序不定性的根本原因。而实际工程中所测得的数据除具有统计独立性属性外，还具有诸如时间结构等其它工程属性。独立成分分析与机械故障诊断的关系也是如此。只有与机械故障诊断对象的先验信息相结合，才能提高故障诊断的准确性和成功率。另外，ICA的具体的应用中，当被应用的对象确定后，其许多信息是已知的、可利用的。而约束独立成分分析方法可以满足这些要求。

如何从大量的数据中提取有用信息是机械故障诊断的显著特点。约束独立成分分析(cICA)将被研究对象的先验信息融入ICA算法中，使算法在收敛的时候仅仅收敛于感兴趣的故障信号，不仅可以提高故障诊断的针对性，且大大减少了计算量。因此约束独立成分分析方法在机械故障诊断领域有巨大的应用前景。……