王宏超, 陈 进, 董广明

(上海交通大学机械系统与振动国家重点实验室, 上海 200240)

引 言

由于各种干扰源和噪声的影响，来自现场传感器的轴承故障信号非常复杂，直接对这些信号进行故障特征提取是非常困难的。盲源提取(Blind source extraction,BSE)技术的出现为这个问题的解决提供了新的技术和手段。BSE技术是近10年来新兴并引起广泛重视的一类信号处理方法，有时也叫盲信号抽取，它源于盲源分离(Blind source separation, BSS)技术。BSS技术在语音、通讯和医学工程等领域都有着成功的应用[1～3]，但其在旋转机械故障诊断中的应用有着较大的局限性，其原因可归结为如下[4]：瞬时混合模型的幅值不确定性和顺序不确定性；适用于振动信号的多通道卷积混合盲分离算法迄今仍没有令人满意的解决方案；源物理相关性的不确定性；源数的估计存在偶然性；盲源分离要求系统具有可逆性，但实际工程中很多机械系统是不可逆的。BSE相对于BSS有以下优点[5]：充分利用被提取对象的先验信息；仅仅提取感兴趣的信号；无需估计源的数目；计算量小；特别适用于源数较多而感兴趣信号较少的情况(如机械系统)。综上所述，BSE在某种程度上弥补了BSS的缺点。在既有的BSE技术中，约束独立成分分析最具代表性，其最先由Wei Lu等人于2000年提出[5]。随后Wei Lu分别将CICA用于图像盲分离与医学信号盲分离[6，7]，相对于传统独立成分分析(Independent component analysis, ICA)方法取得了不错的效果。Zhang Z L将CICA方法加以改进，提出了基于形态的CICA方法并将其用于微弱脑电信号的盲源提取[8]，通过仿真合成信号和实际脑电信号验证了所提出方法的正确性及实际应用价值。……