盲源分離是指在信號的理論模型和源信號無法精確獲知的情況下,如何從混迭信號(觀測信號)中分離出各源信號的過程。盲源分離和盲辨識是盲信號處理的兩大類型。盲源分離的目的是求得源信號的最佳估計，盲辨識的目的是求得傳輸通道混合矩陣。

　　1 引言

　　盲源分離主要分為線性混疊和非線性混疊兩種。非線性混疊的主要有通過對線性模型的擴展和用自組織特征映射的方法[8]。

　　對于振動信號的盲分離，從2000年才開始受到重視[9]，并且研究的范圍主要在旋轉機械和故障診斷中。

　　2 盲源分離基本概念

　　盲源分離問題可用如下的混合方程來描述[4]：

?

　　圖1 線性盲源信號分離框圖

　　事實上，在盲的范疇里，人們不可能實現(xiàn)源信號的完全恢復。盲源信號分離的求解結果有兩個不確定性：分離后信號向量的排列位置可以變化、信號的幅值與初始相位可以變化。很明顯，這樣的不確定性對源信號的分離不會有任何實質的影響。

　　3 振動信號盲分離的常用算法

　　3.1 最大似然準則算法

　　最大似然估計是要找到矩陣W使得所估計的輸出y的概率密度函數(shù)(PDF)與假設的源信號的PDF盡可能接近，是一種非常普遍的估計方法。

　　3.2 最小互信息準則及其算法

　　基于信息理論的最小化互信息的基本思想是選擇分離矩陣W, 使輸出y的各分量之間的互依賴性最小化，在理想情況下趨于零。

　　3.3 基于高階累積量的方法

　　Cardoso提出了應用四階矩進行盲信號分離的方法。在這個基礎上，人們從度量的非高斯性出發(fā)，得到快速的定點盲源抽取算法。另外Tong和Liu通過正交變換，對觀測到的混迭信號的四階矩進行奇異值分解(SVD)，得到一類擴展的四階盲辨識和多未知信號提取算法。Cardoso還提出了基于四階累積量的聯(lián)合對角化。獨立成份分析方法中的峭度與負熵也是基于高階累積量的盲源分離方法。

　　3.4 非線性混疊盲源分離

　　大多數(shù)的盲源分離算法都假設混疊模型是線性的，更為準確的模型應當是非線性的或弱非線性的。人們針對非線性混疊模型提出了以下幾種方法：(1) 基于兩層感知器網(wǎng)絡的感知器模型法[20];(2) 基于自組織特征映射的無模型方法;(3)徑向基函數(shù)網(wǎng)絡法，這種方法魯棒性較好。

　　4 振動信號盲源分離方法的探討

　　4.1 估計分離矩陣的加速梯度法

　　在最小化互信息準則的基礎上，有關研究推導分析出加速梯度法的計算步驟，然后對轉子的振動信號進行采集并盲分離，得到了滿意的結果。

　　在一個轉子試驗臺上安裝2個加速度計和1個渦流傳感器采集信號，得到的傳感器信號與分離結果的功率譜,如圖2和圖3所示。

?

　　圖2 各傳感器采集的混合振動信號的功率譜

　　分析表明，基于最小化互信息原理的加速梯度法能夠較好地估計出分離矩陣, 其實現(xiàn)步驟可行。

?

　　圖3 分離后各傳感器振動信號的功率譜

　　對具有故障的實際轉子進行多傳感器信號采集并進行盲分離，結果表明：采集信號中混疊的不同故障特征能夠較好地分離開來，分離后各傳感器信號的功率譜圖基本上只顯示出一種故障特征。但是旋轉激勵的影響不能從盲源分離的結果中完全消除。