卷积混合盲分离时域方法 - 盲源分离_转子振动盲源分离

　　有许多文献用卷积混合矩阵模型对BSS进行了研究。基于时域信号的盲分离[24]方法对数值信号进行卷积混合并进行盲识别，如图4所示。混合后两个源信号分离结果说明所用算法在低频段可给出好的分离结果，且可分离信号中的谐波信号[25]。

　　实际工程中的信号源个数是不明确的。可在人为设定源信号个数m的基础上，进行随机迭代，最大化各个分离信号y(n)。

　　对动力机械结构的不同位置上安装5个传感器，进行振动信号采集，并对采集信号用卷积混叠矩阵进行盲分离。结果表明，靠近激励源的两个传感器(4、5两个传感器)得到的信号被方便地分离出来，而其他测点的传感器采集信号难以收到理想的分离结果。这与理论方法是一致的。

　　第5个传感器的原始信号和分离结果如图5所示。可看出，实际的信号在时域和频域都难以直接观察出来。进行盲分离，得出两个典型的周期信号及一个随机信号。图5(b)是两个周期信号合成的频谱。两个周期信号分别是发动机、电机旋转频率[26]。实际振动信号进行的源信号盲分离表明，所用方法在机械振动信号盲源分离中是适用的，信号得到较好的分离。

　　图4 两个谐波信号的分离

　　图5 实际振动信号的盲分离

　　4.3 基于峭度的快速定点算法

　　经典的测量非高斯方法是峭度(kurtosis)或称四阶累积量。有关研究用基于峭度的快速定点算法对真实的转子振动信号进行了盲源分离研究。在转子振动试验台上安装4个加速度传感器，三个加速度传感器是安装在轴承座上的，另一个安装在垂直于转子轴的连接盘上以便测量轴向的振动情况。试验时的转速为525转/分。由此得到4个采集信号。

　　值得注意的是，实际采集的信号一般就是混合后的信号。所以前述数值仿真分析方法中，“信号混合”这一步就不需要了，可以在直接对采集的信号进行预白化处理后，再用基于峭度的快速定点抽取算法进行分离。

　　图6 转子振动信号的盲源分离

　　由传感器测得的4个振动源信号如图6(a)所示;预白化处理后的信号、分离后的信号分别如图6(b)、(c)所示。从图6(a)可看出，从原始的转子振动信号中只能分辨出轴向冲击信号，而其他3个信号波形十分相近，无法识别出哪个信号是哪个振动源产生的。从图6(c)中能够清晰地分离出不同的振动信号源。第四个信号是明显的轴向冲击信号，第二个信号是转子旋转的信号，第一个信号是轴承滚子的冲击信号，第三个信号是噪声信号。这说明用基于峭度的快速定点算法对转子振动信号的盲源分离是十分有效和成功的。