提出了一种基于经验小波变换针对非线性、非平稳混合信号的单通道盲源分离方法,并应用于机械设备故障诊断中。该方法拟采用EMD-SVD-BIC估计源数,以确定经验小波变换中频谱分割边界的个数N,再将经验小波变换用于单通道盲源分离,从而进行欠定条件下多故障的分离与诊断。利用该方法对仿真信号和单通道轴承振动信号进行了分析,结果表明,该方法能够有效地将不同故障的源信号分离出来,并准确提取出机械的故障特征。

针对振动传感器数小于本底振源数的源数估计问题,提出一种基于经验模态分解的虚拟通道扩展方法。通过经验模态分解得到的固有模态函数构建振动信号观测矩阵,以扩充振动传感器观测通道数量。针对奇异值分解特征矩阵中噪声和数据观测误差以及不确定性导致的源数估计不准确问题,提出一种基于类内散度与类间距离比值优化的聚类分析方法。通过对奇异值分解后特征值矩阵中对角线特征值的聚类分析,获得盲源数估计结果。结果表明:与传统方法相比较,所提方法可准确实现振动信号盲源数估计。

针对非平稳时变信号，提出一种基于隐Markov模型《HMM）的机械振动源数估计方法。该方法结合隐Markov模型理论与自相关测定，通过比较不同模型的信度来确定信源的个数。实验结果表明该方法能够有效地估计出非平稳时变信号的信源个数，为机械振动故障诊断中的振动源分析提供了方法保障。