盲信号处理在机电声学监测与诊断中的应用＊

谢 静 赵文强 雷 毅

（1.海军驻武昌造船厂军事代表室 武汉 430064）（2.海军驻中南光电研究所军事代表室 武汉 430064）（3.海军驻中国舰船设计中心军事代表室 武汉 430064）

1 引言

目前，盲信号处理（BSP）已在诸多领域开发出很多工具软件，例如处理生物医学脑电 （EEG）信号万脑磁（MEG）信号、功能核磁共振成像（fMRI）信号的EEGLAB软件包和FMRLAB软件包，语音分离、图像处理、脑电信号处理的ICALAB软件包和FastICA固定点算法软件包，语音识别与增强的FP－FDICA软件包以及循环平稳信号盲提取及盲解卷积工具箱等等。在机械噪声监测与故障诊断领域，虽然不少研究者讨论了基于ICA的故障特征提取和模式识别方法，但是BSP主要应用于机械噪声分离，包括混合模型的讨论、噪声盲源分离与盲解卷积、BSS与多种技术的联合应用、基于BSS的噪声监测与诊断系统等。

2 混合模型的讨论

荷兰Delf科技大学的A.J.Vandeveen较早讨论了盲波束形成的模型问题，指出远场传播的窄带信号，如果带宽与传感器间延迟的乘积非常小，并且在传播角度和延迟可以忽略的空旷环境下测量，混合过程可以采用瞬时模型描述，否则应该采用卷积模型描述。在此基础上，A.Ypma等提出采用基于瞬时混合模型的盲源分离方法进行声音监测［1］。他们使用改进双线性SOBI和JADE算法对开阔环境下五个传声器阵列采集的风声、汽车噪声、旋转机器（水泵）声进行分离，首先成功地将风声分离出来，然后利用时频分析又将水泵声提取出来。实验证明，在窄带、远场及开阔测量环境等约束下，盲源分离方法对旋转机械噪声监测是一种有效的手段。

上海交通大学的钟振茂和顾暄从线性瞬时混合的假设出发，通过一台小型电动机和一个扬声器的半消声室及现场实验，证明所提出的基于波达方向（Direction of Arrival，DOA）的频域ICA算法和基于时频分布的联合反对角化算法［2］、宽带独立源MUSIC算法均能实现机械噪声的分离，但现场实验效果较差，指出理论模型和实际声场有一定的差距。吴军彪在其博士论文中提出的联合近似对角化盲源分离算法和联合近似分块对角化盲解卷积算法。通过半消声室内风扇和电动机噪声分离实验，证明联合近似对角化盲源分离算法可在一定程度上消除设备声信号之间的相互干扰，分离出各个设备的主要特征，影响分离效果的主要原因是实际声场模型与瞬时模型存在偏差，此时的声场模型更符合卷积混合模型。采用联合近似分块对角化盲解卷积算法处理相同的实验数据，发现分离效果并没有显著改善，指出影响分离效果的主要原因是盲解卷积过程复杂，所采用的算法参数较多且不易控制，算法鲁棒性差。蔡晓平等人提出既能分离超高斯信号又能分离亚高斯信号的EASI扩展算法［3］来分离电动机和风扇混合声。通过半消声室实验，指出风扇、电机和传声器之间虽然不服从严格的线性瞬时变化，但是在允许误差范围内，使用线性瞬时混合模型是合理的，改进算法能够有效地分离杂系机械噪声信号。

文献［4］利用FastICA、SOBI和 Matsuoka等人提出的Double－Blind算法研究了半消声室内两个扬声器混合声分离问题。对两个传声器测量的双通道信号分离发现三种算法均只能分离出一个独立分量，但分离精度高的Double－Blind算法参数较难设置。采用少量传声器分时多点测量的方法分离两个传声器的四通道信号进行对比，此时两个扬声器的声音成功分开。由此指出，机械噪声很难满足开阔环境测量条件，地板对声信号的反射会引入冗余的独立分量，其混合过程描述为线性卷积模型更合适。

浙江大学焦卫东对瞬时EASI算法和卷积BSS算法、非线性ICA算法进行了对比研究。通过普通实验室环境下两台小型电动机混合声信号盲分离实验，证明前两种算法均能较好分离混合声信号，EASI算法的分离效果略优于卷积BSS算法，而NICA算法分离效果很差。实验证明，小型旋转机械声频带相对于大型机械声要窄得多，其声源混合更近似于线性瞬时混合模型，而实际大型机械声源混合则应采用线性卷积混合模型，采用的非线性ICA算法不适用于实际机械声源分离。

3 盲源分离—瞬时模型中的应用

上海交通大学吴军彪等人利用标准SOBI算法分离半消声室内机械混合噪声［5］，研究表明，SOBI盲分离算法可以用于机械噪声的分离，可较大程度地减小声信号间的干扰。钟振茂等人采用时频盲分离算法提取非平稳源信号的小波系数，通过半消声室里两台电动机的三通道混合声分离，证明该算法能充分提取源信号特征，重构出的小波系数可以用于故障诊断。

西安交通大学张西宁、温广瑞和西安理工大学穆安乐提出一个新的基于信号联合概率分布统计的盲声源分离算法［6］，该算法利用信号联合概率的方向导数熵最小获得最佳旋转角度实现盲分离，与自适应盲处理算法相比不需要迭代运算，运行速度快。通过轴承试验台双通道混合声信号分离实验，成功地将电机和滚动轴承的声音分离。

上海交通大学李加文和李从心在窄带噪声信号基础上，针对实际噪声诊断中抗干扰差的缺点，提出基于二阶协方差矩阵联合对角化的鲁棒二阶盲辨识（R－SOBI）算法。通过分离人工混合的两个三相异步电动机（一个电动机存在转子故障，另一个正常）噪声，指出改进算法非常适合于峭度不断变化时的机械噪声盲分离，而且在样本数据较少时仍能实现较好的盲源分离效果；文献［7］提出先抽取协方差矩阵前几个特征值，再利用自然梯度算法提取感兴趣源信号的两步自适应算法，对人工混合的三个异步电动机声音分离表明，新算法不需要预知精确声源数目和非线性激活函数，计算量小，分离效果较好。

文献［4］对半消声室内一台小型钻机和一台风扇混合声盲分离进行了研究。利用FastICA和SOBI算法分离两个传声器采集的双通道混合声，结果表明两种算法分离效果相似，两台设备的主要频率成分被提取出来。

浙江科技学院的吴作伦和浙江大学的杨世锡等应用基于最小互信息和最大熵的自然梯度盲声源分离算法，其研究重点在算法的数学推导和仿真算例上。

4 盲解卷积—卷积模型中的应用

法国Relins大学的Gelle等应用BSS对旋转机械振动和噪声监测进行比较研究。在卷积混合模型假设基础上，采用基于高阶累积量的H－J自适应算法，分离试验台上两台结构相同的低功率可调速直流电动机振动和噪声信号。研究指出，结构涡合的机器，其噪声信号不仅通过机械结构混合，而且在空气传播中也会混合，即噪声在传声器接收前会经过两次卷积过程，观测信号间没有任何空间差异，因此对涡合结构的机械噪声进行盲分离比只经过一次卷积过程的振动信号盲分离要困难得多。

德国柏林科技大学的M.Knaak和D.Filbert针对卷积混合模型，提出一种联合BSS和最小方差波束形成（Minimum Variance Beamforming，MVB）的半盲分离（Semi－Blind Separation）新算法。该算法只需恢复一个源信号，但要求估计合适的时滞矢量参数。对旋转机械噪声分离实验表明新算法可以在现场环境下重构出受污染的旋转机械周期性调制噪声信号。随后，他们和 M.S.Kunier合作提出JADE－PSM和Fixed－Point－PSM两种扩展算法。在实验室内使用八个传声器组成的线性阵列测量十个小型电动机和一个“测试电动机”（由扬声器模拟工业现场的语音、锤击声和电锯声等噪声）产生的混合声信号。实验证明，JADE—PSM能够有效地重构机械声信号，并诊断出小型电动机的电刷振动故障，而Fixed－Point－PSM无法恢复小型电动机的谐波分量。研究表明，虽然采用卷积混合模型会使输出信号发生一定程度的失真，但JADE－PSM仍然是有效的机械噪声信号分类预处理器。

上海交通大学李加文和李从心提出了一种多频点盲解卷积算法。该算法采用“瞬时混合盲分离－主成分分析－瞬时混合盲分离”结构，利用少数几个频率点直接从频域模型恢复时域信号。由于不需要对所有频率点执行瞬时混合分离，新算法既具有分离性能高、鲁棒性强等特点，又克服了传统频域直接盲解卷积算法排序不确定的缺点。对人工卷积混合的两个三相异步电动机产生的双通道噪声进行盲分离实验，证明基于JADE多频点盲解卷积算法比传统单点频域盲解卷积的分离效果更佳。

上海交通大学的陈少林在研究多通道盲解卷积（Mul－tiehaxmelBlindDeeonvolution，MBD）的基础上，指出机械噪声信号一般不满足MBD的独立同分布要求，虽然直接将MBD算法用于卷积混合问题可以达到分离信号的目标，但对系统的输出附加了一个时域限制条件，会造成分离信号不同程度的失真。利用正交非完整约束修改MBD自然梯度算法，得到一种卷积盲源分离算法，通过仿真算例验证了算法的有效性。

5 BSS与多种技术的联合应用

1）与小波变换结合

内燃机是一个复杂的涡合系统，其噪声信号一般包括燃烧噪声、活塞敲击噪声、进排气门落座噪声、喷油泵噪声和齿轮噪声等，测量信号往往是这些噪声的混合体。英国Manchester大学的 W.Li等人较早应用独立分量分析 （Independent Component Analysis，ICA）辨识内燃机噪声源［8］。提出时序ICA模型代替传统平行ICA模型，克服了传声器数量小于未知源数量的困难。在发动机测试实验室内利用一个传声器采集一台四缸四冲程直喷柴油机噪声，通过计算归一化峭度证明其为亚高斯信号，满足ICA非高斯性约束，再利用连续小波变换对ICA处理结果进行特征提取，成功地识别出汽缸的活塞冲击声和燃料喷射声，汽缸的吸气噪声，汽缸的排气噪声，实验数据的盲分离结果完全符合理论预测值以及柴油机设计规格。

浙江大学郝志勇与天津大学葛楠、张俊红和刘月辉在内燃机噪声ICA模型时序ICA模型的基础上，利用FastICA算法对标定工况下的测量信号进行独立分量分析，成功地提取出三个独立分量，并以小波变换为特征提取工具，得到了各独立分量的时频分布特性。三个独立分量分别对应于柴油机燃烧噪声、活塞冲击噪声和喷油噪声。

浙江大学金岩等人应用FastICA算法对单缸四冲程柴油机进行了半消声室实验研究。通过对分离得到的三个独立分量进行傅立叶变换，确定第三个独立分量是曲轴系统等运动件惯性力激励引起的噪声。利用小波变换提取余下两个分量的时频特征，结果显示这两个独立分量在时频域中明显区分开，第一个独立分量是燃烧爆发引起的噪声，第二个独立分量是活塞拍击噪声。其结果与四缸柴油机独立分量分析完全一致。

浙江大学的徐红梅利用时序ICA模型，采用基于峭度的梯度算法和连续复小波变换分析六缸柴油机噪声，分离信号分别对应内燃机的燃烧噪声、正时齿轮噪声、活塞敲击噪声和喷油泵噪声，这与点声压级分析结果基本一致，说明采用ICA并结合CWT技术对内燃机噪声信号进行盲分离以识别其主要噪声源是可行的。研究表明，采用ICA及时序ICA模型结合小波变换辨识柴油机噪声是一种有效的手段。

文献［9］中利用自适应H－J算法对2135型柴油机噪声进行研究。通过盲分离三个声级计测得的混合声信号，证明该算法具有一定的抗干扰能力，可以从三个混合频谱中分离出柴油机的机械部件噪声、燃烧噪声和其它干扰噪声。虽然未使用小波变换，但仅通过傅立叶变换也能识别出燃烧噪声和活塞冲击声，得到与前面研究类似的结论。

广东工业大学张敬春在其硕士论文中应用文献［6］中提出的算法对电动机两种故障并存时声频故障诊断进行了研究。分别对两组实验中的双通道混合声信号进行分离，利用dbl小波对分离信号作5层分解，并计算其能量谱，再结合积累的故障样本得出的置信区间进行故障诊断，成功地诊断出第一组实验是电磁和轴承损坏故障，第二组实验是外盖松动和电容损坏故障。

2）与小波消噪结合

西安交通大学张海军等人结合FastICA和连续小波消噪对简易轴承实验台上的电机与待检轴承进行研究。通过对两个声级计采集的混合声信号消噪和分离，提取出电机的白噪声和滚动轴承的周期冲击声信号，表明先利用连续小波对工程诊断信号进行消噪，再应用FastICA算法分离信号，能够显著地提高诊断信号的信噪比，保证故障的确诊。上海交通大学吴军彪等人采用基于二阶累计量盲分离算法和小波变换模极大值法（双正交样条小波，分解尺度为4，大尺度空间阈值选取为该变换空间最大值的1／4提取两台电动机噪声，采用交替投影法重建双通道信号的声压谱。实验证明在低信噪比情况下，改进算法能有效地提取机械噪声故障特征。

清华大学李熠等人运用文献［10］中提出的小波阈值消噪与ICA结合的P.S（预处理消噪－分离）及P.S.P（预处理消噪－分离－后处理消噪）方法研究转子系统碰摩声频信号。通过对双通道仿真信号消噪和分离结果的对比，指出硬阈值P.S和P.S.P法的效果分别略优于软阈值P.S和P.S.P法。再采用硬阈值消噪分离处理两个声级计采集的转子实验台上转子碰摩声信号，结果显示硬阈值P.S.P法可以恢复一个周期冲击信号，而硬阈值P.S法得到的信号效不理想，前者分离结果优于后者。研究表明，硬阈值P.S.P法能较大提高信号的信噪比。

郑州大学李志农等人利用P.S.P方法研究了两台小型电动机声信号，其中消噪方法选择小波软阈值消噪（信噪比较大时，用固定阈值信噪比较小或扰动较大时，则用基于Stein无偏风险估计理论确定阈值），分离方法选择JADE算法。结果显示虽然在分离效果上存在一些误差，但比未使用RS.P方法的分离效果好。

美国麻省理工学院A.Routray等人提出“消噪－白化－分离”稳健预处理流程，分别应用特征值滤波消噪和小波降噪分离三个电机的人工混合声。结果表明，基于两种消噪方法的FastICA分离效果相似，均能大大提高分离信号的信噪比。

3）与自相关分析结合

西安交通大学李力和屈梁生采用自相关分析和基于峭度的FastICA算法分别对大型轧钢机和滚动轴承实验台进行了盲分离研究。从轧钢机的三个混合声中提取出了两级中间传动轴的旋转频率成分和两个撞击声分量—轧制撞击声、导向轮与侧压框架的撞击声；从滚动轴承实验台的三个混合声中分离出滚动轴承外圈故障频率产生的冲击成分。研究指出，对测量信号预先自相关处理，可以突出信号的周期成分，减少信号中的高斯成分。

北京科技大学的杨聚星使用齿轮实验台研究机械故障的声信号诊断方法，应用FastICA算法分离两个传声器采集的故障轴承声信号，对分离信号结合自相关分析，有效地识别出轴承的内环点蚀故障。利用上述方法对故障齿轮声信号分析，又成功地诊断出齿轮断齿故障。

另外，武汉科技大学吕勇等人综合局部投影降噪及ICA两者的优点，提出了一种轴承弱故障特征识别算法。通过故障模拟器试验，有效地分离和提取了轴不对中及轴承内环有点蚀的设备故障信息。

4）与其它技术结合

上海交通大学钟振茂和顾暄等人结合ICA和DOA进行声学故障特征提取研究，提出利用噪声子空间法宽带独立源MUSIC算法搜索声源位置，再恢复源信号。在半消声室内对一台小型电动机和一个扬声器进行分离实验，结果表明该方法可以将两台机器的噪声分离。文献中进一步指出将上述宽带频率通过聚焦变换宽带MUSIC法聚焦到一个窄带频率中，更利于估计噪声方差和声源方位。研究表明，基于传声器阵列流型建立的参数混合模型恰当地反映了宽带相关噪声源信号的混合，可减小其它噪声信号的干扰，提高待检设备声信号的信噪比。

文献［11］提出利用混合波叠加法重构声场，估计声源的数目和位置，再应用BSS分离声源波形。在半消声室中，使用由29个传声器组成的“十”字阵列采集电动机和扬声器混合声，通过功率谱对比分析，显示分离信号与源信号非常吻合。

浙江大学焦卫东从机械辐射声产生及传播机理出发，提出带通滤波对声信号分段窄带化处理，将卷积混合BSS问题转化为瞬时混合BSS问题。分别应用瞬时混合JADE算法、基于非线性函数取消的卷积算法（T－CONV）、基于带通滤波器的改进JADE（BP－JADE）算法、基于带通滤波的瞬时EASI算法对轴承齿轮啮合振动模型构造的仿真卷积混合信号和两台小型电动机的混合声进行对比研究，指出基于带通滤波器的改进JADE、EASI算法不仅对瞬时混合分离效果提高显著，而且对卷积混合分离效果也有较大程度的改善。研究表明，带通滤波BSS方法可以有效地将复杂的卷积BSS问题转化为简单的瞬时BSS来处理。BPJADE、T－CONV和JADE等算法都可以用于分离小型机械噪声，分离能力逐渐减弱。该方法可以较大程度的克服混合过程未知或复杂的困难，但对诸如滤波器类型、合理的滤波频段选择等问题还缺乏统一的描述和标准。

文献［12］中提出一种基于ICA－EMD分析的复杂噪声系统识别的支撑向量机 （Support Vector Machine，SVM）新策略。该方法利用ICA多通道传感器信息融合实现各个源信号间的冗余取消，再进行经验模态分解（EMD）基的非线性、非稳态噪声信号谱分析和希尔伯特－黄变换（Hilbert Huang Transform，HHT）三维谱量化特性分析与提取，最后应用基于支持向量机和奇异点分析准则进行噪声源识别。

5）基于BSS的噪声监测诊断系统

葡萄牙CB学院的Vilela、MetrGlho和法国UTAD大学的Cardoso建立了一个基于BSS的工业机器声音在线定期监测系统。系统利用Labview采集数据，使用MATLAB开发的同时近似对角化二阶时滞互相关矩阵的TDSEP核心算法，支持最多四个传声器同时采集噪声，而且只需要恢复一个反映机器运动部件特征的源信号。通过实验室内两个传声器采集的混合声盲分离，表明该系统有利于排除干扰噪声，提高工业机器声音监测的可靠性。

上海交通大学顾暄和蔡晓平分别利用MATLAB和Labview开发了各自的基于BSS和BP神经网络的简易声学信号分析与诊断软件，两个软件均支持最多三个传声器同时测量声信号，并可用于转子不平衡、不对中及碰摩等故障的分析。

浙江大学冯海涛在Delphi基础上开发的机组监测与诊断系统中嵌入了BSS模块。BSS模块包括测点选择、算法选择和参数选择三个子模块，其中算法选择模块采用MMI和ME算法，并可通过参数选择调节循环次数、学习速率等以获得更优的分离结果。焦卫东［13］在MATLAB基础上开发出一套基于ICA的机器健康状况监测系统，该系统中包括JADE、Infomax、FastICA和非线性ICA四种算法，均可应用于机械振动和噪声信号的盲分离，但现场分离噪声时要求传声器数目大于或等于机组中单个发声部件数的总和，而且应尽量避免测量环境背景噪声和反射声的影响，使测点尽可能接近机器辐射声源。

6 结语

国内外对机械工程信号盲处理方法的研究已取得了可喜的成果，在某些特定或简单的场合下，盲信号处理方法可以直接应用于工程实践中，但是这并不意味着盲信号处理方法在机械状态监测与故障诊断中的应用已经完善了，事实上还有很多地方有待更进一步地研究。在简单声场的情况下，直接应用BSP处理机械声信号可以达到声学监测与诊断的目的，但是基于BSP的声学监测与诊断方法距离实际应用仍有很长的路要走，因此有必要进一步研究复杂声场环境下基于BSP的机械设备噪声监测与诊断方法。

［1］Alexander Ypma，Amir Leshem，Robert P.W.Duin.Blind separation of rotating machine bilinear forms and convolutive mixtures［J］.Neurocomputing 2002，49：349－368.

［2］钟振茂.基于盲源分离的声学故障特征提取［D］.上海：上海交通大学，2005.

［3］蔡晓平，陈进，吴军彪，等.等变自适应算法在声学特征信号分离中的应用［J］.振动与冲击，2004，23（1）：110－112.

［4］王宇.盲源分离在机械设备声学信号特征提取中的应用［D］.昆明：昆明理工大学，2007.

［5］J.B.Wu，J.Chen，Z.M.Zhong，etal.Applieation of blind sourees aration method in mechanical sound signal analysis［C］／／2002ASME International Mechanical Engineering Congress and Exposition，2002：785－791.

［6］张西宁，穆安乐，温广瑞.一种新的盲声源信号分离方法及其应用［J］.西安交通大学学报，2005，39（1）：6－8，20.

［7］Li Jiawen，Li Congxin.A Two－step Adaptive Blind Source Separation for Machine Sound［C］／／Proceedings of the 6th World Congress on Intelligent Control and Automation，Dalian，China，June 21－23，2006：5424－5427.

［8］W.Li，F.Gu，A.D.Ball，et.al.A Study of the Noise from Diesel Engines Using the Independent Component Analysis［J］.Mechical Systems and Signal Processing，2001，15（6）：1165－1184.

［9］管卫华，林用满.盲分离技术识别发动机的机械和燃烧噪声源［J］.车用发动机，2006（5）：48－50，54.

［10］B.Rivet，V.Vigneron，A.P.Ionescu，et.al.Wavelet denoising for blind source separation in noisy mixtures［J］.Lecture Notes in Computer Science，2004（3）：263－270.

［11］W.F.Xue，J.Chen，J.Q.Li，et.al.Acoustical feature extrac－tion of rotating machinery with combined wave superposition and blind source separation［C］.Proc.IMechE Vo1.Part C：J.Mechanical Engineering Science，2006，22：1423－1431.

［12］钟振茂，陈进，钟平.盲源分离技术用于机械故障诊断的研究初探［J］.机械科学与技术，2002，21（2）：282－284.

［13］焦卫东.独立分量分析的旋转机械故障诊断方法研究［D］.杭州：浙江大学，2002.