有許多文獻(xiàn)用卷積混合矩陣模型對(duì)BSS進(jìn)行了研究?；跁r(shí)域信號(hào)的盲分離[24]方法對(duì)數(shù)值信號(hào)進(jìn)行卷積混合并進(jìn)行盲識(shí)別，如圖4所示?；旌虾髢蓚€(gè)源信號(hào)分離結(jié)果說(shuō)明所用算法在低頻段可給出好的分離結(jié)果，且可分離信號(hào)中的諧波信號(hào)[25]。

　　實(shí)際工程中的信號(hào)源個(gè)數(shù)是不明確的。可在人為設(shè)定源信號(hào)個(gè)數(shù)m的基礎(chǔ)上，進(jìn)行隨機(jī)迭代，最大化各個(gè)分離信號(hào)y(n)。

　　對(duì)動(dòng)力機(jī)械結(jié)構(gòu)的不同位置上安裝5個(gè)傳感器，進(jìn)行振動(dòng)信號(hào)采集，并對(duì)采集信號(hào)用卷積混疊矩陣進(jìn)行盲分離。結(jié)果表明，靠近激勵(lì)源的兩個(gè)傳感器(4、5兩個(gè)傳感器)得到的信號(hào)被方便地分離出來(lái)，而其他測(cè)點(diǎn)的傳感器采集信號(hào)難以收到理想的分離結(jié)果。這與理論方法是一致的。

　　第5個(gè)傳感器的原始信號(hào)和分離結(jié)果如圖5所示。可看出，實(shí)際的信號(hào)在時(shí)域和頻域都難以直接觀察出來(lái)。進(jìn)行盲分離，得出兩個(gè)典型的周期信號(hào)及一個(gè)隨機(jī)信號(hào)。圖5(b)是兩個(gè)周期信號(hào)合成的頻譜。兩個(gè)周期信號(hào)分別是發(fā)動(dòng)機(jī)、電機(jī)旋轉(zhuǎn)頻率[26]。實(shí)際振動(dòng)信號(hào)進(jìn)行的源信號(hào)盲分離表明，所用方法在機(jī)械振動(dòng)信號(hào)盲源分離中是適用的，信號(hào)得到較好的分離。

?

　　圖4 兩個(gè)諧波信號(hào)的分離

?

　　圖5 實(shí)際振動(dòng)信號(hào)的盲分離

　　4.3 基于峭度的快速定點(diǎn)算法

　　經(jīng)典的測(cè)量非高斯方法是峭度(kurtosis)或稱四階累積量。有關(guān)研究用基于峭度的快速定點(diǎn)算法對(duì)真實(shí)的轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行了盲源分離研究。在轉(zhuǎn)子振動(dòng)試驗(yàn)臺(tái)上安裝4個(gè)加速度傳感器，三個(gè)加速度傳感器是安裝在軸承座上的，另一個(gè)安裝在垂直于轉(zhuǎn)子軸的連接盤(pán)上以便測(cè)量軸向的振動(dòng)情況。試驗(yàn)時(shí)的轉(zhuǎn)速為525轉(zhuǎn)/分。由此得到4個(gè)采集信號(hào)。

　　值得注意的是，實(shí)際采集的信號(hào)一般就是混合后的信號(hào)。所以前述數(shù)值仿真分析方法中，“信號(hào)混合”這一步就不需要了，可以在直接對(duì)采集的信號(hào)進(jìn)行預(yù)白化處理后，再用基于峭度的快速定點(diǎn)抽取算法進(jìn)行分離。

?

　　圖6 轉(zhuǎn)子振動(dòng)信號(hào)的盲源分離

　　由傳感器測(cè)得的4個(gè)振動(dòng)源信號(hào)如圖6(a)所示;預(yù)白化處理后的信號(hào)、分離后的信號(hào)分別如圖6(b)、(c)所示。從圖6(a)可看出，從原始的轉(zhuǎn)子振動(dòng)信號(hào)中只能分辨出軸向沖擊信號(hào)，而其他3個(gè)信號(hào)波形十分相近，無(wú)法識(shí)別出哪個(gè)信號(hào)是哪個(gè)振動(dòng)源產(chǎn)生的。從圖6(c)中能夠清晰地分離出不同的振動(dòng)信號(hào)源。第四個(gè)信號(hào)是明顯的軸向沖擊信號(hào)，第二個(gè)信號(hào)是轉(zhuǎn)子旋轉(zhuǎn)的信號(hào)，第一個(gè)信號(hào)是軸承滾子的沖擊信號(hào)，第三個(gè)信號(hào)是噪聲信號(hào)。這說(shuō)明用基于峭度的快速定點(diǎn)算法對(duì)轉(zhuǎn)子振動(dòng)信號(hào)的盲源分離是十分有效和成功的。