盲信號處理在機電聲學監測與診斷中的應用＊

謝 靜 趙文強 雷 毅

（1.海軍駐武昌造船廠軍事代表室 武漢 430064）（2.海軍駐中南光電研究所軍事代表室 武漢 430064）（3.海軍駐中國艦船設計中心軍事代表室 武漢 430064）

1 引言

目前，盲信號處理（BSP）已在諸多領域開發出很多工具軟件，例如處理生物醫學腦電 （EEG）信號萬腦磁（MEG）信號、功能核磁共振成像（fMRI）信號的EEGLAB軟件包和FMRLAB軟件包，語音分離、圖像處理、腦電信號處理的ICALAB軟件包和FastICA固定點算法軟件包，語音識別與增強的FP－FDICA軟件包以及循環平穩信號盲提取及盲解卷積工具箱等等。在機械噪聲監測與故障診斷領域，雖然不少研究者討論了基于ICA的故障特征提取和模式識別方法，但是BSP主要應用于機械噪聲分離，包括混合模型的討論、噪聲盲源分離與盲解卷積、BSS與多種技術的聯合應用、基于BSS的噪聲監測與診斷系統等。

2 混合模型的討論

荷蘭Delf科技大學的A.J.Vandeveen較早討論了盲波束形成的模型問題，指出遠場傳播的窄帶信號，如果帶寬與傳感器間延遲的乘積非常小，并且在傳播角度和延遲可以忽略的空曠環境下測量，混合過程可以采用瞬時模型描述，否則應該采用卷積模型描述。在此基礎上，A.Ypma等提出采用基于瞬時混合模型的盲源分離方法進行聲音監測［1］。他們使用改進雙線性SOBI和JADE算法對開闊環境下五個傳聲器陣列采集的風聲、汽車噪聲、旋轉機器（水泵）聲進行分離，首先成功地將風聲分離出來，然后利用時頻分析又將水泵聲提取出來。實驗證明，在窄帶、遠場及開闊測量環境等約束下，盲源分離方法對旋轉機械噪聲監測是一種有效的手段。

上海交通大學的鐘振茂和顧暄從線性瞬時混合的假設出發，通過一臺小型電動機和一個揚聲器的半消聲室及現場實驗，證明所提出的基于波達方向（Direction of Arrival，DOA）的頻域ICA算法和基于時頻分布的聯合反對角化算法［2］、寬帶獨立源MUSIC算法均能實現機械噪聲的分離，但現場實驗效果較差，指出理論模型和實際聲場有一定的差距。吳軍彪在其博士論文中提出的聯合近似對角化盲源分離算法和聯合近似分塊對角化盲解卷積算法。通過半消聲室內風扇和電動機噪聲分離實驗，證明聯合近似對角化盲源分離算法可在一定程度上消除設備聲信號之間的相互干擾，分離出各個設備的主要特征，影響分離效果的主要原因是實際聲場模型與瞬時模型存在偏差，此時的聲場模型更符合卷積混合模型。采用聯合近似分塊對角化盲解卷積算法處理相同的實驗數據，發現分離效果并沒有顯著改善，指出影響分離效果的主要原因是盲解卷積過程復雜，所采用的算法參數較多且不易控制，算法魯棒性差。蔡曉平等人提出既能分離超高斯信號又能分離亞高斯信號的EASI擴展算法［3］來分離電動機和風扇混合聲。通過半消聲室實驗，指出風扇、電機和傳聲器之間雖然不服從嚴格的線性瞬時變化，但是在允許誤差范圍內，使用線性瞬時混合模型是合理的，改進算法能夠有效地分離雜系機械噪聲信號。

文獻［4］利用FastICA、SOBI和 Matsuoka等人提出的Double－Blind算法研究了半消聲室內兩個揚聲器混合聲分離問題。對兩個傳聲器測量的雙通道信號分離發現三種算法均只能分離出一個獨立分量，但分離精度高的Double－Blind算法參數較難設置。采用少量傳聲器分時多點測量的方法分離兩個傳聲器的四通道信號進行對比，此時兩個揚聲器的聲音成功分開。由此指出，機械噪聲很難滿足開闊環境測量條件，地板對聲信號的反射會引入冗余的獨立分量，其混合過程描述為線性卷積模型更合適。

浙江大學焦衛東對瞬時EASI算法和卷積BSS算法、非線性ICA算法進行了對比研究。通過普通實驗室環境下兩臺小型電動機混合聲信號盲分離實驗，證明前兩種算法均能較好分離混合聲信號，EASI算法的分離效果略優于卷積BSS算法，而NICA算法分離效果很差。實驗證明，小型旋轉機械聲頻帶相對于大型機械聲要窄得多，其聲源混合更近似于線性瞬時混合模型，而實際大型機械聲源混合則應采用線性卷積混合模型，采用的非線性ICA算法不適用于實際機械聲源分離。

3 盲源分離—瞬時模型中的應用

上海交通大學吳軍彪等人利用標準SOBI算法分離半消聲室內機械混合噪聲［5］，研究表明，SOBI盲分離算法可以用于機械噪聲的分離，可較大程度地減小聲信號間的干擾。鐘振茂等人采用時頻盲分離算法提取非平穩源信號的小波系數，通過半消聲室里兩臺電動機的三通道混合聲分離，證明該算法能充分提取源信號特征，重構出的小波系數可以用于故障診斷。

西安交通大學張西寧、溫廣瑞和西安理工大學穆安樂提出一個新的基于信號聯合概率分布統計的盲聲源分離算法［6］，該算法利用信號聯合概率的方向導數熵最小獲得最佳旋轉角度實現盲分離，與自適應盲處理算法相比不需要迭代運算，運行速度快。通過軸承試驗臺雙通道混合聲信號分離實驗，成功地將電機和滾動軸承的聲音分離。

上海交通大學李加文和李從心在窄帶噪聲信號基礎上，針對實際噪聲診斷中抗干擾差的缺點，提出基于二階協方差矩陣聯合對角化的魯棒二階盲辨識（R－SOBI）算法。通過分離人工混合的兩個三相異步電動機（一個電動機存在轉子故障，另一個正常）噪聲，指出改進算法非常適合于峭度不斷變化時的機械噪聲盲分離，而且在樣本數據較少時仍能實現較好的盲源分離效果；文獻［7］提出先抽取協方差矩陣前幾個特征值，再利用自然梯度算法提取感興趣源信號的兩步自適應算法，對人工混合的三個異步電動機聲音分離表明，新算法不需要預知精確聲源數目和非線性激活函數，計算量小，分離效果較好。

文獻［4］對半消聲室內一臺小型鉆機和一臺風扇混合聲盲分離進行了研究。利用FastICA和SOBI算法分離兩個傳聲器采集的雙通道混合聲，結果表明兩種算法分離效果相似，兩臺設備的主要頻率成分被提取出來。

浙江科技學院的吳作倫和浙江大學的楊世錫等應用基于最小互信息和最大熵的自然梯度盲聲源分離算法，其研究重點在算法的數學推導和仿真算例上。

4 盲解卷積—卷積模型中的應用

法國Relins大學的Gelle等應用BSS對旋轉機械振動和噪聲監測進行比較研究。在卷積混合模型假設基礎上，采用基于高階累積量的H－J自適應算法，分離試驗臺上兩臺結構相同的低功率可調速直流電動機振動和噪聲信號。研究指出，結構渦合的機器，其噪聲信號不僅通過機械結構混合，而且在空氣傳播中也會混合，即噪聲在傳聲器接收前會經過兩次卷積過程，觀測信號間沒有任何空間差異，因此對渦合結構的機械噪聲進行盲分離比只經過一次卷積過程的振動信號盲分離要困難得多。

德國柏林科技大學的M.Knaak和D.Filbert針對卷積混合模型，提出一種聯合BSS和最小方差波束形成（Minimum Variance Beamforming，MVB）的半盲分離（Semi－Blind Separation）新算法。該算法只需恢復一個源信號，但要求估計合適的時滯矢量參數。對旋轉機械噪聲分離實驗表明新算法可以在現場環境下重構出受污染的旋轉機械周期性調制噪聲信號。隨后，他們和 M.S.Kunier合作提出JADE－PSM和Fixed－Point－PSM兩種擴展算法。在實驗室內使用八個傳聲器組成的線性陣列測量十個小型電動機和一個“測試電動機”（由揚聲器模擬工業現場的語音、錘擊聲和電鋸聲等噪聲）產生的混合聲信號。實驗證明，JADE—PSM能夠有效地重構機械聲信號，并診斷出小型電動機的電刷振動故障，而Fixed－Point－PSM無法恢復小型電動機的諧波分量。研究表明，雖然采用卷積混合模型會使輸出信號發生一定程度的失真，但JADE－PSM仍然是有效的機械噪聲信號分類預處理器。

上海交通大學李加文和李從心提出了一種多頻點盲解卷積算法。該算法采用“瞬時混合盲分離－主成分分析－瞬時混合盲分離”結構，利用少數幾個頻率點直接從頻域模型恢復時域信號。由于不需要對所有頻率點執行瞬時混合分離，新算法既具有分離性能高、魯棒性強等特點，又克服了傳統頻域直接盲解卷積算法排序不確定的缺點。對人工卷積混合的兩個三相異步電動機產生的雙通道噪聲進行盲分離實驗，證明基于JADE多頻點盲解卷積算法比傳統單點頻域盲解卷積的分離效果更佳。

上海交通大學的陳少林在研究多通道盲解卷積（Mul－tiehaxmelBlindDeeonvolution，MBD）的基礎上，指出機械噪聲信號一般不滿足MBD的獨立同分布要求，雖然直接將MBD算法用于卷積混合問題可以達到分離信號的目標，但對系統的輸出附加了一個時域限制條件，會造成分離信號不同程度的失真。利用正交非完整約束修改MBD自然梯度算法，得到一種卷積盲源分離算法，通過仿真算例驗證了算法的有效性。

5 BSS與多種技術的聯合應用

1）與小波變換結合

內燃機是一個復雜的渦合系統，其噪聲信號一般包括燃燒噪聲、活塞敲擊噪聲、進排氣門落座噪聲、噴油泵噪聲和齒輪噪聲等，測量信號往往是這些噪聲的混合體。英國Manchester大學的 W.Li等人較早應用獨立分量分析 （Independent Component Analysis，ICA）辨識內燃機噪聲源［8］。提出時序ICA模型代替傳統平行ICA模型，克服了傳聲器數量小于未知源數量的困難。在發動機測試實驗室內利用一個傳聲器采集一臺四缸四沖程直噴柴油機噪聲，通過計算歸一化峭度證明其為亞高斯信號，滿足ICA非高斯性約束，再利用連續小波變換對ICA處理結果進行特征提取，成功地識別出汽缸的活塞沖擊聲和燃料噴射聲，汽缸的吸氣噪聲，汽缸的排氣噪聲，實驗數據的盲分離結果完全符合理論預測值以及柴油機設計規格。

浙江大學郝志勇與天津大學葛楠、張俊紅和劉月輝在內燃機噪聲ICA模型時序ICA模型的基礎上，利用FastICA算法對標定工況下的測量信號進行獨立分量分析，成功地提取出三個獨立分量，并以小波變換為特征提取工具，得到了各獨立分量的時頻分布特性。三個獨立分量分別對應于柴油機燃燒噪聲、活塞沖擊噪聲和噴油噪聲。

浙江大學金巖等人應用FastICA算法對單缸四沖程柴油機進行了半消聲室實驗研究。通過對分離得到的三個獨立分量進行傅立葉變換，確定第三個獨立分量是曲軸系統等運動件慣性力激勵引起的噪聲。利用小波變換提取余下兩個分量的時頻特征，結果顯示這兩個獨立分量在時頻域中明顯區分開，第一個獨立分量是燃燒爆發引起的噪聲，第二個獨立分量是活塞拍擊噪聲。其結果與四缸柴油機獨立分量分析完全一致。

浙江大學的徐紅梅利用時序ICA模型，采用基于峭度的梯度算法和連續復小波變換分析六缸柴油機噪聲，分離信號分別對應內燃機的燃燒噪聲、正時齒輪噪聲、活塞敲擊噪聲和噴油泵噪聲，這與點聲壓級分析結果基本一致，說明采用ICA并結合CWT技術對內燃機噪聲信號進行盲分離以識別其主要噪聲源是可行的。研究表明，采用ICA及時序ICA模型結合小波變換辨識柴油機噪聲是一種有效的手段。

文獻［9］中利用自適應H－J算法對2135型柴油機噪聲進行研究。通過盲分離三個聲級計測得的混合聲信號，證明該算法具有一定的抗干擾能力，可以從三個混合頻譜中分離出柴油機的機械部件噪聲、燃燒噪聲和其它干擾噪聲。雖然未使用小波變換，但僅通過傅立葉變換也能識別出燃燒噪聲和活塞沖擊聲，得到與前面研究類似的結論。

廣東工業大學張敬春在其碩士論文中應用文獻［6］中提出的算法對電動機兩種故障并存時聲頻故障診斷進行了研究。分別對兩組實驗中的雙通道混合聲信號進行分離，利用dbl小波對分離信號作5層分解，并計算其能量譜，再結合積累的故障樣本得出的置信區間進行故障診斷，成功地診斷出第一組實驗是電磁和軸承損壞故障，第二組實驗是外蓋松動和電容損壞故障。

2）與小波消噪結合

西安交通大學張海軍等人結合FastICA和連續小波消噪對簡易軸承實驗臺上的電機與待檢軸承進行研究。通過對兩個聲級計采集的混合聲信號消噪和分離，提取出電機的白噪聲和滾動軸承的周期沖擊聲信號，表明先利用連續小波對工程診斷信號進行消噪，再應用FastICA算法分離信號，能夠顯著地提高診斷信號的信噪比，保證故障的確診。上海交通大學吳軍彪等人采用基于二階累計量盲分離算法和小波變換模極大值法（雙正交樣條小波，分解尺度為4，大尺度空間閾值選取為該變換空間最大值的1／4提取兩臺電動機噪聲，采用交替投影法重建雙通道信號的聲壓譜。實驗證明在低信噪比情況下，改進算法能有效地提取機械噪聲故障特征。

清華大學李熠等人運用文獻［10］中提出的小波閾值消噪與ICA結合的P.S（預處理消噪－分離）及P.S.P（預處理消噪－分離－后處理消噪）方法研究轉子系統碰摩聲頻信號。通過對雙通道仿真信號消噪和分離結果的對比，指出硬閾值P.S和P.S.P法的效果分別略優于軟閾值P.S和P.S.P法。再采用硬閾值消噪分離處理兩個聲級計采集的轉子實驗臺上轉子碰摩聲信號，結果顯示硬閾值P.S.P法可以恢復一個周期沖擊信號，而硬閾值P.S法得到的信號效不理想，前者分離結果優于后者。研究表明，硬閾值P.S.P法能較大提高信號的信噪比。

鄭州大學李志農等人利用P.S.P方法研究了兩臺小型電動機聲信號，其中消噪方法選擇小波軟閾值消噪（信噪比較大時，用固定閾值信噪比較小或擾動較大時，則用基于Stein無偏風險估計理論確定閾值），分離方法選擇JADE算法。結果顯示雖然在分離效果上存在一些誤差，但比未使用RS.P方法的分離效果好。

美國麻省理工學院A.Routray等人提出“消噪－白化－分離”穩健預處理流程，分別應用特征值濾波消噪和小波降噪分離三個電機的人工混合聲。結果表明，基于兩種消噪方法的FastICA分離效果相似，均能大大提高分離信號的信噪比。

3）與自相關分析結合

西安交通大學李力和屈梁生采用自相關分析和基于峭度的FastICA算法分別對大型軋鋼機和滾動軸承實驗臺進行了盲分離研究。從軋鋼機的三個混合聲中提取出了兩級中間傳動軸的旋轉頻率成分和兩個撞擊聲分量—軋制撞擊聲、導向輪與側壓框架的撞擊聲；從滾動軸承實驗臺的三個混合聲中分離出滾動軸承外圈故障頻率產生的沖擊成分。研究指出，對測量信號預先自相關處理，可以突出信號的周期成分，減少信號中的高斯成分。

北京科技大學的楊聚星使用齒輪實驗臺研究機械故障的聲信號診斷方法，應用FastICA算法分離兩個傳聲器采集的故障軸承聲信號，對分離信號結合自相關分析，有效地識別出軸承的內環點蝕故障。利用上述方法對故障齒輪聲信號分析，又成功地診斷出齒輪斷齒故障。

另外，武漢科技大學呂勇等人綜合局部投影降噪及ICA兩者的優點，提出了一種軸承弱故障特征識別算法。通過故障模擬器試驗，有效地分離和提取了軸不對中及軸承內環有點蝕的設備故障信息。

4）與其它技術結合

上海交通大學鐘振茂和顧暄等人結合ICA和DOA進行聲學故障特征提取研究，提出利用噪聲子空間法寬帶獨立源MUSIC算法搜索聲源位置，再恢復源信號。在半消聲室內對一臺小型電動機和一個揚聲器進行分離實驗，結果表明該方法可以將兩臺機器的噪聲分離。文獻中進一步指出將上述寬帶頻率通過聚焦變換寬帶MUSIC法聚焦到一個窄帶頻率中，更利于估計噪聲方差和聲源方位。研究表明，基于傳聲器陣列流型建立的參數混合模型恰當地反映了寬帶相關噪聲源信號的混合，可減小其它噪聲信號的干擾，提高待檢設備聲信號的信噪比。

文獻［11］提出利用混合波疊加法重構聲場，估計聲源的數目和位置，再應用BSS分離聲源波形。在半消聲室中，使用由29個傳聲器組成的“十”字陣列采集電動機和揚聲器混合聲，通過功率譜對比分析，顯示分離信號與源信號非常吻合。

浙江大學焦衛東從機械輻射聲產生及傳播機理出發，提出帶通濾波對聲信號分段窄帶化處理，將卷積混合BSS問題轉化為瞬時混合BSS問題。分別應用瞬時混合JADE算法、基于非線性函數取消的卷積算法（T－CONV）、基于帶通濾波器的改進JADE（BP－JADE）算法、基于帶通濾波的瞬時EASI算法對軸承齒輪嚙合振動模型構造的仿真卷積混合信號和兩臺小型電動機的混合聲進行對比研究，指出基于帶通濾波器的改進JADE、EASI算法不僅對瞬時混合分離效果提高顯著，而且對卷積混合分離效果也有較大程度的改善。研究表明，帶通濾波BSS方法可以有效地將復雜的卷積BSS問題轉化為簡單的瞬時BSS來處理。BPJADE、T－CONV和JADE等算法都可以用于分離小型機械噪聲，分離能力逐漸減弱。該方法可以較大程度的克服混合過程未知或復雜的困難，但對諸如濾波器類型、合理的濾波頻段選擇等問題還缺乏統一的描述和標準。

文獻［12］中提出一種基于ICA－EMD分析的復雜噪聲系統識別的支撐向量機 （Support Vector Machine，SVM）新策略。該方法利用ICA多通道傳感器信息融合實現各個源信號間的冗余取消，再進行經驗模態分解（EMD）基的非線性、非穩態噪聲信號譜分析和希爾伯特－黃變換（Hilbert Huang Transform，HHT）三維譜量化特性分析與提取，最后應用基于支持向量機和奇異點分析準則進行噪聲源識別。

5）基于BSS的噪聲監測診斷系統

葡萄牙CB學院的Vilela、MetrGlho和法國UTAD大學的Cardoso建立了一個基于BSS的工業機器聲音在線定期監測系統。系統利用Labview采集數據，使用MATLAB開發的同時近似對角化二階時滯互相關矩陣的TDSEP核心算法，支持最多四個傳聲器同時采集噪聲，而且只需要恢復一個反映機器運動部件特征的源信號。通過實驗室內兩個傳聲器采集的混合聲盲分離，表明該系統有利于排除干擾噪聲，提高工業機器聲音監測的可靠性。

上海交通大學顧暄和蔡曉平分別利用MATLAB和Labview開發了各自的基于BSS和BP神經網絡的簡易聲學信號分析與診斷軟件，兩個軟件均支持最多三個傳聲器同時測量聲信號，并可用于轉子不平衡、不對中及碰摩等故障的分析。

浙江大學馮海濤在Delphi基礎上開發的機組監測與診斷系統中嵌入了BSS模塊。BSS模塊包括測點選擇、算法選擇和參數選擇三個子模塊，其中算法選擇模塊采用MMI和ME算法，并可通過參數選擇調節循環次數、學習速率等以獲得更優的分離結果。焦衛東［13］在MATLAB基礎上開發出一套基于ICA的機器健康狀況監測系統，該系統中包括JADE、Infomax、FastICA和非線性ICA四種算法，均可應用于機械振動和噪聲信號的盲分離，但現場分離噪聲時要求傳聲器數目大于或等于機組中單個發聲部件數的總和，而且應盡量避免測量環境背景噪聲和反射聲的影響，使測點盡可能接近機器輻射聲源。

6 結語

國內外對機械工程信號盲處理方法的研究已取得了可喜的成果，在某些特定或簡單的場合下，盲信號處理方法可以直接應用于工程實踐中，但是這并不意味著盲信號處理方法在機械狀態監測與故障診斷中的應用已經完善了，事實上還有很多地方有待更進一步地研究。在簡單聲場的情況下，直接應用BSP處理機械聲信號可以達到聲學監測與診斷的目的，但是基于BSP的聲學監測與診斷方法距離實際應用仍有很長的路要走，因此有必要進一步研究復雜聲場環境下基于BSP的機械設備噪聲監測與診斷方法。

［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］鐘振茂.基于盲源分離的聲學故障特征提取［D］.上海：上海交通大學，2005.

［3］蔡曉平，陳進，吳軍彪，等.等變自適應算法在聲學特征信號分離中的應用［J］.振動與沖擊，2004，23（1）：110－112.

［4］王宇.盲源分離在機械設備聲學信號特征提取中的應用［D］.昆明：昆明理工大學，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］張西寧，穆安樂，溫廣瑞.一種新的盲聲源信號分離方法及其應用［J］.西安交通大學學報，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］管衛華，林用滿.盲分離技術識別發動機的機械和燃燒噪聲源［J］.車用發動機，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］鐘振茂，陳進，鐘平.盲源分離技術用于機械故障診斷的研究初探［J］.機械科學與技術，2002，21（2）：282－284.

［13］焦衛東.獨立分量分析的旋轉機械故障診斷方法研究［D］.杭州：浙江大學，2002.