基于变分贝叶斯独立分量分析理论的多故障复合诊断新方法研究

为克服传统的独立分量分析在多故障复合诊断中的的不足，本项目将变分贝叶斯独立分量分析理论引入到多故障复合诊断中，提出了一种基于变分贝叶斯独立分量分析的多故障复合诊断新方法，很好地体现了学科的交叉。提出的方法与现有的多故障盲分离方法相比较，具有以下独特的优势：(1)可直接对噪声环境下的机械故障源进行分离，从而解决了噪声环境下的机械故障源的盲分离问题。(2)可准确对故障源数进行估计，解决了现有的机械源信号盲分离中必须要求信源数已知这一与现实不符的假设。即使是在强干扰噪声环境下，提出的方法仍保持较好的鲁棒性。(3)克服了非线性混合盲分离中要求非线性混合是可逆的这一先天性不足，极大地拓展了传统后非线性模型的使用范围。(4)丰富和发展了变分贝叶斯独立分量分析理论，解决了模型参数初始化选择问题和模型学习速度的问题.本项目所取得的研究成果必将对机械故障诊断学科产生深远影响。

针对传统的机械故障盲分离方法存在的不足，本项目将变分贝叶斯独立分量分析理论引入到多故障复合诊断中，提出了基于变分贝叶斯独立分量分析多故障诊断方法，并取得了重要的创新性成果，主要在以下几方面：.(1)提出一种基于变分贝叶斯理论的机械故障盲源分离方法，该方法可以直接对噪声环境下的机械源信号进行分离，从而解决了噪声环境下的机械故障源的盲分离问题。.(2)提出了一种基于贝叶斯推论的机械源数估计方法，解决了现有的机械源信号盲分离中必须要求信源数已知这一与现实不符的假设。.(3) 结合多层感知器网络(MLP)和变分贝叶斯推论，提出了一种基于变分贝叶斯算法和MLP网络的后非线性混合盲源分离方法。克服了现有的非线性混合的机械故障源的盲分离中要求非线性函数是可逆的这一苛刻的条件，从而使其更加贴近实际应用。.(4)提出了一种基于PCA初始化的vbICA算法，为vbICA理论的初始化选择提供了一种以有效的可行方法，丰富和发展了变分贝叶斯独立分量分析的理论。.(5)结合小波包分析和vbICA理论的各自的优点，提出了一种基于小波包-vbICA盲分离方法，该方法能有效地解决噪声环境下的相关源信号欠定盲分离问题，并且能有效地推断出信号的源数。.(6)提出了一种基于变分贝叶斯混合独立分量分析的机械故障诊断盲源分离方法，该方法解决了传统的vbICA方法不能处理来自不同坐标系的混合信号盲分离问题。