盲源分离与振动信号处理之间发展关系

盲源分离与振动信号处理之间发展关系

盲源分离概念是在1990年左右提出，最先用于处理语音信号，一个具体的例子就是“鸡尾酒会”中，人们可以从很多源中分辨出不同的声音来源。最著名的要属ICA了，利用信号间统计独立信息估计混合矩阵，然后利用逆矩阵恢复源信号。

      在2000年左右才用于处理振动信号。由于大部分实际测量信号是多个源的混合，如果能将各原始源信号分离出来，那画面美极了，由此看来，盲源分离的概念是很有诱惑力的。但是，如果直接将处理语音信号的算法移植过来，处理振动信号，结果很不尽如人愿。最主要的原因是，用矩阵混合的模型无法准确描述振源信号的混合，况且还有噪声呢。一般来说，论文里经常提到的3点：一，传感器数量大于源数量。二，分离出来的信号幅值相位不确定。三，源信号满足高斯及独立假设。总体来言，基于矩阵分解的盲源分离算法不适合处理振动信号。

很多已发表论文，都是针对上述3点中，某一点或者某几点进行改进。SCI用谷歌搜索了下，大约150篇左右（2000-2014）。看起来并不是很大的量。主要是，一，盲源分离算法的不成熟，得不到理想信号；二，分离出来的信号用途不明确。这150篇里，绝大多数用在了轴承齿轮故障信号里了（当然，这也是振动信号分析中一个热点）；也有用在内燃机振动信息里的；个人认为，比较新的是用在了模态参数识别中（最早是2007年）。轴承故障信号应用中，分离出来的信号，只要能自圆其说，就可以了；内燃机信号也是如此；模态参数识别，还算是有点具体应用价值。

所以，要是想发表有创新性的论文，记得要解决上述3个问题，最好一起解决了。如果解决不好，盲源分离只是一个看起来很美的远景而已。

振动信号处理的另一个大方向，个人认为，是时频分析。从近十几年来看，时频分解方法总体分为2大类吧。一是，短时傅里叶、小波、S变换、WVD变换之类的基投影（或内积处理）方法；第二个是以EMD为首的自适应信号分解方法。每种方法都有问题。

个人认为，这方面的热点是：前者热衷于提高时频分布图的可读性（或称，高时频分辨率，良好时频聚集性等）；后者更加关心，可以分解出具有明显特征意义的模态函数，而后可以用helbirt得到瞬时频率。这两方面都算是热点，每年也有很多论文提出解决方案。个人觉得，ＥＭＤ不太适合振动信号，还是从事前者较靠谱一些。

还有像是，原子分解，基追踪，匹配追踪之类的，接触少，从一些已发表论文来看，个人觉得不是很合适处理振动信号。

曾经，关注过压缩感知这种新东西，可是找不到切入点，故而放弃。不过，在其他领域，如，通信、语音、图像中，很热很热。有兴趣可以感受一下。

很多话也就是在论坛里可以说说，论文里可不敢。不过现在很多论文太容易误导人了，导致很多人走向一条不归路，我还是希望大家能踊跃给出批评建议，畅所欲言，做到不吐不快。