機械器材的狀態訊號中往往蘊含著大量的器材異常資訊。如何從繁多的機械狀態訊號中提取足夠數量、能真實而客觀的反映診斷物件狀況的資訊，是故障診斷成功與否的關鍵。然而，工業現場中復雜的機械結構和多源耦合聲場環境使得傳感器接收到的觀測訊號往往是一個復雜混合過程的結果，待辨識故障源訊號與其他各種訊號混雜在一起。因此，需要抑制這些幹擾或雜訊，以期準確的提取機械故障訊號進行診斷。近年來，眾多學者為將在解決訊號傳輸通道復雜或未知的陣列訊號處理中顯示出強大生命力的盲訊號處理技術引入機械器材故障診斷之中做了大量的工作。其主要集中在基於瞬時模型的盲源分離BSS和基於摺積模型的盲解摺積BD兩個方面。
研究結果表明:小型簡單旋轉機械的聲、振訊號混合系統更接近瞬時模型，而現實工況環境中的大型電腦械器材、復雜機械結構的機械聲、振訊號耦合系統由於各故障源到傳感器之間傳遞路復雜多變，特別是對於小剛度的結構，時延效應十分明顯，往往更符合摺積模型，傳統的時域瞬時盲分離方法並不能直接被套用於其中。
正是由於機械結構和訊號的復雜性，復雜的機械系統訊號一般可分為三種類別，即周期訊號、非平穩隨機沖擊訊號和平穩隨機高斯雜訊，這對機械訊號是一種行之有效的劃分方法。機械系統中的復雜周期訊號如齒輪不同軸振動波形、轉子不平衡的振動訊號及軸系不對中的振動訊號等，均可看作不同頻率正弦訊號的疊加。針對周期訊號的盲解摺積比較困難，這是因為處理過程中可能出現次序不確定的問題，進而導致分離訊號失真。但是研究發現對於以大多數機械故障訊號的表現形式—非平穩訊號分離為目標的盲訊號處理問題，機械訊號混合過程仍然可以表示為線性摺積混合模型。
鑒於此，提出一種新的一維時間序列訊號盲解摺積演算法，以旋轉機械故障診斷為例進行了驗證，結果如下：
完整程式碼可透過知乎學術咨詢獲得：
https://www.zhihu.com/consult/people/792359672131756032?isMe=1
工學博士，擔任【Mechanical System and Signal Processing】【中國電機工程學報】【控制與決策】等期刊審稿專家，擅長領域：現代訊號處理，機器學習，深度學習，數碼孿生，時間序列分析，器材缺陷檢測、器材異常檢測、器材智能故障診斷與健康管理PHM等。
