???????? 提出了一種局域波法和盲源分離相結合的發電機轉子故障診斷方法。不同故障信號的局域波時頻圖像也明顯不同，因此可以用來進行故障的判別。為了實現故障的自動分類，應用盲源分離對不同故障信號的局域波時頻圖像進行獨立分量分離，得到一組源圖像的投影系數。在此基礎上，利用概率神經網絡實現故障的自動分類。以轉子的故障信號為例，應用該方法進行了研究，實驗結果證明了該方法有效性。
關鍵詞：盲源分離；經驗模式分解；時頻圖像；發電機轉子；故障診斷
???????? 在機械狀態監控中，機器發生故障時的振動信號具有非平穩特性。在這類時變信號的分析中，時頻表示是比較有力的分析工具。文獻[1]就用小波變換理論對動靜件碰摩故障診斷進行了研究。這些方法的主要缺點是基函數是固定的，不能匹配信號的時變特性。因此,如果仍然用傳統的數據處理技術來分析這些信號，將損失或誤解一些有用的信息。
????????? 在這里，我們應用局域波法[2]，來進行聯合時頻分析。它來源于經驗模式分解（EMD）和瞬時頻率的概念。EMD 首先被Huang[3]提出，它是基于數據的時間尺度的局部特征，因而更適宜處理非平穩數據過程。通過EMD 分解和Hilbert 變換得到局域波時頻譜，是一種新的時頻表示方法。
???????? 由于該時頻方法可以表示為0～255 灰度級的圖像。因此從圖像處理的角度認識局域波時頻譜，將其應用于機電故障診斷領域，可以更充分地利用其時頻信息。盲源分離，又稱為獨立成分分析（簡稱ICA），是一種信號分解技術，其特點為將多路觀測信號分解成若干相互獨立的成分。目前，ICA主要應用于盲信號分離、生物醫學信號處理、圖像消噪、人臉識別等方面[4,5]。
???????? 在此，我們應用ICA對不同故障類別的局域波時頻譜圖像進行基圖像的提取。可以認為，這些局域波時頻譜圖像是由一組互相獨立的基圖像線性疊加而成。因此，用ICA求得這組基圖像,構造一個子空間，根據待識別故障的局域波時頻圖像在這個空間里的投影系數，可以進行故障識別。