机械设备的状态信号中往往蕴含着大量的设备异常信息。如何从繁多的机械状态信号中提取足够数量、能真实而客观的反映诊断对象状况的信息，是故障诊断成功与否的关键。然而，工业现场中复杂的机械结构和多源耦合声场环境使得传感器接收到的观测信号往往是一个复杂混合过程的结果，待识别故障源信号与其他各种信号混杂在一起。因此，需要抑制这些干扰或噪声，以期准确的提取机械故障信号进行诊断。

近年来，在解决信号传输通道复杂或未知的阵列信号处理中显示出强大生命力的盲信号处理技术被引入机械设备故障诊断之中，主要集中在基于瞬时模型的盲源分离和基于卷积模型的盲解卷积两个方面。

瞬时模型(静态模型):国外学者Gelle、Ypma等较早的研究了机械声、振信号的瞬时盲分离;国内上海交通大学、西安交通大学、郑州大学、第二炮兵工程学院等高校针对小型简单机械的振动信号及半消声室中的机械噪声信号进行盲分离。通过实验研究可见，在近场、窄带等理想环境下，满足一定约束条件的瞬时盲分离算法是可以直接被应用于提取机械故障信号之中的。

卷积模型(动态模型):国外学者Knaak、Kunter、Zhang等研究了现实情况下，盲解卷积算法在电动机、滚动轴承等机械声、振信号提取中的应用，并取得了较好的故障诊断效果。国内上海交通大学、天津大学、西北工业大学、昆明理工大学、武汉理工大学等高校改进时域、频域盲解卷积方法，并将其应用于轴承、齿轮箱等机械设备故障信号的恢复之中，效果较传统瞬时盲分离方法更为精确。

众多研究结果表明小型简单旋转机械的声、振信号混合系统更接近瞬时模型，而现实工况环境中的大型机械设备、复杂机械结构的机械声、振信号耦合系统由于各故障源到传感器之间传递路复杂多变，特别是对于小刚度的结构，时延效应十分明显，往往更符合卷积模型，传统的时域瞬时盲分离方法并不能直接被应用于其中。

正是由于机械结构和信号的复杂性，复杂的机械系统信号一般可分为三种类型，即周期信号、非平稳随机冲击信号和平稳随机高斯噪声，这对机械信号是一种行之有效的划分方法。机械系统中的复杂周期信号如齿轮不同轴振动波形、转子不平衡的振动信号及轴系不对中的振动信号等，均可看作不同频率正弦信号的叠加。针对周期信号的盲解卷积比较困难，这是因为处理过程中可能出现次序不确定的问题，进而导致分离信号失真。但是研究发现对于以大多数机械故障信号的表现形式—非平稳信号分离为目标的盲信号处理问题，机械信号混合过程仍然可以表示为线性卷积混合模型。

鉴于此，提出一种改进盲解卷积算法的旋转机械故障诊断模型，该方法构造多个级联滤波器对原始振动信号进行滤波，能有效增强微弱故障激发的脉冲特征，运行环境为Python，采用Tensorflow模块，tensorflow版本为2.8.0。

完整代码：Python环境下一种改进盲解卷积算法的旋转机械故障诊断模型

工学博士，担任《Mechanical System and Signal Processing》审稿专家，担任《中国电机工程学报》优秀审稿专家，《控制与决策》，《系统工程与电子技术》，《电力系统保护与控制》，《宇航学报》等EI期刊审稿专家。

擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。