D0I:10.13374/1.issnl00I53.2006.07.020 第28卷第7期 北京科技大学学报 Vol.28 No.7 2006年7月 Journal of University of Science and Technology Beijing Jul.2006 基于独立分量分析特征提取的故障诊断系统 屈微刘贺平张德政 北京科技大学信息工程学院，北京100083 摘要针对矿山破碎机的声音故障诊断受复杂现场环境制约、确诊率低的难题，结合独立分量 分析(ICA)在自然图像和连续语音信号中特征提取的方法，采用两层ICA分别用于从混杂声音中 提取各采集通道（部位）的统计独立声音信号和进一步提取该信号的特征基.训练阶段生成的特征 基系数序列用来生成矢量量化(VQ)的码书，设计出ICA一VQ破碎机故障诊断系统.现场采集数 据的实验中系统的故障诊断准确率达到96.8%，表明系统的高效性· 关键词独立分量分析：矢量量化：模式识别：故障诊断：失真测度 分类号TP391:TP273 机器故障诊断实质上是对机器运行状态进行 的信号进行特征提取，挖掘有用信息，为故障诊断 模式识别的过程山]，构造优质的诊断特征是提高 系统提供丰富的诊断信息，信号数据可以表示为 诊断效率及其准确性的关键，声音信号特征是一 通过ICA变换得到的基函数加权的线性组合， 个很好的选择，用于信号采集的声级计不必固定 ICA特征提取模型描述为： 在被检测设备上，使用较方便，检测范围比较宽， X-AS (1) 利用声音信号特征可实现滚动轴承的状态监 其中，X是m维列向量，表示输入样本数据；A= 测]和汽车发动机故障的诊断) （a1,a2,,an)为一个mXn的矩阵，表示基函 破碎机的工作环境复杂，影响工况的因素多， 数；n为基函数的个数.S=(s1,s2,…,sm)为n 故障率高，其故障诊断系统的研究一直备受关注· 维的列向量，每个s:表示一个特征系数，也就是 独立分量分析(ICA)可以将信号表示为统计独立 说，样本X可以表示为多个特征S与函数A的线 的特征基函数的组合，这种组合作为一种特征能 性叠加 够表示机器的故障状态.Ypma等人[4]成功地 对于一个样本X,根据式(1)可计算特征系 利用ICA方法进行了潜水泵的故障诊断.文献[6 数的估计为： -8]介绍了ICA从干扰振动信号中分离机器的振 Y-WX (2) 动信号的有关应用， 其中，Y为S的估计；W=(w1,D2,,wn)为A 本文使用两层ICA,充分利用了图像和语音 的广义逆矩阵，记为W=A,称为变换矩阵. ICA特征提取两种输入数据规整方法来提取破碎 图像和声音处理中ICA特征提取模型的输 机故障特征并使用矢量量化(VQ)方法实现故障 入数据规整有所不同，图像特征提取中，输入图 的分类判决，建立了ICA-VO破碎机故障诊断系 像向量X的每个成分为一个图像块归一化数据 统，针对破碎机10个部位的故障诊断实验表明， 形成的行向量，因此输入样本向量推广成为矩阵. 所设计的系统具有很强的实用性和高效的故障诊 相应地，ICA的输出即S的估计Y,也为一个数据 断能力· 矩阵，每行也为一图像块，产生独立基图像集 1 ICA故障特征提取 合[，语音信号的特征提取中，X是连续语音信 号采样值形成的列向量，S是独立系数形成的列 ICA是一种利用线性非正交变换来获得数据 向量，同样ICA的输出Y是S的估计1o. 有效表示的统计方法，可以用来对机器现场采集 将ICA特征提取模型应用到机器声音故障 收稿日期：2005-04-11修回日期：2005-09-07 特征的提取中，如图1所示，主要分为两个层次， 作者简介：屈微(1974一)，女，博士研究生；刘贺平(1951一)男， 来自N个通道（部位）的数据经过ICA1变换，得 教授，博士 到统计独立信号源S1的估计矩阵Y1,其列向量
基于独立分量分析特征提取的故障诊断系统 屈 微 刘贺平 张德政 北京科技大学信息工程学院北京100083 摘 要 针对矿山破碎机的声音故障诊断受复杂现场环境制约、确诊率低的难题结合独立分量 分析（ICA）在自然图像和连续语音信号中特征提取的方法采用两层 ICA 分别用于从混杂声音中 提取各采集通道（部位）的统计独立声音信号和进一步提取该信号的特征基．训练阶段生成的特征 基系数序列用来生成矢量量化（VQ）的码书设计出 ICA－VQ 破碎机故障诊断系统．现场采集数 据的实验中系统的故障诊断准确率达到96∙8％表明系统的高效性． 关键词 独立分量分析；矢量量化；模式识别；故障诊断；失真测度 分类号 TP391；TP273 收稿日期：20050411 修回日期：20050907 作者简介：屈微（1974－）女博士研究生；刘贺平（1951－）男 教授博士 机器故障诊断实质上是对机器运行状态进行 模式识别的过程［1］．构造优质的诊断特征是提高 诊断效率及其准确性的关键声音信号特征是一 个很好的选择．用于信号采集的声级计不必固定 在被检测设备上使用较方便检测范围比较宽． 利用声音信号特征可实现滚动轴承的状态监 测［2］和汽车发动机故障的诊断［3］． 破碎机的工作环境复杂影响工况的因素多 故障率高其故障诊断系统的研究一直备受关注． 独立分量分析（ICA）可以将信号表示为统计独立 的特征基函数的组合这种组合作为一种特征能 够表示机器的故障状态．Ypma 等人［45］ 成功地 利用 ICA 方法进行了潜水泵的故障诊断．文献［6 8］介绍了 ICA 从干扰振动信号中分离机器的振 动信号的有关应用． 本文使用两层 ICA充分利用了图像和语音 ICA 特征提取两种输入数据规整方法来提取破碎 机故障特征并使用矢量量化（VQ）方法实现故障 的分类判决建立了 ICA－VQ 破碎机故障诊断系 统．针对破碎机10个部位的故障诊断实验表明 所设计的系统具有很强的实用性和高效的故障诊 断能力． 1 ICA 故障特征提取 ICA 是一种利用线性非正交变换来获得数据 有效表示的统计方法可以用来对机器现场采集 的信号进行特征提取挖掘有用信息为故障诊断 系统提供丰富的诊断信息．信号数据可以表示为 通过 ICA 变换得到的基函数加权的线性组合 ICA 特征提取模型描述为： X＝ AS （1） 其中X 是 m 维列向量表示输入样本数据；A＝ （ a1a2…an）为一个 m× n 的矩阵表示基函 数；n 为基函数的个数．S＝（ s1s2…sn）′为 n 维的列向量．每个 si 表示一个特征系数．也就是 说样本 X 可以表示为多个特征 S 与函数 A 的线 性叠加． 对于一个样本 X根据式（1）可计算特征系 数的估计为： Y＝ WX （2） 其中Y 为 S 的估计；W＝（ w1w2…wn）为 A 的广义逆矩阵记为 W＝ A ＋称为变换矩阵． 图像和声音处理中 ICA 特征提取模型的输 入数据规整有所不同．图像特征提取中输入图 像向量 X 的每个成分为一个图像块归一化数据 形成的行向量因此输入样本向量推广成为矩阵． 相应地ICA 的输出即 S 的估计 Y也为一个数据 矩阵每行也为一图像块产生独立基图像集 合［9］．语音信号的特征提取中X 是连续语音信 号采样值形成的列向量S 是独立系数形成的列 向量同样 ICA 的输出 Y 是 S 的估计［10］． 将 ICA 特征提取模型应用到机器声音故障 特征的提取中如图1所示主要分为两个层次． 来自 N 个通道（部位）的数据经过 ICA1变换得 到统计独立信号源 S1 的估计矩阵 Y1其列向量 第28卷 第7期 2006年 7月 北 京 科 技 大 学 学 报 Journal of University of Science and Technology Beijing Vol．28No．7 Jul．2006 DOI:10．13374／j．issn1001－053x．2006．07．020
Vol.28 No.7 屈微等：基于独立分量分析特征提取的故障诊断系统 .701 ,Y{,生成该故障状态码书，只要训练的数据 故障的 ICAI 故微的 乐数 ICA2(10) VQ码15 量足够，就可以认为该码书有效地包含了对应故 障的特征；诊断测试阶段，取自i通道（部位）的数 图1ICA机器声音信号特征提取过程 据向量X被投影到该通道（部位）的特征矩阵 Fig.1 Extracting machine sound features with ICA W2W1(=1,,N)生成的特征空间： 是对应于各通道（部位）的统计独立特征信号； Yest=W2 WIXiest (7) Yi作为ICA2(i)(=1,…,N)的输入，提取该通 (四 故难的 D 道（部位）声音信号特征基和相应的系数集作为 1VQ码修 {Y2,…,Y,…Y}该通道（部位）故障特征的 VQ码书，用于诊断判决生成 酸障的 WW 1 故障是否存在？ 10VQ码书 ICA1模型（图像数据规整方法）为： X1=A1S1 (3) 图2 ICA-VO系统诊断过程 WIXI=Y1 (4) Fig.2 Fault diagnosis of the ICA-VQ system ICA2(i)模型（语音数据规整方法）为： 得到投影系数向量集iYet,…,Yet,…,Yet} Yi=AS (5) 作为测试向量序列，然后用每个状态码书依次对 WiYi=Y (6) 该向量集进行量化，计算各自的平均量化失真D: 其中，X1为M×N混合信号矩阵；X(=1,…, (=1,,N)判决是否i通道（部位）出现故障. N)为X1的列向量，S和Y1为LXN源信号矩 在ICA-VQ系统的设计中，使用Linde,Bzo 阵和估计矩阵，A:为MXL混合矩阵，W:为L× 和Gray提出的一种有效和直观的VQ码书设计 M反混合矩阵，Yi为Y1的列向量，S和Y为 算法一LBG算法一生成码书.码字搜索采用 ICA2(i)的源信号向量和估计向量，A和W为 简单有效的部分失真搜索算法(PDS)· LXL信号特征基矩阵，文中取特征基向量维数 L=144,样本数M=3000,通道（部位）数目N= 3实验 10 系统设计和测试对象为鞍钢新钢铁集团齐大 2 ICA-VQ故障诊断系统 山矿的选矿破碎机，破碎机运行现场具有较高强 度的背景噪声，同时邻近设备和同一设备其他部 基本ICA模型中，有一个重要的假设条件， 位的声音信号也会混入到所采集的信号中，因此 即最多只有1个源信号是高斯分布的，如果具有 信号采集是故障检测和诊断的一个关键环节.为 高斯分布的源信号个数超过1个，则各源信号是 了减少噪音的干扰，得到比较纯净的声音信号，在 不可分的，Darmois定理严格证明了这一结 声音采集时声级计上安装了隔音套，根据现场条 论山.这与高斯混合模型(GMM)和隐马尔可夫 件和设计要求，在破碎机的主体上的传动轴、球面 模型(HMM)等生成模型中，用高斯子分布的组 轴瓦、传动齿轮等10个部件上安装了10个声级 合来逼近信号概率分布的前提不一致，会影响到 计，ICA1和ICA2过程均采用FastICA算法，两 ICA提取的特征用于判决时性能的发挥， 种状态的输入输出信号见图3和图4. VQ是基于香农速率失真理论的非参数判决 图3(b)和图4(b)所示的独立特征信号在时 方法，其模型融合了判决和生成两种性质，使用码 域的差异不明显，使用Wlch方法对其中的信号 字来描述各类的概率分布，VQ码书的分布遵从 进行功率谱密度(PSD)估计，图5的结果可以清 于训练数据的基本分布12]，与ICA假设条件不 楚地看出正常状态和故障状态信号的差异，ICA1 矛盾，因此本文选择VQ方法对ICA提取的特征 分离出的独立信号，经过ICA2实现特征基提取， 进行判决，另外，当可用于训练的数据量较少时， 并得到各通道（部位）独立信号的特征系数，每个 VQ方法比GMM和HMM具有更好的鲁棒性， 通道（部位）独立信号对应144个特征基，图6表 而且简单易行· 示出信号y3中的部分特征基向量分解，各故障状 图2所示，ICA一VQ故障诊断系统设计的基 态数据在10个通道（部位）信号特征基上投影系 本思想是：训练阶段得到特征向量集{Y2,,Y, 数组成系数向量集，作为该故障状态的VQ码书
图1 ICA 机器声音信号特征提取过程 Fig．1 Extracting machine sound features with ICA Y i 1 是对应于各通道（部位）的统计独立特征信号； Y i 1 作为 ICA2（ i）（ i＝1…N）的输入提取该通 道（部位）声音信号特征基和相应的系数集作为 ｛Y 1 2…Y i 2… Y N 2｝该通道（部位）故障特征的 VQ 码书用于诊断判决生成． ICA1模型（图像数据规整方法）为： X1＝ A1S1 （3） W1X1＝Y1 （4） ICA2（ i）模型（语音数据规整方法）为： Y i 1＝ A i 2S i 2 （5） W i 2Y i 1＝Y i 2 （6） 其中X1 为 M× N 混合信号矩阵；X j 1（ j＝1… N）为 X1 的列向量S1 和 Y1 为 L× N 源信号矩 阵和估计矩阵Ai 为 M× L 混合矩阵Wi 为 L× M 反混合矩阵Y i 1 为 Y1 的列向量S i 2 和 Y i 2 为 ICA2（ i）的源信号向量和估计向量A i 2 和 W i 2 为 L× L 信号特征基矩阵．文中取特征基向量维数 L＝144样本数 M＝3000通道（部位）数目 N＝ 10． 2 ICA－VQ 故障诊断系统 基本 ICA 模型中有一个重要的假设条件 即最多只有1个源信号是高斯分布的如果具有 高斯分布的源信号个数超过1个则各源信号是 不可 分 的．Darmois 定 理 严 格 证 明 了 这 一 结 论［11］．这与高斯混合模型（GMM）和隐马尔可夫 模型（HMM）等生成模型中用高斯子分布的组 合来逼近信号概率分布的前提不一致会影响到 ICA 提取的特征用于判决时性能的发挥． VQ 是基于香农速率失真理论的非参数判决 方法其模型融合了判决和生成两种性质使用码 字来描述各类的概率分布．VQ 码书的分布遵从 于训练数据的基本分布［12］与 ICA 假设条件不 矛盾因此本文选择 VQ 方法对 ICA 提取的特征 进行判决．另外当可用于训练的数据量较少时 VQ 方法比 GMM 和 HMM 具有更好的鲁棒性 而且简单易行． 图2所示ICA－VQ 故障诊断系统设计的基 本思想是：训练阶段得到特征向量集｛Y 1 2…Y i 2 …Y N 2｝生成该故障状态码书只要训练的数据 量足够就可以认为该码书有效地包含了对应故 障的特征；诊断测试阶段取自 i 通道（部位）的数 据向量 X i test被投影到该通道（部位）的特征矩阵 W i 2W1（ i＝1…N）生成的特征空间： Y i 2test＝ W i 2W1X i test （7） 图2 ICA－VQ 系统诊断过程 Fig．2 Fault diagnosis of the ICA－VQ system 得到投影系数向量集｛Y 1 2test…Y i 2test…Y N 2test｝ 作为测试向量序列然后用每个状态码书依次对 该向量集进行量化计算各自的平均量化失真 Di （ i＝1…N）判决是否 i 通道（部位）出现故障． 在 ICA－VQ 系统的设计中使用 LindeBuzo 和 Gray 提出的一种有效和直观的 VQ 码书设计 算法———LBG 算法———生成码书．码字搜索采用 简单有效的部分失真搜索算法（PDS）． 3 实验 系统设计和测试对象为鞍钢新钢铁集团齐大 山矿的选矿破碎机．破碎机运行现场具有较高强 度的背景噪声同时邻近设备和同一设备其他部 位的声音信号也会混入到所采集的信号中因此 信号采集是故障检测和诊断的一个关键环节．为 了减少噪音的干扰得到比较纯净的声音信号在 声音采集时声级计上安装了隔音套．根据现场条 件和设计要求在破碎机的主体上的传动轴、球面 轴瓦、传动齿轮等10个部件上安装了10个声级 计．ICA1和 ICA2过程均采用 FastICA 算法两 种状态的输入输出信号见图3和图4． 图3（b）和图4（b）所示的独立特征信号在时 域的差异不明显使用 Welch 方法对其中的信号 进行功率谱密度（PSD）估计图5的结果可以清 楚地看出正常状态和故障状态信号的差异．ICA1 分离出的独立信号经过 ICA2实现特征基提取 并得到各通道（部位）独立信号的特征系数．每个 通道（部位）独立信号对应144个特征基图6表 示出信号 y3 中的部分特征基向量分解各故障状 态数据在10个通道（部位）信号特征基上投影系 数组成系数向量集作为该故障状态的 VQ 码书 Vol．28No．7 屈微等： 基于独立分量分析特征提取的故障诊断系统 ·701·
,702 北京科技大学学报 2006年第7期 用于生成诊断判决 nnp-pwhlginbhinybespccm wwnioypoilnlivioomqb-o 500 10001500200025003000 50010001500200025003000 t/ms (a) 6 图3正常状态ICA1输入(a)和输出信号(b) Fig-3 Input (a)and output signals (b)of ICAl in normal state 500 1000T500200025003000 10001500200025003000 /ms a (b) 图4传动轴齿轮故障状态1CA1输入(a)和输出信号(b) Fig-4 Input (a)and output signals (b)of ICAl in fault state 一一nrm4p时ont 正常状态 +r+M,+w·w 传动轴齿轮做障 01/9 asd 4w·+情+w+·w 4 图6ICA2的结果示意图 Fig-6 Result of ICA2 102416182 现场采集的声音信号分别经过ICA特征提取和 现半kHz 未经过ICA处理诊断结果见表1，码书尺寸为 图5不同状态ICA1分离的独立信号y3的SD估计 256时1CAVQ系统诊断准确率为96.8%，与未 Fig.5 PSD estimation of y3 in two states 经过ICA处理情况下相比准确率提高了7%，而 在码书尺寸为128时只提高了1.7%，可见随着
用于生成诊断判决． 图3 正常状态 ICA1输入（a）和输出信号（b） Fig．3 Input （a） and output signals （b） of ICA1in normal state 图4 传动轴齿轮故障状态 ICA1输入（a）和输出信号（b） Fig．4 Input （a） and output signals （b） of ICA1in fault state 图5 不同状态 ICA1分离的独立信号 y3 的 PSD 估计 Fig．5 PSD estimation of y3in two states 图6 ICA2的结果示意图 Fig．6 Result of ICA2 现场采集的声音信号分别经过 ICA 特征提取和 未经过 ICA 处理诊断结果见表1．码书尺寸为 256时 ICA－VQ 系统诊断准确率为96∙8％与未 经过 ICA 处理情况下相比准确率提高了7％而 在码书尺寸为128时只提高了1∙7％可见随着 ·702· 北 京 科 技 大 学 学 报 2006年第7期
Vol.28 No.7 屈微等：基于独立分量分析特征提取的故障诊断系统 703. 码书尺寸的增加系统诊断准确率明显提高，证明 [2]王锋，屈梁生，用遗传编成方法提取和优化机械故障的声 了码书设计的有效性 音特征.西安交通大学学报，2002,36(12)：1307 [3】徐光华，要维银，侯成刚，等.基于轨迹平行测量的发动机 表1不同码书尺寸1CA一VQ系统故障诊断准确率 异响诊断方法.西安交通大学学报，2002,36(5)：519 Table 1 Accuracy of the ICA-VQ system with various size code- [4]Ypma A.Pajunen P.Rotating machine vibration analysis with books secondorder independent component analysis//Proceeding of 码书大小 VQ系统 ICA一VQ系统 the Workshop on ICA and Signal Separation.France:Aus- 32 78.5% 80.2% s0is,1999:37 64 84.2% 88.5% [5]Ypma A,Tax D M J.Duin R P W.Robust machine fault de- tection with independent component analysis and support vec 128 88.5% 90.5% tor data description/Proceeding of IEEE Signal Processing 256 90.5% 96.8% Society Workshop on Neural Networks for Signal Processing. Wisconsin:Madison.1999:67 结论 [6]Ypma A.Leshem A.Blind separation of machine vibration 4 with bilinear forms /Proceeding of the 2nd International 借鉴图像和语音信号中ICA特征提取方法， Workshop on ICA and Signal Separation.Finland:Helsinki 建立了用于破碎机故障诊断的ICA故障声音特 University of Technology.2000:405 [7]Ypma A.Leshem A.Duin R P W.Blind separation of rotat- 征提取模型，分为两个层次：ICA1分离出的各通 ing machine sources:bilinear forms and convolutive mixtures 道（部位）独立特征信号，ICA2进一步提取各通道 Neurocomputing.2002.49(1/4):349 (部位)特征信号的特征基及对应的系数.系数向 [8]Gelle G.Colas M.Serviere C.Blind source separation:a tool 量集用于VQ诊断系统的码书生成，设计出ICA一 for rotating machine monitoring by vibration analysis.JSound VQ破碎机故障诊断系统，基于现场采集数据的 Vib,2001,248(5):865 [9]Ekenel H.Sankur B.Feature selection in the independent 实验表明，使用ICA提取的特征的故障诊断准确 component subspace for face recognition.Pattern Recognit 率高于直接利用现场采集数据的准确率，证明了 Lett,2004,(25):1377 ICA所提取破碎机故障声音特征的有效性，同时 [10]Jang G J.Lee T W,Oh Y H.Learning statistically efficient 也说明ICA提取的特征与VQ技术结合是合理、 features for speaker recognition /Proceeding of ICASSP. 高效和实用的， Salt Lake City:Utah,2001:1581 [11]Cao X R.Liu R W.General approach to blind source separa" 参考文献 tion.IEEE Trans Signal Process.1996.78(4):753 [12]Gersho A.Gray R.Vector Quantization and Signal Compres- []屈梁生，张海军，机械故障诊断中的几个基本问题.中国 sion-Boston:Kluwer Academic Publishers.1991:215 机械工程，2000,11(1/2)：211 Fault diagnosis system based on ICA feature QU Wei,LIU Heping,ZHA NG Dezheng Information Engineering School.University of Science and Technology Beijing.Beijing 100083.China ABSTRACI To overcome the difficulty of complex background in mining machine fault diagnosis,a fault diagnosis system based on independent component analysis(ICA)and vector quantization(VQ)was devel- oped.A fault sound ICA model was presented to get the fault sound feature bases with ICA algorithms in extracting nature images and continuous speech features.One ICA separated the sounds from different parts of the machine and the other extracted the feature basis of fault sound.The coefficients of the basis were used in designing codebooks.The diagnosis accuracy of this system is6.8%in the experiment with the realistic mine machine fault data,so the ICA VQ is a high efficient fault diagnosis system. KEY WORDS independent component analysis:vector quantization;pattern recognition;fault diagnosis; distortion measurement
码书尺寸的增加系统诊断准确率明显提高证明 了码书设计的有效性． 表1 不同码书尺寸 ICA－VQ 系统故障诊断准确率 Table1 Accuracy of the ICA－VQ system with various size codebooks 码书大小 VQ 系统 ICA－VQ 系统 32 78∙5％ 80∙2％ 64 84∙2％ 88∙5％ 128 88∙5％ 90∙5％ 256 90∙5％ 96∙8％ 4 结论 借鉴图像和语音信号中 ICA 特征提取方法 建立了用于破碎机故障诊断的 ICA 故障声音特 征提取模型分为两个层次：ICA1分离出的各通 道（部位）独立特征信号ICA2进一步提取各通道 （部位）特征信号的特征基及对应的系数．系数向 量集用于 VQ 诊断系统的码书生成设计出 ICA－ VQ 破碎机故障诊断系统．基于现场采集数据的 实验表明使用 ICA 提取的特征的故障诊断准确 率高于直接利用现场采集数据的准确率证明了 ICA 所提取破碎机故障声音特征的有效性同时 也说明 ICA 提取的特征与 VQ 技术结合是合理、 高效和实用的． 参 考 文 献 ［1］ 屈梁生张海军．机械故障诊断中的几个基本问题．中国 机械工程200011（1／2）：211 ［2］ 王锋屈梁生．用遗传编成方法提取和优化机械故障的声 音特征．西安交通大学学报200236（12）：1307 ［3］ 徐光华要维银侯成刚等．基于轨迹平行测量的发动机 异响诊断方法．西安交通大学学报200236（5）：519 ［4］ Ypma APajunen P．Rotating machine vibration analysis with second-order independent component analysis ∥ Proceeding of the Workshop on ICA and Signal Separation．France：Aussois1999：37 ［5］ Ypma ATax D M JDuin R P W．Robust machine fault detection with independent component analysis and support vector data description ∥Proceeding of IEEE Signal Processing Society Workshop on Neural Networks for Signal Processing． Wisconsin：Madison1999：67 ［6］ Ypma ALeshem A．Blind separation of machine vibration with bilinear forms ∥ Proceeding of the 2nd International Workshop on ICA and Signal Separation．Finland：Helsinki University of Technology2000：405 ［7］ Ypma ALeshem ADuin R P W．Blind separation of rotating machine sources：bilinear forms and convolutive mixtures． Neurocomputing200249（1／4）：349 ［8］ Gelle GColas MServiere C．Blind source separation：a tool for rotating machine monitoring by vibration analysis．J Sound Vib2001248（5）：865 ［9］ Ekenel HSankur B．Feature selection in the independent component subspace for face recognition．Pattern Recognit Lett2004（25）：1377 ［10］ Jang G JLee T WOh Y H．Learning statistically efficient features for speaker recognition ∥ Proceeding of ICASSP． Salt Lake City：Utah2001：1581 ［11］ Cao X RLiu R W．General approach to blind source separation．IEEE Trans Signal Process199678（4）：753 ［12］ Gersho AGray R．Vector Quantization and Signal Compression．Boston：Kluwer Academic Publishers1991：215 Fault diagnosis system based on ICA feature QU WeiLIU HepingZHA NG Dez heng Information Engineering SchoolUniversity of Science and Technology BeijingBeijing100083China ABSTRACT To overcome the difficulty of complex background in mining machine fault diagnosisa fault diagnosis system based on independent component analysis （ICA） and vector quantization （VQ） was developed．A fault sound ICA model was presented to get the fault sound feature bases with ICA algorithms in extracting nature images and continuous speech features．One ICA separated the sounds from different parts of the machine and the other extracted the feature basis of fault sound．The coefficients of the basis were used in designing codebooks．The diagnosis accuracy of this system is96∙8％ in the experiment with the realistic mine machine fault dataso the ICA－VQ is a high efficient fault diagnosis system． KEY WORDS independent component analysis；vector quantization；pattern recognition；fault diagnosis； distortion measurement Vol．28No．7 屈微等： 基于独立分量分析特征提取的故障诊断系统 ·703·