本论文是在国家自然科学基金(No.51675258,51075372)、机械传动国家重点实验室开放基金(No.SKLMT-KFKT-201514)和南昌航空大学研究生创新专项资金项目(YC2016050)资助下,将平行因子分析(PARAFAC)算法引入到机械多故障源盲分离中,提出了一些新的故障诊断算法。通过一系列的仿真和实验研究,验证了这些算法的可行性。全文的具体章节安排及研究成果如下:第一章:论述了本论文的提出及其意义,阐述了盲源分离相关理论及其在机械故障诊断中的国内外研究现状。综述了PARAFAC原理及其发展过程和目前研究现状。给出了本论文的主要章节安排、研究内容及创新之处。第二章:现有的源数估计算法只在超定或额定混合条件能够准确估计振源数,而在欠定混合条件下,最多只能给出振源数的上限,而不能准确估计振源数。针对此不足,将PARAFAC模型与核一致诊断(CORCODIA)算法相结合,提出了一种新的基于PARAFAC的机械振源数估计算法。仿真结果表明,所提算法无论在额定或超定混合还是在欠定混合条件下,均能够有效估计振源数;此外,该算法能够在噪声干扰下估计机电系统的振源数。最后,将所提算法应用到轴承多故障源估计实验和多机振动源实验中,实验结果进一步证明了所提的算法的有效性和可行性。第三章:针对噪声环境下盲源分离问题,传统独立分量分析(ICA)算法往往是引入虚拟噪声,或者结合信号分解方法来进行。而虚拟噪声如何引入缺乏依据,信号分解方法由于参数选择缺乏依据望往很难达到理想的分离效果。为了克服此不足,本章提出了基于平行因子分析的盲源分离算法。首先根据传感器观测信号构建得到PARAFAC模型。然后,引入三线性交替最小二乘(TALS)算法,对PARAFAC模型进行拟合,分解得到对应的载荷矩阵,即混合矩阵估计。最后,对混合矩阵估计求逆,从而恢复源信号;若在欠定混合条件下,则需引入最短路径法,才能得到源信号估计。在本仿真分析中,设置不同信噪比的噪声环境,将所提算法与传统盲源分离算法JADE在额定混合条件下进行比较;同时,也将该算法与LMD-UBSS算法在欠定混合条件下相比较。仿真结果表明,基于平行因子分析的盲源分离算法在噪声环境条件下对源信号的恢复明显优于传统BSS算法。最后,将所提算法应用于轴承多故障诊断实验及多机振源实验中,实验结果证明了所提的算法的有效性和可行性。第四章:针对传统PARAFAC-BSS算法无法对任意欠定混合观测信号进行盲分离的不足,提出了两种新的欠定盲源分离方法,分别为基于经验模态分解和平行因子分析的欠定盲源分离(EMD-PARAFAC)算法和基于局域均值分解和平行因子分析的欠定盲源分离(LMD-PARAFAC)算法。这两种算法均能够利用各自信号分解算法得到观测信号的子信号分量,从中筛选出有效信号分量,并与原有的传感器信号重新组成新的观测信号,使得观测信号数大于或等于源信号数,这样变成求解额定或超定混合源分离问题。分别利用EMD-PARAFAC算法、LMD-PARAFAC算法以及传统PARAFAC-BSS算法处理欠定盲源分离问题,并就各算法恢复得到的源信号进行相似度分析,从而比较以上算法的分离性能;同时,从收敛精度和计算效率两个指标上,对所提的两种算法进行分析比较。仿真结果表明,所提的这两种方法均能够得到较理想的分离结果,而传统PARAFAC盲分离算法的分离效果并不好;在没有端点效应的影响下,EMD-PARAFAC无论从收敛精度还是运行时间上,较LMD-PARAFAC算法均有一定优势。最后,将EMD-PARAFAC算法应用到轴承多故障欠定盲分离中,将LMD-PARAFAC算法应用到多机振源盲分离中,实验结果进一步验证了所提两种算法的有效性和可行性。第五章:现有的PARAFAC-BSS算法均在线性混合假设条件下进行,而在实际工程中混叠模型更多的是非线性的。针对此不足,将Kernel函数与PARAFAC算法相结合,提出基于KPARAFAC的非线性机械多故障源分离算法。该算法引入Kernel方法将非线性传感器信号映射到高维核特征空间中,并在线性核特征空间中利用PARAFAC算法恢复源信号。仿真结果表明,KPARAFAC算法可从非线性观测数据中得到源估计,并与传统NBSS算法相比,源信号恢复更佳。最后,将所提算法应用于轴承多故障诊断实验中,实验结果证明了所提的算法具有一定有效性和可行性。第六章:对本文的主要研究内容进行了详细概括,并对PARAFAC模型在机械故障诊断中进一步应用做了一些探讨。