在旋转机械设备的故障诊断与状态监测中,经常存在多个故障源,多故障源信号之间的相互干扰和现场的环境噪音,增加了故障诊断与识别的难度。同时多源耦合故障信号在传感器受限的欠定条件下的盲分离也显得更为困难。因此,本课题开展了基于非负矩阵分解的机械设备复合故障诊断方法研究,并应用于多源耦合信号分离的故障诊断中,主要内容如下:(1)提出了基于局部非负矩阵分解与改进变分模态分解相结合的欠定盲源分离算法。分析了变分模态分解算法的实现方式,针对算法中尚存在的不足,构造了能量收敛因子,自适应地筛选出变分模态分解算法中的最佳模态分量个数,解决了模态分量个数难以确定的问题。同时研究了非负矩阵分解算法的目标函数,并根据耦合信号特征,选择局部性更优的局部非负矩阵分解算法,并针对局部非负矩阵分解算法中特征维数r的选取问题,采用邻近特征值占优法获取局部非负矩阵分解算法中的最优分解维数,由此估计出了耦合故障信号源数目,实现了多模态分量的准确降维。最后将上述两者结合,利用两种算法的优势实现了复合故障特征信息的分离与提取。(2)开展了基于约束增强的稀疏非负矩阵分解算法的信号分离方法研究。首先,根据非负矩阵分解算法特点,选择短时傅里叶变换构建了高维空间矩阵。同时,分析了参数窗函数,选择处理复合故障信号更佳的Sinebell窗函数;其次,在传统稀疏非负矩阵分解算法中引入一个约束参考向量,它可以根据源信号的特征自适应地产生,并且可以约束输出的分离信号,同时将根据分离信号的反馈进行更新。在参考向量的不断更新中,复合故障信号的冗余成分将得以减少。最后,利用改进的稀疏非负矩阵分解算法的稀疏性,可以自动地将复合故障信号的特征进行有效分离,实现机械设备的复合故障诊断。(3)构建了多约束非负矩阵分解算法的多故障诊断方法模型。在传统非负矩阵分解算法基础上,根据多故障发生时产生信号的特征,引入了相应的约束限制,构建了多约束非负矩阵分解算法模型。利用不同约束的特点和优势,可将不同的源信号特征分量分离,实现机械设备的多故障诊断。通过仿真信号及多组轴承故障信号分析结果表明:多约束非负矩阵分解算法,可以解决多种故障源信号特征信息的有效分离和提取,实现了多源耦合信号的欠定盲源分离。