车辆状态监测与故障诊断是智能车辆系统的重要组成部分,而信号处理方法研究又是车辆状态监测与故障诊断的重要环节,对车辆关键部分的旋转部件进行状态监测与故障诊断,一直以来是国内外的研究热点。独立分量分析(Independent Component Analysis,简称ICA)是一种重要的信号分析方法,其着眼于数据间的高阶统计特性,使得变换以后的各分量之间不仅互不相关,而且还尽可能的统计独立,能够全面的揭示数据间的本质结构。本文应用ICA对车辆旋转部件的早期故障引起的振动进行了特征提取与状态分类的研究。第一章阐明了选题意义与研究内容。回顾了ICA理论的发展过程,指出了其在车辆状态监测中的应用前景及意义,叙述了本文的主要研究内容与技术路线。第二章介绍了ICA的一些基本理论。首先对统计独立性进行了说明,接着研究了独立分量分析的一般模型,并对其的可解性、不确定性进行了探讨。之后着重研究了非高斯性度量的对照函数:峭度、负熵、互信息,以及在进行独立分量分析之前对信号进行的预处理方法:零均值化与白化。第三章首先研究了独立分量分析快速算法(FastICA)及其实现,并利用仿真分析说明ICA的不确定性。在FastICA基础上研究了一维振动信号的高阶统计信息特征提取,利用ICA基滤波相关特征(IFC)对车辆齿轮箱进行特征提取与状态模式分类,取得了良好的效果。第四章研究了基于ICA卷积模型的故障特征提取。首先建立ICA卷积模型,因为它更加适合车辆旋转部件振动特征,而后采用两种分离结构:反馈式、直接式进行分离,基于此模型进行了恢复信号与源信号之间的关系推导,采用非线性取消准则实现了分离算法,将瞬态成分与噪声分离开来。并根据交叉残余误差(RCTE)准则对算法的分离性能做出了评价,最后进行了仿真分析,取得了较为理想的结果。第五章在对车辆旋转部件振动信号分析的基础上,设计了一套可移植性强的振动在线监测设备。首先对齿轮、轴承振动信号进行了分析,建立了齿轮振动数学模型,分析了齿轮、轴承的典型故障信号特征及故障振动信号的特征频率。而后描述了振动在线监测平台的设计,包括振动传感器的选择、安装,实验电路设计及软件的实现。第六章总结全文。