本论文是在国家自然科学基金（No.51675258）资助下,针对传统的基于平行因子（Parallel Factor,PARAFAC）的盲源分离（Blind Source Separation,BSS）方法复杂度高,运行时间长的不足,提出一种自适应PARAFAC的盲源分离方法。通过仿真分析和实验来验证所提方法具有可行性。主要研究内容如下:1.传统的基于PARAFAC-BSS的多故障盲源分离方法是通过批处理交替最小二乘（Alternating Least Squares,ALS）算法对所构造的PARAFAC模型进行分解,在一次迭代中需要三次伪逆运算,在每一采样时刻需要考虑整个新的张量分解的计算量,运行速度慢,很难对采集到的数据实时在线处理。针对传统PARAFAC-BSS方法存在的不足,提出了一种自适应的PARAFAC-BSS方法,在提出的方法中,通过采用加权递归最小二乘追踪（Recursive Least Square Tracing,RLST）算法对所构造的PARAFAC模型分解。首先,采用传统的批处理ALS算法对初始的PARAFAC模型进行分解,得到承载矩阵的初始估计。然后,通过沿时间维度方向不断在初始张量上添加新的数据切片,同时对观测张量加窗处理,使新添加的数据切片有更大的权重,并使用先前计算的初始承载矩阵对承载矩阵进行更新。与重复应用标准批处理ALS相比,所提方法不需要三次伪逆运算,可降低计算成本,提高了运行速度。通过对所构造的两组仿真故障源信号进行盲源分离来验证所提方法具有更快的运行速度。最后,通过实验对轴承多故障信号进行处理,证明了该方法在运行速度上相对传统方法具有明显的优势。2.虽然基于PARAFAC-RLST的盲源分离方法在一次迭代中不必经过三次伪逆操作,可以用较低的复杂度对数据在线处理,运行速度快,大大提高了故障诊断的效率。但是,由于该方法是采用一阶梯度方法优化指数加权最小二乘代价函数,使算法的准确度有所下降,有可能得到错误的诊断结果。因此,本章对算法进行改进,提出了基于二阶优化自适应平行因子（Second-order Optimized Adaptive PARAFAC,SOAP）的盲源分离方法。该方法采用二阶随机梯度代替一阶梯度去优化指数加权最小二乘代价函数,提高了算法的准确性。同时,在算法的每一步中,近似保留所估计子空间的Kronecker积结构,在每一时刻使用循环策略去更新子空间的每一列,这样还可以降低算法的复杂度。通过仿真和实验分析证明所提方法更具有实际工程应用价值。3.传统的欠定BSS方法大多是采用一些模态分解方法对观测信号进行分解,得到若干子信号分量。然后,将这些信号分量作为新的输入,采用独立分量分析（Independent Component Analysis,ICA）算法或其改进算法对新的输入信号进行分解,从而分离出故障源信号。ICA算法是基于矩阵的分解,通常需要施加一些约束条件,如正交性、独立性和恒模特性等,才能保证分解的唯一性。在实际工程中,很难满足一些苛刻的条件,导致矩阵分解的非唯一性,以致很难保证盲源分离结果的准确性。因此,考虑将变分模态分解（Variational Mode Decomposition,VMD）和SOAP算法结合起来。首先,采用VMD算法通过非递归更新将多成分信号分解为有限带宽固有模态函数（Band-limited Intrinsic Mode Function,BLIMF）,从而解决了欠定问题。然后,选择合适的模态函数作为新的输入,采用SOAP算法对其分解,保证分解的唯一性。通过设置不同的信噪比,对比所提方法和传统的VMD-ICA方法在噪声环境下的分离效果。仿真和实验结果表明,所提方法能有效解决噪声环境下的轴承多故障信号的欠定盲源分离问题。4.针对实际工程中的非线性观测信号的盲源分离问题,将Kernel函数与SOAP算法结合起来用来解决非线性信号的盲源分离问题。首先,将传感器采集到的非线性信号通过Kernel函数方法映射到高维核特征空间。然后,在核特征空间里采用SOAP算法分离出源信号。通过仿真,KSOAP算法成功将非线性混合信号进行盲源分离,并与传统方法进行对比。最后,将所提方法用于轴承多故障诊断中,实验结果验证了该方法的有效性。