CN100371925C - 一种基于声音信号特征的机床类型的判别法 - Google Patents

Abstract

本发明提供了一种通过提取机床设备空载时的声音特征值与现场采集的声音特征值来判别生产现场机床设备类型的方法，为机床设备故障诊断和无人化工厂及多媒体教学奠定了基础，利用计算机软件控制可实现自动计算和判别，具有方法简单、投资少、准确性高的特点。

Description

一种基于声音信号特征的机床类型的判别法

技术领域

本发明涉及一种机床类型的判别方法，尤其是一种通过对机床空载时的声音信号进行采集分析从而得出其特征值的判别方法，具体地说是一种基于声音信号特征值的机床类型的判别法。

背景技术

目前，国内外关于声音识别技术在机械加工中的应用研究主要包括：(1)在刀具的磨损过程中，利用切削的声音和刀具振动的信号进行在线的检测，通过发现异常信号的特征，再与正常信号进行对比，从而确定磨损程度的深浅，其中运用到的原理主要是声发射技术；(2)利用金属切削中颤振的噪声信号对颤振进行监测，看检测到的信号是否超过某一预定的阈值，从而确定颤振的程度，其中运用了小波参数估计法来提取相应的特征向量；(3)通过对圆锯切削噪声的分析，得出加工机械的运转状态以及切削工具的状态，从而预知切削工具的寿命和作业危险性；(4)研究如何确定机械加工中的声音信号特征，运用到频谱分析、自相关、相干以及人工神经网络等有关的信号处理技术，主要针对一种机床和一定的切削加工条件，提取它在加工过程中产生的声音信号的特征向量。等等。

上述声音识别和判断研究中，大部分是集中在对加工过程中的状态进行研究，通过得到的特征向量来判别加工状态，从而用来指导实际生产。但由于其主要运用的方法涉及图像识别、超声检测等，其设备投资大，工作条件要求高，数据处理周期长，因此影响了其实用性和推广应用。

申请人发现，任何一台机床其空载时的声音信号都有其自身的特点，不同类型的机床，其空载时所产生的声音的Welch功率谱和幅值域特征值必然不相同。申请人经过大量的实验证明，采用经济的MP3在现场录音即可对机床空载时的Welch功率谱和幅值域特征值进行有效分析。任何一种机床其空载时的Welch功率谱频率段和幅值域特征值均落在一定值范围内，只要确定所检测机床空载时声音信号的Welch功率谱和幅值域特征值，将其与已知数据库中各机床特征值进行比较即可对该机床的类型作出正确的判别，而目前尚无这方面的报道问世。

发明内容

本发明的目的是提供一种基于声音信号特征的机床类型的判别法，它通过采集机床空载时的声音信号并利用公知的频域分析中的Welch方法和时域分析中的幅值分析(亦称幅值域分析)方法对该声音信号进行处理，得出该机床空载时声音信号在频域和时域的特征值，包括功率谱中最大峰值所对应的频率范围以及时域中幅值的绝对值均值、均方值和方差范围(以下统称为上述特征值)，再将其与数据库中存储的已知机床的上述特征值进行比较，从而判别机床的类型，为设备管理和智能化控制提供依据。

本发明的技术方案是：

一种基于声音信号特征的机床类型的判别法，其特征是包括以下步骤：

a、首先利用声音采集设备采集某种机床单独空载时的声音信号，将该声音信号输入计算机，并利用频域分析中的Welch方法和时域分析中的幅值分析方法对该声音信号进行处理，得出该机床空载时声音信号在频域和时域的特征值，将所得的上述特征值输入数据库中待用；

b、重复上述步骤，得到所需判别的各类机床在单独空载时的声音信号的上述特征值并输入上述的数据库中待用；

c、利用声音采集设备将现场机床空载声音信号采集后输入计算机，通过Butterworth滤波器中的带通滤波器进行20Hz～10kHz频段的滤波，以滤除信号中过低和过高的频率部分，并分别用功率谱中的Welch方法和幅值分析方法对滤波所得的声音信号进行处理，得出其相应的特征值，如果该特征值与数据库中某种类型机床的上述特征值相匹配，则可判断出现场存在该类型的机床。

所述的声音采集设备可为带外置麦克风录音的MP3播放器，它通过USB接口与计算机相连。

上述的特征值包括功率谱中最大峰值所对应的频率范围以及时域中幅值的绝对值均值、均方值和方差范围。

本发明的有益效果：

1、首先实现了信号采集设备的革命性突破，利用成本低廉的MP3播放器作为声音采集、转换设备具有投资少、使用方便的突出优点。

2、充分发挥利用了频域分析中的Welch方法和时域分析中的幅值分析方法在声音特征处理方面的强大优势，通过对计算所需的参数的优化，可分别得出相关机床的特征参数所在的具有明确功率谱最大峰值的频段以及幅值域的统计值范围，为机床类型的判别提供了十分明确的依据。

3、本发明涉及到的计算方法及数据库技术均为常见的技术，均易于实现。

4、本发明将Butterworth滤波器技术成功地应用到上述特征值的提取过程中，可有效地将突发性因素排除，提高了数据计算与判别的准确性。

5、为多媒体教学及职员的岗前培训提供了形象而逼真的听觉效果。

6、可以用于各类型机床出厂检验和在制造车间生产时其空载状态运转正常与否的判断依据。

7、为下一步机床运行过程中的故障诊断提供了一种可供借鉴且行之有效的方法。

附图说明

图1是本发明的信号采集和上述特征值提取过程流程图。

图2是本发明实施例中的刨床不同往复速度时Welch功率谱图线示意。

图3是本发明实施例中的铣床不同主轴转速时Welch功率谱图线示意。

图4是本发明实施例中的车床不同主轴转速时Welch功率谱图线示意。

图5是本发明实施例中的钻床不同主轴转速时Welch功率谱图线示意。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

具体步骤流程如图1所示。

a、首先利用带外置麦克风录音的MP3播放器在实验室条件下(无严重的外界噪声干扰，且为单台设备空载运转)采集机床正常空载时的声音信号，将该声音信号通过USB接口输入计算机，利用频域分析中的Welch方法和时域分析中的幅值分析方法对该声音信号进行处理，得出其空载时的声音信号的上述特征值，并将其输入数据库中待用；

b、重复上述步骤分别将所需判别的各机床如刨床、铣床、车床、钻床等空载时声音信号的上述特征值输入上述的数据库中；由于各类机床的型号不同，因此同一类机床的不同型号应分别进行试验，得出其声音信号的相应上述特征值；

c、再利用带外置麦克风录音的MP3播放器将现场需判别的机床的空载声音信号采集后通过USB接口输入计算机，通过Butterworth滤波器中的带通滤波器进行指定频段(20Hz至10kHz)滤波，以滤除信号中过低和过高的频率部分。之后，分别利用频域分析中的Welch方法和时域分析中的幅值分析方法对滤波所得的声音信号进行处理，得出其上述特征值，将所得的上述特征值与数据库中存储的该频段范围内该类机床空载状态时的上述特征值数据相比较，得出如下结论：

(1)如果原始信号在指定频段滤波后计算所得的上述特征值与数据库中所有刨床中的其一型号的刨床的上述特征值相匹配(即所得的上述特征值落在刨床上述特征值范围内)，则可判断出现场机床为该型号的刨床。否则，则表明现场机床非该型号刨床。

(2)如果原始信号在指定频段滤波后计算所得的上述特征值与数据库中所有铣床中的其一型号的铣床的上述特征值相匹配(即所得的上述特征值落在铣床上述特征值范围内)，则可判断出现场机床为该型号的铣床。否则，则表明现场机床非该型号铣床。

(3)如果原始信号在指定频段滤波后计算所得的上述特征值与数据库中所有车床中的其一型号的车床的上述特征值相匹配(即所得的上述特征值落在车床上述特征值范围内)，则可判断出现场机床为该型号的车床。否则，则表明现场机床非该型号车床。

(4)如果原始信号在指定频段滤波后计算所得的上述特征值与数据库中所有钻床中的其一型号的钻床的上述特征值相匹配(即所得的上述特征值落在钻床上述特征值范围内)，则可判断出现场机床为该型号的钻床。否则，则表明现场机床非该型号钻床。

具体地说：

B690-I型液压牛头刨床的数据库中的上述特征值为：频域分析中，在180Hz～210Hz频段内，有明确的Welch功率谱的最大峰值(如图2所示)；时域分析中，幅值各统计值范围如表1所示。

采用同样的方法可得知：

S5040型铣床的数据库中的上述特征值为：频域分析中，在390Hz～420Hz频段内，有明确的Welch功率谱的最大峰值(如图3所示)；时域分析中，幅值各统计值范围如表2所示。

C630-2型车床的数据库中的上述特征值为：频域分析中，在590Hz～620Hz或者680Hz～710Hz频段内，有明确的Welch功率谱的最大峰值(如图4所示)；时域分析中，幅值各统计值范围如表3所示。

Z5125型钻床的数据库中的上述特征值为：频域分析中，在600Hz～630Hz频段内，有明确的Welch功率谱的最大峰值(如图5所示)；时域分析中，幅值各统计值范围如表4所示。

这样，将频域分析中的Welch方法和时域分析中的幅值分析方法相综合，就可以得出各类型机床的上述特征值，从而予以判别。

下面结合刨床的声音信号特征量的提取对本发明作进一步的说明。

1、频域分析中经典功率谱估计Welch方法简介：

一个静态随机过程的功率谱密度是该过程自相关序列r(m)的离散傅立叶变换，如下式：

$P_{\mathrm{xx}}\left(\mathrm{\ω}\right)=\underset{m=-\∞}{\overset{\∞}{\mathrm{\Σ}}}r\left(m\right)e^{-\mathrm{j\ωm}}$

式中P_xx(ω)为功率谱密度，下标xx是该随机过程的原始数字序列xx(n)。

功率谱密度的估计方法有非参数模型和参数模型两种。非参数模型方法有Welch法、MIM(Multitaper)法和MUSIC(Multiple Signal Classification)；Welch法是一种经过改进的平均加窗的周期图法；MIM法是首先用一组正交窗口获得功率谱的各近似不相关估计，然后将其组合而成产生一个整体功率谱估计；MUSIC一般用于线性频谱信号。参数模型方法主要是MEM(Maximum Entropy Method)方法，它是一种对于频谱密度估计的自回归技术，保持信号自相关序列的不确定性(即熵)最大。本文研究中，我们采用非参数模型的Welch方法。

一般的周期图法估计功率谱密度是：首先对一个随机过程进行采样得到序列xx(n)，然后进行离散Fourier变换.并将得到的频谱取绝对值平方，最后以数据窗口范数的平方进行归一化处理，以保证估计是渐近无偏的，即随着采样数据的增加，周期图的估计的期望值接近真实的功率谱密度。利用一种周期图估计功率谱密度的缺点是方差较大，且该方差值不随采样数目的增加而减小。

Welch方法正是为了减小一般周期图法估计的方差，并且改善信噪比、降低测量变异性而提出的。它将采样信号分成不相互叠加的几部分，然后进行平均，平均段数越多，方差越小。但一般由于信号的长度有限，可分割信号数据段段数较少，为了增加可分割数据段数，段段之间可以有一定的叠加量，但又由于段与段之间数据叠加会使段与段之间产生统计相关，这在一定程度上又导致功率谱密度的方差增大。对此，Welch方法里通过采用非矩形数据窗(如Hamming窗，Hanning窗或者Kaiser窗)的方法对此关键问题予以了解决。因为在这些窗口的边缘.其值衰减为零，大大降低了段与段之间的数据相关性。所以，应用非矩形窗，不但大大降低频谱估计的方差，而且可以消除由于频谱边缘的旁瓣干扰使频谱估计的波峰宽度增加的影响。

2、Welch法在刨床中的应用。

采用经典功率谱估计的Welch方法，主要提取的特征值是功率谱最大峰值对应的频率值。这里，我们分别采用了MATLAB的编程工具和自带的信号处理工具箱(SPTOOL BOX)，对信号进行分析处理。在编程过程中，我们主要调用了MATLAB中的[Pxx，f]＝pwelch(xx，window，noverlap，nfft，fs)函数，其中Pxx为功率谱，f为与之一一对应的频率，xx为原始信号的数字序列，得到了Pxx、f后，我们就可以用plot()绘图命令直接绘出功率谱图；在运用信号处理工具箱(SPTOOL BOX)时，我们同样是用了其中的Welch方法的谱估计，它与编程的区别之处就是将一系列的参数集成化了，给出了一个用户界面，其中包含一个绘图区域，输入相应参数后直接可以得出功率谱图，并有纵横坐标值的显示，可以方便地读出功率最大峰值对应的频率值。

从调用的函数中我们可以看到，Welch方法的运用涉及到几个参数的确定问题，即窗函数(window)、窗函数的长度(nwin)、相邻窗间重叠数(noverlap)和FFT变换点数(nfft)。通过分析比较发现，在本研究的Welch运用中：

(1)窗函数window()采用海明窗(hamming())和汉宁窗(hanning())几乎没有太大差别，所以本研究中采用了海明窗，即window＝hamming()；

(2)当窗的长度nwin由小变大(如由nwin＝400→nwin＝800)时，功率谱的峰值数目会随之增多，同时数值也略微有所变大，但最大峰值出现的位置几乎不变，即对应的频率保持不变，因此窗的长度对信号主频的提取没有明显的影响，我们在这里取窗长度nwin＝400；

(3)随着重叠数noverlap的增加，功率谱的峰数目会随着减少，即谱线变得较为平滑，但最大峰值对应的频率仍然保持不变，所以分析中我们取重叠数noverlap＝80；

(4)FFT变换点数nfft直接决定了频率域中的频率分辨率Δf和最低频率f_min，且有：

Δf＝f_min＝f_s/nfft    (f_s为采样频率)

所以考虑到实际的频率分辨率和最低频率，我们取FFT变换点数nfft＝2¹²＝4096个。这样即有Δf＝f_min＝f_s/nfft＝22050/4096＝5.3833Hz

将window，nwin，noverlap，nfft，fs五个参数一一确定之后，就可以运用Welch方法对信号进行频域分析了。图2是用编程的方法绘制的刨床空载时在不同档位下的功率谱图线。

3、Welch法在铣床、车床和钻床等机床中的应用与刨床相同。

4、时域分析中的幅值分析方法在各种机床特征值提取中的应用。

幅值分析方法就是运用数理统计的理论知识，对信号的数字序列进行统计分析，主要提取序列的绝对值均值均方值和方差σ(因原理、公式简单，在此仅给出如下所示的计算公式)。对于信号序列x(n)有：

$\stackrel{\‾}{X}=\frac{\mathrm{\Σ}\left|x_i\right|}{n};$ $\stackrel{\‾}{X^2}=\frac{\mathrm{\Σ}{\left|x_i\right|}^2}{n};$ $\mathrm{\σ}=\sqrt{\frac{1}{n-1}\mathrm{\Σ}(x_i-\stackrel{\‾}{X})};i=\mathrm{0,1},....n-1$

根据各自幅值的不同范围进行判断。幅值分析方法不能单独对机床

类型进行判别，需要结合上述频域分析中的经典功率谱估计Welch方法

进行共同区分判别。

附表(各类型机床幅值统计值范围)：

表1刨床不同往复速度时幅值域各统计值的结果

1挡位	2挡位	刨床	绝对值均值	均方值	方差
						1	I	Bao 01	0.1340	0.027452	0.09738
II	Bao 02	0.1649	0.042381	0.12330
					III		Bao 03	0.1947	0.057702	0.14065
IV	Bao 04	0.2477	0.081982	0.14359
					5		I	Bao 01	0.1110	0.019165	0.08268
II	Bao 02	0.1453	0.033464	0.11117
						III	Bao 03	0.1801	0.045051	0.11237
IV	Bao 04	0.1214	0.023377	0.09295
							I	Bao 01	0.2126	0.068690	0.15329

9	II	Bao 02	0.1704	0.046755	0.13314
						III	Bao 03	0.2301	0.074362	0.14633
	IV	Bao 04	0.3163	0.129714	0.17215

表2铣床不同主轴转速时幅值域各统计值的结果

铣床	转速(rpm)	绝对值均值	均方值	方差
					Xi 01	80rpm	0.0614	0.005818	0.045262
Xi 02	160rpm	0.0651	0.006576	0.048417
					Xi 03	250rpm	0.0752	0.008807	0.056105
Xi 04	400rpm	0.0720	0.008018	0.053238
					Xi 05	630rpm	0.0872	0.011877	0.065426
Xi 06	800rpm	0.0843	0.011092	0.063165
					Xi 07	1000rpm	0.1021	0.016402	0.077342

表3车床不同主轴转速时幅值域各统计值的结果

车床	转速(rpm)	绝对值均值	均方值	方差
					Che 01	67rpm	0.0744	0.008708	0.056335
Che 02	132rpm	0.1506	0.035691	0.114065
					Che 03	212rpm	0.1092	0.019183	0.120345
Che 04	335rpm	0.1538	0.038124	0.085160
					Che 05	425rpm	0.1895	0.055831	0.165430
Che 06	530rpm	0.2336	0.081935	0.141091

表4钻床不同主轴转速时幅值域各统计值的结果

钻床	转速(rpm)	绝对值均值	均方值	方差
					Zuan01	80rpm	0.037203	0.002117	0.027077
Zuan02	200rpm	0.038925	0.002344	0.028791
					Zuan03	315rpm	0.043747	0.002999	0.032945
Zuan04	500rpm	0.059689	0.005786	0.047155
					Zuan05	800rpm	0.062692	0.006163	0.047256
Zuan06	1250rpm	0.079298	0.009940	0.060427
					Zuan07	2000rpm	0.144415	0.032827	0.109415

Claims (3)

1.一种基于声音信号特征的机床类型的判别法，其特征是包括以下步骤：

a、首先利用声音采集设备采集某种机床单独空载时的声音信号，将该声音信号输入计算机，并利用频域分析中的Welch方法和时域分析中的幅值分析方法对该声音信号进行处理，得出该机床空载时声音信号在频域和时域的特征值，将所得的上述特征值输入数据库中待用；

b、重复上述步骤，得到所需判别的各类机床在单独空载时的声音信号的上述特征值并输入上述的数据库中待用；

c、利用声音采集设备将现场机床空载声音信号采集后输入计算机，通过Butterworth滤波器中的带通滤波器进行20Hz～10kHz频段的滤波，以滤除信号中过低和过高的频率部分，并分别用功率谱中的Welch方法和幅值分析方法对滤波所得的声音信号进行处理，得出其相应的特征值，如果该特征值与数据库中某种类型机床的上述特征值相匹配，则可判断出现场存在该类型的机床。

2.根据权利要求1所述的基于声音信号特征的机床类型的判别法，其特征是所述的声音采集设备为带外置麦克风录音的MP3播放器，它通过USB接口与计算机相连。

3.根据权利要求1所述的基于声音信号特征的机床类型的判别法，其特征是所述的特征值包括功率谱中最大峰值所对应的频率范围以及时域中幅值的绝对值均值、均方值和方差范围。

Images