CN101592548A - 基于参数有效性的转子碰摩声发射信号模糊综合判别方法 - Google Patents

Abstract

本发明公布了一种基于参数有效性的转子碰摩声发射信号模糊综合判别方法。本发明所述方法对碰摩声发射试验装置采集的声发射信号提取特征参数，利用模糊熵理论来度量声发射特征参数相对于不同转子碰摩状态模式的不确定度，并对各特征参数进行有效性分析，然后将参数的有效性用于模糊综合判别。本发明能准确地判别声发射信号所属的碰摩状态类别，从而有效地应用于碰摩的检测。

Description

基于参数有效性的转子碰摩声发射信号模糊综合判别方法

技术领域

本发明涉及一种声发射信号的判别方法，特别涉及一种基于参数有效性的转子碰摩声发射信号模糊综合判别方法。

背景技术

动静碰摩是大型旋转机械的一个重大研究课题，用常规的振动检测方法判断碰摩效果不理想，尤其碰摩早期特征较弱时，振动检测法存在很大困难。声发射(Acoustic Emission，AE)以其独特的优点为碰摩检测与识别提供了一条新的途径。与振动信号相比，AE信号的频响范围宽、信息量大、信噪比高，特别是在故障早期特征较弱时，可以弥补振动信号对微弱碰摩不敏感而容易造成漏判的缺陷，因此在碰摩早期的故障诊断更具优越性。但由于AE面临的噪声干扰问题突出，，尤其是旋转机械相对恶劣的工作环境以及运行时设备自身产生的多源性强噪声，加之AE信号在结构传播过程中存在的衰减与失真，使得对感兴趣的碰摩AE信号的识别就变得更加困难，而目前对复杂干扰源中AE识别方法的研究还不够深入，因此，基于AE技术的碰摩故障诊断还没能发挥应有的作用。提高和改进AE信号分析能力，研究更加有效的AE信号特征识别方法，是推动AE技术应用的关键。

发明内容

本发明目的是针对现有技术存在的缺陷提供一种基于参数有效性的转子碰摩声发射信号模糊综合判别方法。

本发明为实现上述目的，采用如下技术方案：

本发明基于参数有效性的转子碰摩声发射信号模糊综合判别方法，其特征在于包括以下步骤：

(1)采用碰摩声发射试验装置获得待识别的声发射信号；

(2)选择并提取步骤1所述的声发射信号的特征参数即：平均振幅、最大振幅、振幅动态范围以及小波包分解信号的前四个接点重构信号的能量值；

(3)对训练样本的各特征参数进行有效性分析：

(3-1)提取训练样本的特征参数得到每个训练样本的特征参数矢量x，并确定训练样本的第j个特征参数对第k类别的隶属度函数μ_jk(x)：

${\mathrm{\μ}}_{\mathrm{jk}}\left(x\right)=\frac{\exp [-\frac{1}{2}{\left(\frac{x-m_{\mathrm{jk}}}{{\mathrm{\σ}}_{\mathrm{jk}}}\right)}^2]}{\underset{k=1}{\overset{C}{\mathrm{\Σ}}}\exp [-\frac{1}{2}{\left(\frac{x-m_{\mathrm{jk}}}{{\mathrm{\σ}}_{\mathrm{jk}}}\right)}^2]},$ 其中m_jk为第k类别中不同特征参数的均值，σ_jk为第k类别中不同特征参数的方差，1＜j＜J，1＜k＜C，J为训练样本的特征参数个数，C为待判别信号即训练样本的类别数，j、k、J、C都为自然数，下同；

形成隶属函数μ之间的模糊关系矩阵R：

$R=\left[\begin{array}{cccc}{\mathrm{\μ}}_{11}& {\text{\μ}}_{12}& \·\·\·& {\mathrm{\μ}}_{1C}\\ {\mathrm{\μ}}_{21}& {\mathrm{\μ}}_{22}& \·\·\·& {\mathrm{\μ}}_{2C}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ {\mathrm{\μ}}_{J1}& {\mathrm{\μ}}_{J2}& \·\·\·& {\mathrm{\μ}}_{\mathrm{JC}}\end{array}\right],$

(3-2)采用步骤3-1中的隶属函数μ_jk(x)计算训练样本的第j个特征参数相对于第k类别的平均模糊熵，即：

$H_{\mathrm{jk}}\left(\mathrm{\μ}\right)=\frac{1}{N}\underset{i=1}{\overset{\text{N}}{\mathrm{\Σ}}}S\left({\mathrm{\μ}}_{\mathrm{jk}}\left(x^i\right)\right),$

上式中的N为训练样本的样本数，1≤i≤N，xⁱ表示第i个训练样本的特征参数矢量，i、N都为自然数下同，S(u_jk(xⁱ))为模糊熵为：

S(μ_jk(xⁱ))＝-μ_jk(xⁱ)ln(μ_jk(xⁱ)-[1-μ_jk(xⁱ)]ln[1-μ_jk(xⁱ)]；

(3-3)采用步骤3-2所述的平均模糊熵G_jk(μ)得出训练样本的第j个特征参数的有效性度量系数W_j：

$W_j=\frac{\underset{k=1}{\overset{C}{\mathrm{\Σ}}}1/H_{\mathrm{jk}}}{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\underset{k=1}{\overset{C}{\mathrm{\Σ}}}1/H_{\mathrm{jk}}},$

(3-4)采用步骤3-3所述的有效性度量系数W_j后，修正步骤3-1所述的模糊关系矩阵R为：

$R^{\′}=\left[\begin{array}{cccc}{W}_1& 0& \·\·\·& 0\\ 0& W_2& \·\·\·& 0\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ 0& 0& \·\·\·& W_J\end{array}\right]\left[\begin{array}{cccc}{\mathrm{\μ}}_{11}& {\mathrm{\μ}}_{12}& \·\·\·& {\mathrm{\μ}}_{1C}\\ {\mathrm{\μ}}_{21}& {\mathrm{\μ}}_{22}& \·\·\·& {\mathrm{\μ}}_{2C}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ {\mathrm{\μ}}_{J1}& {\mathrm{\μ}}_{J2}& \·\·\·& {\mathrm{\μ}}_{\mathrm{JC}}\end{array}\right];$

(4)判决待识别的碰摩声发射信号：

采用步骤2所述的待识别的碰摩声发射信号特征参数的向量U得到综合评价模糊集合：V＝U×R′，其中综合评价模糊集合V＝{v₁，v₂，…，v_C}，v表示当前待识别的碰摩声发射信号的特征参数向量对于不同类别的隶属度，将隶属度最大的类别作为判决结果输出。

本发明的优点和效果在于：

1.选择了最具代表性的一些参量作为声发射信号的特征参数，更好的应用于训练和判别过程。

2.采用了基于参数有效性分析的模糊综合判别方式，相对于原有的模糊综合判决方法在判别效率上有了明显的提高，可以更好的判别区分碰摩强度，即更准确地通过声发射信号检测出碰摩故障。

本发明的其他优点和效果将在下面继续描述。

附图说明

图1——基于有效性分析的模糊综合判决流程图；

图2——碰摩声发射试验装置，1-电机；2-增速箱；3-联轴器；4-轴承；5-轴承座1；6-碰摩装置；7-底座；8-转盘；9-轴；10-轴承座2；

图3——不同碰摩状态下的声发射波形及频谱图，(a)无碰摩时声发射波形与频谱，(b)轻微碰摩时声发射波形与频谱，(c)加重碰摩时声发射波形与频谱；

图4——不同碰摩状态的声发射信号小波包分解后，各节点重构信号所对应的能量图，(a)无碰摩时重构信号的能量，(b)轻微摩擦时重构信号的能量，(c)加重摩擦时的重构信号的能量。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

图1是基于有效性分析的模糊综合判决流程图。

以下结合附图和实施例，对本发明所述的技术方案作进一步的阐述。

1、转子碰摩声发射信号的获得

转子碰摩试验台如图2所示。通过一安装在转子台底座上可移动的碰摩支架来模拟实现动静间碰摩。碰摩支架安装在轴承座1、2之间，支架上安装着可伸缩的螺栓，沿转轴径向对着转轴中心，通过调节螺栓来产生碰摩。试验系统选用SR150传感器，频率范围20～300kHz；前置放大器带宽20kHz～2000kHz，增益40dB；主放大器增益1倍、10倍、100倍可调；声发射采集卡为12位A/D分辨率。传感器安装在轴承座1上，碰摩源在转轴上，采样率设为2MHz。

图3为无碰摩、轻微碰摩和加重碰摩状态下的声发射波形及频谱图。对试验台采集的信号分析可知，在不发生碰摩的状态下，波形为噪声信号，幅度较小并无明显的声发射信号波形特征。因此，可在实验中预知噪声的大致幅度，在开始实际碰摩检测时，设置适当的阈值来屏蔽噪声的影响。在轻微碰摩状态下，从时域波形上可看到明显的周期性冲击现象，表现为若干突发型特征的声发射信号，频率范围为0～10kHz，能量集中在5kHz附近，3kHz以下为噪声，可以看出在频域上声发射的能量分布与噪声有明显不同。调节碰摩螺钉加重碰摩，声发射信号呈连续型特征，幅度大幅增加(幅度刻度较轻微碰摩时增大一倍)，频率更加丰富，高频成分大量增加，能量幅值也有很大增加。在实际判别中，可以将声发射信号分为三个类别：无碰摩、轻微碰摩、加重碰摩。

2、选择并提取声发射信号的特征参数

通过反复对比实验，可以发现在无碰摩、轻微碰摩和加重碰摩状态下，声发射信号的波形幅度都会有明显的变化；此外，对于AE信号的小波包分解信号，能量主要有低频和高频两部分构成，而大部分噪声信号主要由低频信号构成，因此将重构信号的能量(功率谱和)作为识别参数，其效果非常明显。利用db6小波包函数对声发射信号进行5层的小波包分解，分别利用第五层的各节点系数重构出原始信号，图4是对不同碰摩状态的声发射信号小波包分解后，各节点重构信号所对应的能量。可以看出，不同碰摩状态下重构信号能量的差异主要体现在前4个小波节点，特别是第二和第四小波包能量值变化较大，用来做识别特征参数有效性较佳。

根据上述声发射信号的特点，从幅度构造和小波包分解信号构造等几个方面考虑，选用平均振幅、最大振幅、振幅动态范围以及小波包分解信号的前四个接点重构信号的能量值这7个参数作为声发射信号判别的特征参数。对平均振幅、最大振幅和振幅的动态范围这三个特征量进行分析比较时，为了避免噪声的影响，只考虑信号能量超过某一阈值时的振幅的绝对值的平均值。

3、对各特征参数进行有效性分析

在声发射信号分析中，必须利用所提取的声发射信号参数来决定信号的类别归属，不同的声发射信号参数对其类别的区分作用是不同的，因此有必要对所有的这些特征参数进行有效性分析，以提高声发射信号的判别效率。

(1)在进行参数有效性分析时，首先得到每个训练样本的特征参数矢量x。根据样本所属的不发生碰摩的状态、轻微碰摩和加重碰摩的三个不同的类别，计算出各个类别中不同特征参数的均值m_jk和方差σ_jk，其中1＜j＜J，1＜k＜C，J为特征参数个数，C为待判别信号的类别数。在此基础上确定参数j对此类别k的隶属度函数μ_jk(x)，其中μ_jk(x)必须满足： $\underset{k=1}{\overset{C}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{jk}}=1,$ 这里采用高斯函数作为隶属度函数，如式(1)所示。

${\mathrm{\μ}}_{\mathrm{jk}}\left(x\right)=\frac{\exp [-\frac{1}{2}{\left(\frac{x-m_{\mathrm{jk}}}{{\mathrm{\σ}}_{\mathrm{jk}}}\right)}^2]}{\underset{k=1}{\overset{C}{\mathrm{\Σ}}}\exp [-\frac{1}{2}{\left(\frac{x-m_{\mathrm{jk}}}{{\mathrm{\σ}}_{\mathrm{jk}}}\right)}^2]}---\left(1\right)$

由参数相对于类别之间的隶属函数μ_jk(x)可以形成它们之间的模糊关系矩阵R：

$R=\left[\begin{array}{cccc}{\mathrm{\μ}}_{11}& {\mathrm{\μ}}_{12}& \·\·\·& {\mathrm{\μ}}_{1C}\\ {\mathrm{\μ}}_{21}& {\mathrm{\μ}}_{22}& \·\·\·& {\mathrm{\μ}}_{2C}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ {\mathrm{\μ}}_{J1}& {\mathrm{\μ}}_{J2}& \·\·\·& {\mathrm{\μ}}_{\mathrm{JC}}\end{array}\right]---\left(2\right)$

(2)接下来，利用式(3)计算第j个特征参数相对于第k个类别的平均模糊熵，即对所有样本的模糊熵作统计平均：

$H_{\mathrm{jk}}\left(\mathrm{\μ}\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}S\left({\mathrm{\μ}}_{\mathrm{jk}}\left(x^i\right)\right)---\left(3\right)$

上式中的N为样本数，S(u_jk(xⁱ))为模糊熵，表示第j个特征参数相对于第k个类别的不确定性的度，其表达式如式(4)所示：

S(μ_jk(xⁱ))＝-μ_jk(xⁱ)ln(μ_jk(xⁱ)-[1-μ_jk(xⁱ)]ln[1-μ_jk(xⁱ)](4)

(3)不同的特征参数对于声发射信号识别的有效度是不同的，因此在计算模糊关系矩阵时引入有效性系数W，可以改善声发射信号的识别效率。由H_jk(μ)得出不同特征参数j的有效性度量系数W_j，该值越大，表明该参数对不同类别分辨率越好。其计算公式如下：

(4)引入特征参数的有效性度量系数W_j后，修正的模糊关系矩阵R′为：

$R^{\′}=\left[\begin{array}{cccc}{W}_1& 0& \·\·\·& 0\\ 0& W_2& \·\·\·& 0\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ 0& 0& \·\·\·& W_J\end{array}\right]\left[\begin{array}{cccc}{\mathrm{\μ}}_{11}& {\mathrm{\μ}}_{12}& \·\·\·& {\mathrm{\μ}}_{1C}\\ {\mathrm{\μ}}_{21}& {\mathrm{\μ}}_{22}& \·\·\·& {\mathrm{\μ}}_{2C}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ {\mathrm{\μ}}_{J1}& {\mathrm{\μ}}_{J2}& \·\·\·& {\mathrm{\μ}}_{\mathrm{JC}}\end{array}\right]---\left(6\right)$

表1对选择出的7个特征参数进行了有效性分析。从表1可以看出，不同的参数对于信号分类的效果不同，其中平均振幅和小波包第二第四节点能量等参数对于所识别的类别具有较小的平均模糊熵，因此具有较高的有效度，而最大振幅、振幅动态范围等则具有较大的平均模糊熵，因此有效性较差。利用各参数有效性的差异，可以对AE信号识别方法进行改进。

表1

特征参数	有效性
		平均振幅	0.2332
最大振幅	0.0877
		振幅动态范围	0.0971
小波包第四节点能量	0.1106
		小波包第三节点能量	0.0696
小波包第二节点能量	0.1265
		小波包第一节点能量	0.0572

4、判决待识别碰摩声发射信号所属的类别

对待识别碰摩声发射信号提取参数之后组成的参数向量 $U=\{x_1^i,x_2^i,...,x_J^i\},$ 利用V＝U×R′求得综合评价模糊集合，其中V＝{v₁，v₂，...，v_C}，v_C表示当前待判别的参量对于不同类别的隶属度。

最后选择隶属度最大的类别作为判别结果。

5、实验分析

测试时分别在转子为650r/min和1850r/min时各采集10秒无碰摩、轻微碰摩、加重碰摩声发射信号，分别提取各状态声发射特征参数组成参数向量 $U=\{x_1^i,x_2^i,...,x_J^i\},$ 利用V＝U×R′计算综合评价模糊集合，得到各种声发射信号判别结果如表2所示，不采用有效性分析的一般模糊综合判决的判别效果如表3所示。

表2

碰摩状态	无碰摩	轻微碰摩	较强碰摩	强碰摩
					识别结果(％)	100	99	96	100

表3

碰摩状态	无碰摩	轻微碰摩	较强碰摩	强碰摩
					识别结果(％)	90	91	87	100

从判别结果可以看出，利用模糊综合判别的方法可以有效地识别碰摩声发射的发生，同时从表2和表3的对比可以知道，采用了基于有效性分析的模糊综合判别相对于原有的模糊综合判决方法在判别效率上有了一定的提高，说明对不同有效性的特征参数赋予不同权重可以改善声发射信号的识别效率，由此可证明前面对特征参数的有效性的分析是合理的，将有效性同判别方法的结合有利于提高判别的效率。

Claims (3)

1、一种基于参数有效性的转子碰摩声发射信号模糊综合判别方法，其特征在于包括以下步骤：

(1)采用碰摩声发射试验装置获得待识别的声发射信号；

(2)选择并提取步骤1所述的声发射信号的特征参数即：平均振幅、最大振幅、振幅动态范围以及小波包分解信号的前四个接点重构信号的能量值；

(3)对训练样本的各特征参数进行有效性分析：

(3-1)提取训练样本的特征参数得到每个训练样本的特征参数矢量x，并确定训练样本的第j个特征参数对第k类别的隶属度函数μ_jk(x)：

${\mathrm{\μ}}_{\mathrm{jk}}\left(x\right)=\frac{\exp [-\frac{1}{2}{\left(\frac{x-m_{\mathrm{jk}}}{{\mathrm{\σ}}_{\mathrm{jk}}}\right)}^2]}{\underset{k=1}{\overset{C}{\mathrm{\Σ}}}\exp [-\frac{1}{2}{\left(\frac{x-m_{\mathrm{jk}}}{{\mathrm{\σ}}_{\mathrm{jk}}}\right)}^2]},$ 其中m_jk为第k类别中不同特征参数的均值，σ_jk为第k类别中不同特征参数的方差，1＜j＜J，1＜k＜C，J为训练样本的特征参数个数，C为待判别信号即训练样本的类别数，j、k、J、C都为自然数，下同；

形成隶属函数μ之间的模糊关系矩阵R：

$R=\left[\begin{array}{cccc}{\mathrm{\μ}}_{11}& {\mathrm{\μ}}_{12}& \·\·\·& {\mathrm{\μ}}_{1C}\\ {\mathrm{\μ}}_{21}& {\mathrm{\μ}}_{22}& \·\·\·& {\mathrm{\μ}}_{2C}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ {\mathrm{\μ}}_{J1}& {\mathrm{\μ}}_{J2}& \·\·\·& {\mathrm{\μ}}_{\mathrm{JC}}\end{array}\right],$

(3-2)采用步骤3-1中的隶属函数μ_jk(x)计算训练样本的第j个特征参数相对于第k类别的平均模糊熵，即：

$H_{\mathrm{jk}}\left(\mathrm{\μ}\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}S\left({\mathrm{\μ}}_{\mathrm{jk}}\left(x^i\right)\right),$

上式中的N为训练样本的样本数，1≤i≤N，xⁱ表示第i个训练样本的特征参数矢量，i、N都为自然数下同，S(u_jk(xⁱ))为模糊熵为：

S(μ_jk(xⁱ))＝-μ_jk(xⁱ)ln(μ_jk(xⁱ)-[1-μ_jk(xⁱ)]ln[1-μ_jk(xⁱ)]；

(3-3)采用步骤3-2所述的平均模糊熵H_jk(μ)得出训练样本的第j个特征参数的有效性度量系数W_j：

$W_j=\frac{\underset{k=1}{\overset{C}{\mathrm{\Σ}}}1/H_{\mathrm{jk}}}{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\underset{k=1}{\overset{C}{\mathrm{\Σ}}}1/H_{\mathrm{jk}}},$

(3-4)采用步骤3-3所述的有效性度量系数W_j后，修正步骤3-1所述的模糊关系矩阵R为：

$R^{\′}=\left[\begin{array}{cccc}{W}_1& 0& \·\·\·& 0\\ 0& W_2& \·\·\·& 0\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ 0& 0& \·\·\·& W_J\end{array}\right]\left[\begin{array}{cccc}{\mathrm{\μ}}_{11}& {\mathrm{\μ}}_{12}& \·\·\·& {\mathrm{\μ}}_{1C}\\ {\mathrm{\μ}}_{21}& {\mathrm{\μ}}_{22}& \·\·\·& {\mathrm{\μ}}_{2C}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ {\mathrm{\μ}}_{J1}& {\mathrm{\μ}}_{J2}& \·\·\·& {\mathrm{\μ}}_{\mathrm{JC}}\end{array}\right];$

(4)判决待识别的碰摩声发射信号：

采用步骤2所述的待识别的碰摩声发射信号特征参数的向量U得到综合评价模糊集合：V＝U×R′，其中综合评价模糊集合V＝{v₁，v₂，…，v_C}，v表示当前待识别的碰摩声发射信号的特征参数向量对于不同类别的隶属度，将隶属度最大的类别作为判决结果输出。

2、根据权利要求1所述的基于参数有效性的转子碰摩声发射信号模糊综合判别方法，其特征在于：所述的训练样本和待识别的碰摩声发射信号都为声发射信号，用于训练和判别的声发射信号的特征参数有7个：平均振幅、最大振幅、振幅动态范围以及小波包分解信号的前四个接点重构信号的能量值；对平均振幅、最大振幅和振幅动态范围这三个特征量，只考虑声发射信号能量超过设定的阈值时的振幅的绝对值的平均值。

3、根据权利要求1或2所述的一种基于参数有效性的转子碰摩声发射信号模糊综合判别方法，其特征在于：所述的训练样本和待识别的碰摩声发射信号的类别都包括：无碰摩、轻微碰摩、加重碰摩。

Images