CN102095560B - 基于噪声测试的机械故障判别方法 - Google Patents

Abstract

本发明属于应用噪声信号进行状态监测与故障诊断的领域，如汽车、船舶、工程机械、机车、发电机等，特别适合于无法安装各种传感器的复杂机械设备，基于噪声测试的机械故障判别系统及方法，系统由高频麦克风、声卡、PC机、伸缩支架组成，高频麦克风固定在伸缩支架上并与声卡连接，高频麦克风采样频率应满足Nyquist定理的要求，声卡连接到PC机，本方法基于能量带提取和分形算法相结合，对机械运行时的噪声信号进行采集和运算处理来测试机械故障，系统设置简单，降低了经济成本，操作上提高了安全性和故障判别的精确性。

Description

基于噪声测试的机械故障判别方法

技术领域

本发明属于应用噪声信号进行状态监测与故障诊断的领域，如汽车、船舶、工程机械、机车、发电机等，特别适合于无法安装各种传感器的复杂机械设备。

背景技术

针对运转机械进行的机械状态监测与故障诊断技术研究已有较为悠久的历史。利用振动信号作为主要测试分析手段在内燃机上的应用在20年前就开始了，并已经完成了一系列重要的基于振动信号的内燃机测试研究，而相对基于声信号的内燃机测试分析未能引起足够的重视。这主要是因为人们认为通过空气传播的机器声音信号中含有噪声信号，并极其复杂，而避免信号被噪声污染是比较困难的。

尽管如此，利用内燃机的噪声信号进行故障诊断仍有着巨大的吸引力。首先，噪声采集可以距机器表面一定距离进行，是非接触式测量，提供了安全保障，易于实现离机、无损、非接触检测，避免了价格昂贵的耐高温耐高压振动采集设备，测试方便易行，对测试场所基本没有特殊要求；其次，已有研究结果指出：噪声测试结果较表面振动对物理变化更为敏感，即使是极其微小的振动信号的变化，也可以从采集的噪声信号中得到其特性。以上这些特征，有力地推动了利用声信号进行各种研究的技术的发展。

发明内容

基于噪声测试的机械故障判别方法，是基于能量带提取和分形算法相结合，对机械运行时的噪声信号进行采集和运算处理来测试机械故障，测试步骤如下：

a.对机械运转相对平稳时产生的噪声进行采样：

对机械运转相对平稳时产生的噪声进行采样，测试环境应设置在背景噪声小、无共振、无反射、无混响外界干扰的环境中，测试点选择信号稳定、信噪比高、对故障敏感的位置，测试距离要保证测量的最佳声能辐射方向和声能的最小测量前衰减；满足声信号有效长度公式的要求，采样频率应满足Nyquist定理的要求，可适当提高采样频率，以得到更多的机械运转状态信息；对于运转比较平稳，不同工作循环差别不是很大的机械可以适当缩短测试时间；对于运转比较粗暴，工作循环差别比较大的机械应尽可能延长测试时间；在机械刚刚启动时不宜立即采集噪声信号，当机械运行一段时间，整个机械运转相对平稳后再进行测试。

b.对采集的数据进行预处理，包括以下步骤：

b1.基小波参数的优化，Morlet小波定义式为：ψ(t)＝exp(-β²t²/2)cos(πt)，β是控制Morlet基小波形状的唯一参数，β越大，波形衰减越快，直至逼近一个脉冲信号，同时也使基小波的频率分辨率越高，反之亦然，调整β的实质是对信号时域与频域的分辨率进行折中。由于最小小波熵对应的基小波就是与特征成分最匹配的小波，因此，在一定范围内变化β，选择使得信号小波熵最小的β作为最优值；

b2.阈值函数的确定，利用一种改进的阈值函数，表达式如下：

${\hat{w}}_{j,k}=\mathrm{\&eta;}(w_{j,k},{\mathrm{\&delta;}}_j)=\left\{\begin{array}{cc}{\mathrm{\&beta;}}_j(w_{j,k}-\mathrm{sgn}\left(w_{j,k}\right){\mathrm{\&delta;}}_j),& \left(\right|w_{j,k}|\&GreaterEqual;{\mathrm{\&delta;}}_j)\\ 0,& \left(\right|w_{j,k}|<{\mathrm{\&delta;}}_j)\end{array}\right.$

式中，sgn(w_j，k)为符号函数，w_j，k为小波变换系数，β_j为折中系数， ${\mathrm{\&beta;}}_j=\underset{j}{\max }\left(\right|w_{j,k}\left|\right)/(\underset{j}{\max }\left(\right|w_{j,k}\left|\right)-{\mathrm{\&delta;}}_j),$ δ_j为阈值， ${\mathrm{\&delta;}}_j={\mathrm{\&sigma;}}_j\sqrt{2\ln \left(N_j\right)}(1-2^{-j}),$ N_j为小波尺度j的小波系数长，σ_j为小波尺度j层噪声的标准方差；

b3.分解层数N₀的确定，在对信号进行降噪处理时，分解层数N₀的确定比较重要，过大的N₀势必导致计算量的增大，影响进一步的分析；当N₀比较小时，虽然会减小计算量，易于实现，但最终的消噪效果并不会很理想，因此，分解层数N₀的确定是计算效率与消噪效果的折中考虑；

b4.利用步骤b1中的基函数对信号S₀进行N₀层小波包分解；

b5.对每一个小波包分解系数，选择由步骤b2确定的阈值对系数进行阈值量化处理；

b6.重构第N₀层的小波包分解系数和经过量化处理的系数，获得降噪后的信号S₁。

c.信号故障特征提取，按照以下步骤进行：

c1.时域统计分析，对噪声信号S₁进行时域参数统计分析，如均值、方差、偏度、峭度，观察各个时域参数对噪声信号的敏感程度，找出对不同工况噪声信号敏感程度最高的时域参数P₀；

c2.频域分析，对噪声信号S₁进行频域内的统计分析，如：FFT分析，PSD分析，观察噪声信号在频域内能量的分布情况，在不同工况下能量分布是否存在明显的差别，能量波动是集中于某一频率点附近还是分散于某一频率带内；

c3.确定分解层数N₁，由步骤c2的分析结果确定小波包分解层数N₁的大小，使小波包节点的频带包含步骤c2中的能量波动频带；

c4.根据噪声信号特点，并结合步骤c1和c2的分析结果确定基小波；

c5.利用步骤c4中的基小波，对噪声信号S₁做N₁层小波包分解，得到各个节点系数向量T₁，T₂，…，

c6.由节点系数向量T₁，T₂，…，

提取各个节点的能量向量E₁，E₂，…，

c7.做不同工况下各个节点能量向量的柱状图，对比观察各节点的故障状态能量向量相对于正常状态能量向量的波动情况，得到故障状态时能量明显增加的节点即为故障特征节点，转步骤c9，如果部分节点能量太小而不能观察其能量波动时，转步骤c8；

c8.设故障状态时某节点能量向量为B，正常状态时某节点能量向量为A，则定义增长比例Δ为

由各个节点的增长比例做节点能量增长比例柱状图，由此可以清晰判断各个节点能量的波动情况，则能量增长比例为正值，且增长比例较大的即为故障特征节点；

c9.由步骤c7或c8的结果决定连续小波变换的尺度范围及其步长；

c10.利用步骤c4中的基小波和步骤c9中的尺度范围，对噪声信号S₁做连续小波变换，得到各个尺度下的连续小波变换系数向量C₁，C₂，…，C_n，其中n为尺度个数；

c11.由连续小波变换系数向量C₁，C₂，…，C_n提取各个尺度下的能量向量e₁，e₂，…，e_n；

c12.做不同工况下各个尺度对应的能量曲线图，观察噪声信号在不同尺度下的能量波动情况，能量明显增加的尺度区间即为故障特征尺度区间，如果部分尺度范围内的能量过小不能直接观察其波动情况，利用步骤c8原理，提取各个尺度下的能量增长比例，得到故障特征尺度区间；

c13.由步骤c12的分析结果确定连续小波变换的尺度范围及其步长；

c14.利用步骤c4中的基小波和步骤c13中的尺度范围，对噪声信号S₁做连续小波变换，得到各个尺度下的连续小波变换系数向量V₁，V₂，…，V_n，其中n为尺度个数；

c15.对连续小波变换系数向量V₁，V₂，…，V_n做步骤c1中的参数P₀统计，得到各个尺度下连续小波变换系数的P₀统计向量α₁，α₂，…，α_n；

c16.做不同工况下尺度对应的P₀统计向量图，得到对不同工况具有明显区分能力的故障特征尺度区间；

c17.根据尺度与频率对应关系，确定故障特征尺度区间所对应的频率范围；

c18.由步骤c17及小波包节点频率分布规律确定小波包分解层数N₂；

c19.由步骤c17和c18共同确定故障特征尺度区间所对应的小波包节点T₁，T₂，…，T_i，(i≥1)；

c20.利用步骤c4中的基小波对噪声信号S₁做N₂层小波包分解；

c21.保留步骤c19中的小波包节点T₁，T₂，…，T_i系数，将其它节点系数置零；

c22.重构小波包节点系数，得到噪声信号特征组分S₂。

d.特征组分的分形分析，包括以下步骤：

d1.用伪相图法观察特征组分S₂的发散性；

d2.用自相关函数法做特征组分S₂的自相关函数图，得到关联函数值第一次为0时所对应的延迟时间τ，并结合步骤1的结果，综合确定延迟时间τ₀；

d3.嵌入维数m₀的确定，采用系统特征饱和法来确定嵌入维数m₀，即逐渐增大嵌入维数m，观察关联维数是否达到饱和；

d4.样本数量的选取。依次增大样本数量的大小，通过观察关联积分曲线的收敛性来确定样本数量的大小；

d5.计算不同工况下特征组分的关联维数，得到特征组分的分形特征，判别不同类型的机械工作状态。

本发明在噪声信号获取时，不需要安装任何传感器，仅需要利用高频麦克风采集机械表面一定距离处机械在不同工况下运转时的噪声信号，系统设置简单，降低了经济成本，操作上提高了安全性和故障判别的精确性；本发明对于各种类型机械故障的判别均适用，例如轴承故障判别、齿轮故障判别、变速箱故障判别、油路故障判别等，应用范围非常广泛；本发明首先提取了噪声信号的特征成分，实现了噪声信号的定性分析，在此基础上对特征成分进行分形分析，达到了定量分析的目的，使得故障判别简单、直观、易行、定量化。

附图说明

图1是本发明的系统结构示意图；

图2是本发明的故障特征提取的流程示意图；

其中，1——高频麦克风、2——声卡、3——PC机、4——伸缩支架。

下面结合具体实施例和说明书附图对本发明作进一步说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

具体实施例：

在全封闭、精密级的半自由声场消声试验室中，距离第一缸正面10cm的位置处，利用高频麦克风采集4135机组的噪声信号。根据柴油机噪声信号特点，采样频率定为22.05kHz，在不同转速下设置不同的气门间隙故障采集信号，采样时间长度为2s。

根据参数优化法优化Morlet小波参数，并由阈值函数求出其阈值，对信号做四层小波包分解，量化处理后重构系数，得到降噪信号S₁。

在时域内对降噪信号S₁进行统计分析，得到最敏感参数为峭度参数。再对S₁做FFT和PSD分析，观察噪声信号的时域特点。利用db4小波对信号S₁做四层小波层分解，计算各个节点向量，并观察其能量波动情况，找出故障特征节点。由此故障特征节点的特点，确定连续小波变换的尺度范围及其步长，利用db4小波对信号做连续小波变换，得到各个尺度下的能量向量并观察其波动情况，得到故障特征尺度区间，由此特征尺度区间确定连续小波变换的尺度范围及其步长，对信号做连续小波变换得到各个尺度下的系数向量，对各个系数向量做峭度分析，绘制尺度-峭度曲线，得到特征尺度区间，由尺度与频率的对应关系，确定特征尺度区间的频率范围，由此可以确定特征尺度区间所对应的四层小波包分解时的特征节点，对信号S₁做四层小波包分解，将特征节点系数保留，其它节点系数置零，重构节点系数，得到噪声信号特征组分S₂。

利用伪相图法并结合自相关函数法，确定延迟时间τ₀，再利用系统特征饱和法确定嵌入维数m₀，观察关联积分曲线的收敛性确定样本数量的大小。由以上参数求取不同工况下特征组分的关联维数，得到特征组分的分形特征。

本发明与传统的故障判别方法相比有如下优点：

现有的振动故障判别方法都需要安装各种传感器采集多路信号，安装拆卸比较麻烦，同时，在一些关键部位，根本无法安装各种传感器。这些都大大降低了基于振动信号的故障判别方法的经济性、实用性和可操作性，限制了振动故障判别方法的发展。利用本发明，只需要在机械表面一定距离处采集噪声信号而已，提供了安全保证，降低了经济成本，提高了故障判别的精确性；现有的故障判别方法只是单从特征提取角度实现定性分析或从分形角度实现定量分析，并没有有效结合二者的优越性。本发明首先提取了噪声信号的特征成分，实现了噪声信号的定性分析，在此基础上对特征成分进行分形分析，达到了定量分析的目的，使得故障判别简单、直观、易行、定量化。

Claims (1)

1.基于噪声测试的机械故障判别方法，其特征在于所述方法基于能量带提取和分形算法相结合，对机械运行时的噪声信号进行采集和运算处理来测试机械故障，具体包括以下步骤：

a.对机械运转相对平稳时产生的噪声进行采样，测试环境应设置在背景噪声小、无共振、无反射、无混响外界干扰的环境中，测试点选择信号稳定、信噪比高、对故障敏感的位置，测试距离要保证测量的最佳声能辐射方向和声能的最小测量前衰减，满足声信号有效长度公式的要求，采样频率应满足Nyquist定理的要求；

b.对采集的数据进行预处理，包括以下步骤：

b1.基小波参数的优化，Morlet小波定义式为：ψ(t)＝exp(-β²t²/2)cos(πt)，β是控制Morlet基小波形状的唯一参数，β越大，波形衰减越快，直至逼近一个脉冲信号，同时也使基小波的频率分辨率越高，反之亦然，调整β的实质是对信号时域与频域的分辨率进行折中，由于最小小波熵对应的基小波就是与特征成分最匹配的小波，因此，在一定范围内变化β，选择使得信号小波熵最小的β作为最优值；

b2.阈值函数的确定，利用一种改进的阈值函数，表达式如下：

式中，sgn(w_j，k)为符号函数，w_j，k为小波变换系数，β_j为折中系数， 

δ_j为阈值，

N_j为小波尺度j的小波系数长，σ_j为小波尺度j层噪声的标准方差；

b3.分解层数N₀的确定，在对信号进行降噪处理时，分解层数N₀的确定比较 重要，过大的N₀势必导致计算量的增大，影响进一步的分析；当N₀比较小时，虽然会减小计算量，易于实现，但最终的消噪效果并不会很理想，因此，分解层数N₀的确定是计算效率与消噪效果的折中考虑；

b4.利用b1中的基函数对信号S₀进行N₀层小波包分解；

b5.对每一个小波包分解系数，选择由步骤b2确定的阈值对系数进行阈值量化处理；

b6.重构第N₀层的小波包分解系数和经过量化处理的系数，获得降噪后的信号S₁；

c.信号故障特征提取，包括以下步骤：

c1.时域统计分析，对噪声信号S₁进行时域参数统计分析，计算均值、方差、偏度、峭度，观察各个时域参数对噪声信号的敏感程度，找出对不同工况噪声信号敏感程度最高的时域参数P₀；

c2.频域分析，对噪声信号S₁进行频域内FFT分析，PSD分析，观察噪声信号在频域内能量的分布情况，在不同工况下能量分布是否存在明显的差别，能量波动是集中于某一频率点附近还是分散于某一频率带内；

c3.确定分解层数N₁，由c2的分析结果确定小波包分解层数N₁的大小，使小波包节点的频带包含步骤c2中的能量波动频带；

c4.根据噪声信号特点，并结合步骤c1和c2的分析结果确定基小波；

c5.利用步骤c4中的基小波，对噪声信号S₁做N₁层小波包分解，得到各个节点系数向量T₁，T₂，…， 

c6.由节点系数向量T₁，T₂，…， 

提取各个节点的能量向量E₁，E₂，…， 

c7.做不同工况下各个节点能量向量的柱状图，对比观察各节点的故障状态能 量向量相对于正常状态能量向量的波动情况，得到故障状态时能量明显增加的节点即为故障特征节点，转步骤c9，如果部分节点能量太小而不能观察其能量波动时，转步骤c8；

c8.设故障状态时某节点能量向量为B，正常状态时某节点能量向量为A，则定义增长比例Δ为 

由各个节点的增长比例做节点能量增长比例柱状图，由此可以清晰判断各个节点能量的波动情况，则能量增长比例为正值，且增长比例较大的即为故障特征节点；

c9.由c7或c8的结果决定连续小波变换的尺度范围及其步长；

c10.利用步骤c4中的基小波和步骤c9中的尺度范围，对噪声信号S₁做连续小波变换，得到各个尺度下的连续小波变换系数向量C₁，C₂，…，C_n，其中n为尺度个数；

c11.由连续小波变换系数向量C₁，C₂，…，C_n提取各个尺度下的能量向量e₁，e₂，…，e_n；

c12.做不同工况下各个尺度对应的能量曲线图，观察噪声信号在不同尺度下的能量波动情况，能量明显增加的尺度区间即为故障特征尺度区间，如果部分尺度范围内的能量过小不能直接观察其波动情况，利用步骤c8原理，提取各个尺度下的能量增长比例，得到故障特征尺度区间；

c13.由步骤c12的分析结果确定连续小波变换的尺度范围及其步长；

c14.利用步骤c4中的基小波和步骤c13中的尺度范围，对噪声信号S₁做连续小波变换，得到各个尺度下的连续小波变换系数向量V₁，V₂，…，V_n，其中n为尺度个数；

c15.对连续小波变换系数向量V₁，V₂，…，V_n做步骤c1中的参数P₀统计，得到各个尺度下连续小波变换系数的P₀统计向量α₁，α₂，…，α_n； 

c16.做不同工况下尺度对应的P₀统计向量图，得到对不同工况具有明显区分能力的故障特征尺度区间；

c17.根据尺度与频率对应关系，确定故障特征尺度区间所对应的频率范围；

c18.由步骤c17及小波包节点频率分布规律确定小波包分解层数N₂；

c19.由步骤c17和c18共同确定故障特征尺度区间所对应的小波包节点T₁，T₂，…，T_i，(i≥1)；

c20.利用步骤c4中的基小波对噪声信号S₁做N₂层小波包分解；

c21.保留步骤c19中的小波包节点T₁，T₂，…，T_i系数，将其它节点系数置零；

c22.重构小波包节点系数，得到噪声信号特征组分S₂；

d.特征组分的分形分析，包括以下步骤：

d1.用伪相图法观察特征组分S₂的发散性；

d2.用自相关函数法做特征组分S₂的自相关函数图，得到关联函数值第一次为0时所对应的延迟时间τ，并结合步骤d1的结果，综合确定延迟时间τ₀；

d3.嵌入维数m₀的确定，采用系统特征饱和法来确定嵌入维数m₀，即逐渐增大嵌入维数m，观察关联维数是否达到饱和；

d4.样本数量的选取，依次增大样本数量的大小，通过观察关联积分曲线的收敛性来确定样本数量的大小；

d5.计算不同工况下特征组分的关联维数，得到特征组分的分形特征，判别不同类型的机械工作状态。 

Images