CN104568132A - 一种基于参考信号约束的机械特征声信号频域半盲提取方法 - Google Patents

Abstract

本发明涉及一种基于参考信号约束的机械特征声信号频域半盲提取方法，属于机械设备运行维护技术领域。本发明首先基于全局优化能力较强的动态粒子群算法构建针对故障信号特征的多尺度形态学滤波器，最大程度削弱背景噪声干扰；结合机械零部件结构参数构建参考信号，进而通过单元参考信号约束半盲提取方法逐段进行复分量盲分离；接着利用复分量间改进KL距离解决次序不确定性问题，得到分离还原的源信号，最终实现机械故障特征信号提取与分离。与振动监测需要在机械设备表面安装传感器不同，声学监测只需在设备周围摆放1-2个传声器，即可从拾取到的机械声信号中提取故障特征信号，进而进行故障源定位。

Description

一种基于参考信号约束的机械特征声信号频域半盲提取方法

技术领域

本发明涉及一种基于参考信号约束的机械特征声信号频域半盲提取方法，通过构造参考信号分离、提取机械故障特征信息，属于机械设备运行维护技术领域。

背景技术

机械设备中，振动是声信号产生的根源，而声信号是振动信号传播的延续，两者是相互统一的整体。当机械系统如滚动轴承或齿轮出现故障时，其特征信号常常会出现明显的冲击成分，同时声学特性亦会发生改变，从而蕴含设备状态信息。声信号测试同时具有非接触测量、测试方式简便、在线测试和无附着物影响等诸多优点，尤其适用于工业现场状态监测与故障诊断。然而实际声场环境复杂多变，待识别信号(故障源信号)常与其他各种干扰信号或噪声相互混杂，无法被有效辨识。因此，为了准确的提取机械故障特征，需要将这些干扰或噪声抑制或排除，随后根据故障征兆识别故障原因。

机械设备状态监测与故障诊断中所感关注的往往是包含零部件故障特征频率的低频包络周期信号，因此可事先查询零部件结构参数，通过提取诸如转轴转动的基频信号，转子不平衡时产生的基频谐波、轴承及齿轮的故障特征频率等先验知识构造出理论上的参考信号，对盲分离算法求取的目标函数作一定的约束，进而实现对特征信号进行更为有目的提取。

发明内容

本发明提供了一种基于参考信号约束的机械特征声信号频域半盲提取方法，可在不适合进行振动监测且诊断人员对所监测设备零部件参数有一定了解的情况下，利用机械声信号代替振动信号进行故障特征提取及诊断。

本发明基于参考信号约束的机械特征声信号频域半盲提取方法是这样实现的：首先基于全局优化能力较强的动态粒子群算法构建针对故障信号特征的多尺度形态学滤波器，最大程度削弱背景噪声干扰；结合机械零部件结构参数构建参考信号，进而通过单元参考信号约束半盲提取方法逐段进行复分量盲分离；接着利用复分量间改进KL距离解决次序不确定性问题，最终实现机械故障特征信号提取与分离，进而分析分离信号的包络解调谱。由此便可根据已知的机械设备零部件信息便可判断故障有无及故障源所在。

所述基于参考信号约束的机械特征声信号频域半盲提取方法的具体步骤如下：

Step1、初始化零部件结构参数，根据结构参数计算特征频率，构造参考信号r(t)，对传声器所接收到的声音观测信号x(t)进行中心化及白化处理，去除信号间相关性；

Step2、利用改进多尺度形态滤波器对观测信号x(t)进行噪声抑制，用于最大程度的削弱背景噪声干扰，得到滤波后的时域观测信号

Step3、使用加窗STFT将时域观测信号及参考信号r(t)转换到频域中，得到其在频域的表现形式X(ω,t)、R(ω,t)，具体公式为 $X(\mathrm{\ω},t)={\mathrm{\Σ}}_{K=0}^{K-1}{x}_i(t+k)w\left(k\right)e^{-\mathrm{j\ωk}/K},$

$R(\mathrm{\ω},t)={\mathrm{\Σ}}_{K=0}^{K-1}{r}_i(t+k)w\left(k\right)e^{-\mathrm{j\ωk}/K};$

其中，ω为频率单位，t为时间单位，k为时间延迟；

Step4、利用单元参考信号约束半盲提取方法提取复数域估计信号，其通过将观测信号x(t)与参考信号r(t)做相似性度量，进而提取1-2个估计信号；

Step5、利用单元参考信号约束半盲提取方法，使用复分量间改进KL距离进行相似度测量，对X(ω,t)进行复数盲提取，得到与参考信号R(ω,t)相似度最高的各频段复值估计信号Y(ω,t)；

Step6、通过加窗ISTFT将信号转换回时域，最终得到时域估计信号Y(t)，求解估计信号的包络解调谱，对特征频率进行分析，进而进行故障源定位。

所述步骤Step4中，具体步骤为：

Step4.1、对观测信号x(t)进行中心化及白化处理；

Step4.2、根据信号峭度系数选取惩罚因子γ及拉格朗日乘子初始值μ；

Step4.3、归一化随机初始化向量w₀；

Step4.4、计算ρ＝E{G(y)}-E{G(v)}；

Step4.5、根据式w_k+1＝w_k-ηL_wk′/δ(w_k)更新分离向量w^* _k+1,k＝0,1,2...,n；

Step4.6、迭代得μ_k+1←max{0,μ_k+γg(w_k)},k＝0,1,2...,n；

Step4.7、归一化权向量w_k+1←w_k+1 ⁺/||w_k+1 ⁺||,k＝0,1,2...,n，待w_k+1收敛时结束，否则返回step4.4继续迭代；

其中，μ为拉格朗日乘子，γ为尺度惩罚参数，η为学习率，k为迭代次数，w为目标向量，R_xx为混合信号的协方差矩阵，G_y'，和分别表示G_y与g_y(w_k)的一阶导和二阶导。

其中，使用加窗STFT将时域观测信号及参考信号r(t)转换到频域中的具体公式 $X(\mathrm{\ω},t)={\mathrm{\Σ}}_{K=0}^{K-1}{x}_i(t+k)w\left(k\right)e^{-\mathrm{j\ωk}/K},R(\mathrm{\ω},t)={\mathrm{\Σ}}_{K=0}^{K-1}{r}_i(t+k)w\left(k\right)e^{-\mathrm{j\ωk}/K},$ 为本领域常规技术手段，都是通过stft转换到频域，Step4的具体步骤Step4.1到Step4.7中用到的公式都是现有技术中用到的公式。

本发明的有益效果是：声信号测试同时具有非接触测量、测试方式简便、在线测试和无附着物影响等诸多优点，尤其适用于工业现场状态监测与故障诊断。结合本发明提出的基于参考信号约束的机械故障声信号半盲提取方法，可以最大程度削弱背景噪声干扰，凸显特征信号特征，进而实现机械故障的有效精确提取。

附图说明

图1本发明实施例1中旋转机械故障模拟实验台及传声器位置图；

图2本发明所述方法中的动态粒子群算法流程图；

图3本发明所述方法中的改进多尺度形态滤波算法流程图；

图4本发明所述方法中利用复分量间KL距离进行相似度测量的聚类散点图；

图5本发明实施例1旋转机械故障模拟实验台运行时传声器拾取声信号的时域波形；

图6本发明实施例1旋转机械故障模拟实验台运行时传声器拾取声信号的对应幅值谱；

图7本发明实施例1通过所述方法最终提取特征信息的包络谱；

图8本发明整体步骤流程图。

图1中，1-控制箱、2-试验台、3-传声器I、4-传动轴、5-轴承座、6-故障轴承、7-传声器II、8-传声器III、9-电动机。

具体实施方式

以下结合实施例和附图对本发明作进一步阐述，但本发明的保护内容不限于所述范围。

实施例1：如图1-8所示，一种基于参考信号约束的机械特征声信号频域半盲提取方法，所述基于参考信号约束的机械特征声信号频域半盲提取方法的具体步骤如下：

Step1、初始化零部件结构参数，根据结构参数计算特征频率，构造参考信号r(t)，对传声器所接收到的声音观测信号x(t)进行中心化及白化处理，去除信号间相关性；

Step2、利用改进多尺度形态滤波器对观测信号x(t)进行噪声抑制，用于最大程度的削弱背景噪声干扰，得到滤波后的时域观测信号

Step3、使用加窗STFT将时域观测信号及参考信号r(t)转换到频域中，得到其在频域的表现形式X(ω,t)、R(ω,t)，具体公式为 $X(\mathrm{\ω},t)={\mathrm{\Σ}}_{K=0}^{K-1}{x}_i(t+k)w\left(k\right)e^{-\mathrm{j\ωk}/K},$

$R(\mathrm{\ω},t)={\mathrm{\Σ}}_{K=0}^{K-1}{r}_i(t+k)w\left(k\right)e^{-\mathrm{j\ωk}/K};$

其中，ω为频率单位，t为时间单位，k为时间延迟；

Step4、利用单元参考信号约束半盲提取方法提取复数域估计信号，其通过将观测信号x(t)与参考信号r(t)做相似性度量，进而提取1-2个估计信号；

Step5、利用单元参考信号约束半盲提取方法，使用复分量间改进KL距离进行相似度测量，对X(ω,t)进行复数盲提取，得到与参考信号R(ω,t)相似度最高的各频段复值估计信号Y(ω,t)；

Step6、通过加窗ISTFT将信号转换回时域，最终得到时域估计信号Y(t)，求解估计信号的包络解调谱，对特征频率进行分析，进而进行故障源定位。

所述步骤Step4中，具体步骤为：

Step4.1、对观测信号x(t)进行中心化及白化处理；

Step4.2、根据信号峭度系数选取惩罚因子γ及拉格朗日乘子初始值μ；

Step4.3、归一化随机初始化向量w₀；

Step4.4、计算ρ＝E{G(y)}-E{G(v)}；

Step4.5、根据式w_k+1＝w_k-ηL_wk′/δ(w_k)更新分离向量w^* _k+1,k＝0,1,2...,n；

Step4.6、迭代得μ_k+1←max{0,μ_k+γg(w_k)},k＝0,1,2...,n；

Step4.7、归一化权向量w_k+1←w_k+1 ⁺/||w_k+1 ⁺||,k＝0,1,2...,n，待w_k+1收敛时结束，否则返回step4.4继续迭代；

其中，μ为拉格朗日乘子，γ为尺度惩罚参数，η为学习率，k为迭代次数，w为目标向量，R_xx为混合信号的协方差矩阵，G_y'，和分别表示G_y与g_y(w_k)的一阶导和二阶导。

实施例2：如图1-8所示，一种基于参考信号约束的机械特征声信号频域半盲提取方法，本实施例与实施例1相同，不同之处在于，本实施例以实际声场中某旋转试验台中滚动轴承故障声学提取实验为实施实例：

图1表示两个传声器和试验台的位置关系，控制箱1与电动机9通过电线相连接，电动机9与传动轴4相连接，故障轴承6安装在轴承座5内，通过传动轴4带动进行转动。传声器I 3、传声器II 7、传声器III 8距地面高度均为1m，其中传声器I 3与传声器II 7互呈90°，传声器III 8垂直试验台2摆放，传声器I 3、传声器II 7、传声器III 8的探头距离试验台2边缘的直线距离分别为0.64m、1.81m及1.5m，为尽量贴近现实工况环境，并未采用“抵近测量”原则及吸音板等辅助材料。故障轴承相关参数为：节圆直径D＝39mm，滚动体直径d＝7.5mm，滚动体数目Z＝12，接触角α＝0。轴承内圈主轴旋转，外圈固定。转速为800r/min，即旋转频率f_r为13.33Hz时，计算可得轴承外圈故障特征频率为64.61Hz。

图2为改进多尺度形态滤波算法流程图，该算法将经过均值化处理后的观测信号中相邻峰值间隔的最大值和最小值通过动态粒子群算法进行极值寻优，从而确定结构元素的长度；随后根据信号峰值的最大值和最小值确定高度范围；最后，将相应的结构元素尺寸分别代入形态滤波器的半圆形和三角型结构公式。

图3为动态粒子群算法流程图，采用动态粒子群算法对滤波器集合进行寻优，使用y(n)对观测信号x(t)进行滤波处理，从而得到去除背景噪声后的信号。

图4为用改进KL距离对18组复分量进行相似度聚类计算的聚类散点图，从图中可以看出，利用改进KL距离求解的距离聚类散点线性程度较佳。

图5是实验台运行时传声器拾取到信号的时间波形及对应幅值谱。由于整个系统零部件较多，运行时各种声信号间相互干扰，同时受到墙壁及地面的反射作用，致使轴承故障弱冲击信号被完全淹没在高斯噪声及周期信号等干扰之中，直接对其进行频谱分析难以得到准确的故障特征信息。

图6是经本发明算法处理后的估计信号包络谱。利用参考信号约束频域半盲提取方法对原始声信号进行处理，其中STFT分帧长度设置为512，加汉宁窗，窗长512，窗口移动长度64；分别选用三角型和半圆型结构元素，利用动态粒子群算法构建多尺度形态滤波对观测信号进行背景降噪。算法提取结果如图6所示，从图中可以看出，利用光标对提取分离信号的包络谱数据进行读数，可明显发现65Hz、130Hz、195Hz三条能量谱线，通过对比轴承故障特征频率可知，其与外圈特征(64.7Hz及其倍频)大致吻合。

由此，可判断故障所在，拆解轴承后发现轴承外圈出现裂纹故障，与本发明提出声学方法分析的结果相吻合。声信号测试同时具有非接触测量、测试方式简便、在线测试和无附着物影响等诸多优点，尤其适用于工业现场状态监测与故障诊断。结合本发明提出的基于参考信号约束的机械故障声信号半盲提取方法，可以最大程度削弱背景噪声干扰，凸显特征信号特征，进而实现机械故障的有效精确提取。

本发明通过具体实施过程进行说明的，在不脱离本发明范围的情况下，还可以对本发明专利进行各种变换及等同代替，因此，本发明专利不局限于所公开的具体实施过程，而应当包括落入本发明专利权利要求范围内的全部实施方案。

Claims (2)

1.一种基于参考信号约束的机械特征声信号频域半盲提取方法，其特征在于：所述基于参考信号约束的机械特征声信号频域半盲提取方法的具体步骤如下：

Step1、初始化零部件结构参数，根据结构参数计算特征频率，构造参考信号r(t)，对传声器所接收到的声音观测信号x(t)进行中心化及白化处理，去除信号间相关性；

Step2、利用改进多尺度形态滤波器对观测信号x(t)进行噪声抑制，用于最大程度的削弱背景噪声干扰，得到滤波后的时域观测信号

Step3、使用加窗STFT将时域观测信号及参考信号r(t)转换到频域中，得到其在频域的表现形式X(ω,t)、R(ω,t)，具体公式为 $R(\mathrm{\ω},t)={\mathrm{\Σ}}_{K=0}^{K-1}{r}_i(t+k)w\left(k\right)e^{-\mathrm{j\ωk}/K};$

其中，ω为频率单位，t为时间单位，k为时间延迟；

Step4、利用单元参考信号约束半盲提取方法提取复数域估计信号，其通过将观测信号x(t)与参考信号r(t)做相似性度量，进而提取1-2个估计信号；

Step5、利用单元参考信号约束半盲提取方法，使用复分量间改进KL距离进行相似度测量，对X(ω,t)进行复数盲提取，得到与参考信号R(ω,t)相似度最高的各频段复值估计信号Y(ω,t)；

Step6、通过加窗ISTFT将信号转换回时域，最终得到时域估计信号Y(t)，求解估计信号的包络解调谱，对特征频率进行分析，进而进行故障源定位。

2.根据权利要求1所述的基于参考信号约束的机械特征声信号频域半盲提取方法，其特征在于：所述步骤Step4中，具体步骤为：

Step4.1、对观测信号x(t)进行中心化及白化处理；

Step4.2、根据信号峭度系数选取惩罚因子γ及拉格朗日乘子初始值μ；

Step4.3、归一化随机初始化向量w₀；

Step4.4、计算ρ＝E{G(y)}-E{G(v)}；

Step4.5、根据式w_k+1＝w_k-ηL^wk′/δ(w_k)更新分离向量w^* _k+1,k＝0,1,2...,n；

Step4.6、迭代得μ_k+1←max{0,μ_k+γg(w_k)},k＝0,1,2...,n；

Step4.7、归一化权向量w_k+1←w_k+1 ⁺/‖w_k+1 ⁺‖,k＝0,1,2...,n，待w_k+1收敛时结束，否则返回step4.4继续迭代；

其中，μ为拉格朗日乘子，γ为尺度惩罚参数，η为学习率，k为迭代次数，w为目标向量，R_xx为混合信号的协方差矩阵，G_y'，和分别表示G_y与g_y(w_k)的一阶导和二阶导。