CN105889052A - 用于泥浆泵故障诊断的噪声分离方法 - Google Patents

Abstract

一种用于泥浆泵故障诊断的噪声分离方法，涉及噪声分离方法，特别涉及泥浆泵的噪声分离方法。包括以下步骤：A、在泥浆泵上设置若干传感器；B、采集各传感器收集的声频信号进行处理后将处理的数据传送至处理器，处理器将各传感器的声频信号分别进行处理，该处理是根据各传感器之间的距离因素进行处理；C、处理器将处理后各传感器的声频信号进行综合，分离干扰信号。本发明就传感器的数据进行融合运算，可以很好地分离出各个液缸的噪声信号。

Description

用于泥浆泵故障诊断的噪声分离方法

技术领域

本发明涉及噪声分离方法，特别涉及泥浆泵的噪声分离方法。

背景技术

机械设备在运行过程中伴随着振动会有机械噪声产生，这实际上是机械振动引起周围空气介质振荡的结果，这些机械噪声包括丰富的机械设备的运行的姿态信息，同时也包含着设备运行的故障信息，可以通过机械噪声对设备进行故障诊断。

传统的基于声信号的噪声诊断方法有：通过人的听觉系统主管的判断生源的位置与频率，粗估设备是否运行正常；或者借助于传声器-放大器—声级计对机器进行近场扫描测量和表面振速分析，用来寻找机器的噪声源和主要发声设备，近年来主要通过频谱分析进行精密诊断，通过声探头法来识别噪声源，由于声学故障诊断技术具有非接触测量，简便易行，在线测量和不需要在设备上增加质量而影响设备的运行等优点，引起了人们的关注。

在噪声测量过程中往往是多台机械设备同时放置在一个空间，各自发出不同的噪声信号。临近机器或其它不相干部件辐射的噪声往往比较强，有时干扰噪声甚至大于监测源本身，使得待监测信号严重淹没在混合噪声中。这些噪声信号瞬时混叠使传感器检测得到的信号是多个噪声源叠加的结果，影响了故障诊断的准确性和可靠性。要根据噪声对机器设备进行监测与故障诊断，首先要将待检测设备产生的噪声与其它噪声分开。

在泥浆泵中，液力端多个液缸同时运行，各个液缸都发出噪声，而且液力端各个液缸的距离很近，液力端液缸发出的噪声信号对需要测量的液力端液缸的实际噪声影响非常大。很难通过传感器数据直接判断液缸的运行状态。

发明内容

本发明的目的在于提供一种可滤除干扰噪声的用于泥浆泵故障诊断的噪声分离方法。

本发明的目的可以这样实现，设计一种用于泥浆泵故障诊断的噪声分离方法，包括以下步骤：

A、在泥浆泵上设置若干传感器；

B、采集各传感器收集的声频信号进行处理后将处理的数据传送至处理器，处理器将各传感器的声频信号分别进行处理，该处理是根据各传感器之间的距离因素进行处理；

C、处理器将处理后各传感器的声频信号进行综合，分离干扰信号。

进一步地，处理器处理数据步骤包括以下内容：

B1、给定输入向量和期望输出；

B2、网络参数设定，包括样本范围设定、各层神经元个数设定、各层传递函数设定、训练函数设定；

B3、权值初始化；

B4、将数据留存提供给网络；

B5、计算中间层各单元输入输出；

B6、计算输出层各单元输入输出；

B7、计算网络误差；

B8、判断误差是否满足要求；

B9、是，则保存网络；否，则权值修正，返回至步骤B4。

进一步地，传感器在泥浆泵上等距设置。

进一步地，泥浆泵有三个液力端液缸，相邻液力端液缸之间等距布置

设置在第一液缸处的传感器采集的数据：S1＝Xn+αY(n-t)+βZ(n-2t)，

设置在第二液缸处的传感器采集的数据：S2＝Yn+αX(n-t)+αZ(n-t)，

设置在第三液缸处的传感器采集的数据：S3＝Zn+αY(n-t)+βX(n-2t)，

式中S为采集的数据，Xn为第一液缸噪声、Yn为第二液缸噪声、Zn为第三液缸噪声。

更进一步地，S1、S2、S3的自相关函数为，

$r_{xx}m=\frac{(1-{\mathrm{\β}}^2)\left(R_{s3}\right(m)-{\mathrm{\α}}^2{R}_{s2}(m\left)\right)-(1-{\mathrm{\α}}^4)\left(R_{s3}\right(m)-R_{s1}(m\left)\right)}{1-{\mathrm{\β}}^4}$

$r_{yy}m=\frac{(1-{\mathrm{\β}}^2)R_{s2}\left(m\right)-{\mathrm{\α}}^2\left(R_{s3}\right(m)-R_{s1}(m\left)\right)}{(1-{\mathrm{\β}}^2)}$

$r_{zz}m=\frac{\left(R_{s3}\right(m)-{\mathrm{\α}}^2{R}_{s2}(m\left)\right)+({\mathrm{\β}}^2-{\mathrm{\α}}^4)\left(R_{s3}\right(m)-R_{s1}(m\left)\right)}{(1-{\mathrm{\β}}^2)({\mathrm{\β}}^2+1-2{\mathrm{\α}}^4)}$ 。

本发明就传感器的数据进行融合运算，可以很好地分离出各个液缸的噪声信号。

附图说明

图1是本发明较佳实施例的数据融合框图；

图2是本发明较佳实施例的数据分离原理图；

图3是本发明较佳实施例的流程图。

具体实施方式

以下结合实施例对本发明作进一步的描述。

一种用于泥浆泵故障诊断的噪声分离方法，包括以下步骤：

A、在泥浆泵上设置若干传感器；

B、采集各传感器收集的声频信号进行处理后将处理的数据传送至处理器，处理器将各传感器的声频信号分别进行处理，该处理是根据各传感器之间的距离因素进行处理；

C、处理器将处理后各传感器的声频信号进行综合，分离干扰信号。

根据声学的基本原理，声波在介质传播过程中，其能量随着传播距离的 增加而逐渐减弱。不同介质、不同传播条件及不同的波型有着不同的衰减规律。声音测量是采用传感器，即机电换能器，把声学量转换成电信号，然后用放大器放大到一定电压，再进行A/D转换，用计算机进行数据处理。传感器检测到的噪声包括所有噪声信号，采用多传感器在不同位置同时测量，得到混叠在一起的多个噪声信号，它们频率不变，但声压(声强度)不同，相关性很强。通过相关性比对分析来分离各个噪声。多传感器系统可以更大程度地获得被探测目标和环境的信息量。即利用多个传感器共同或联合操作的优势，提高传感器系统的有效性，消除单个或少量传感器的局限性。为进行多种噪声分离，本发明采用的方法是：在各个噪声设备处安装多个同种传感器，并对每一个传感器测量的信号先进行分别处理，然后进行综合，滤除干扰噪声，获得所需要的信号。传感器在泥浆泵上等距设置。

如图3所示，处理器处理数据步骤包括以下内容：

B1、给定输入向量和期望输出；

B2、网络参数设定，包括样本范围设定、各层神经元个数设定、各层传递函数设定、训练函数设定；

B3、权值初始化；

B4、将数据留存提供给网络；

B5、计算中间层各单元输入输出；

B6、计算输出层各单元输入输出；

B7、计算网络误差；

B8、判断误差是否满足要求；

B9、是，则保存网络；否，则权值修正，返回至步骤B4。

如图1所示。本实施例，泥浆泵有三个液力端液缸，相邻液力端液缸之间等距布置。第一传感器紧贴第一液力端液缸，第一传感器到第二液力端液缸的距离为r3，第一传感器到第三液力端液缸的距离为r4；而第二传感器紧贴第二液力端液缸，第二传感器与第一液力端液缸的距离为r1，第二传感器到第三液力端液缸的距离为r5；第三传感器紧贴第三液力端液缸，第三传感器到第二液力端液缸的距离为r6，第三传感器到第三液力端液缸的距离为r2； 因为三个传感器分别安装在液力端三个液缸处，第一液力端液缸到第二液力端液缸的距离为A1，第一液力端液缸到第三液力端液缸的距离为2A1，第二液力端液缸到第三液力端液缸的距离为A1；故有：r2＝r4＝2r1＝2r3＝2r5＝2r6；又t＝A/V；设第一液力端液缸、第二液力端液缸、第三液力端液缸的噪声为分别Xn、Yn、Zn，可以得到第一传感器、第二传感器、第三传感器采集的数据分别为：

设置在第一液缸处的传感器采集的数据：S1＝Xn+αY(n-t)+βZ(n-2t)，

设置在第二液缸处的传感器采集的数据：S2＝Yn+αX(n-t)+αZ(n-t)，

设置在第三液缸处的传感器采集的数据：S3＝Zn+αY(n-t)+βX(n-2t)，

式中S为采集的数据，Xn为第一液缸噪声、Yn为第二液缸噪声、Zn为第三液缸噪声。

如图2所示，通过S1、S2、S3之间的计算可以分别得出第一液力端液缸、第二液力端液缸、第三液力端液缸实际的噪声信号，从而准确的获得泥浆泵液力端的实际运行状态。

设传感器测量噪声信号的自相关函数为r_xx(n)，则有：

$r_{xx}\left(n\right)=\underset{n-\mathrm{\∞}}{\overset{\mathrm{\∞}}{\Σ}}{x}_n{x}_{n-m}=\underset{m-\mathrm{\∞}}{\overset{\mathrm{\∞}}{\Σ}}{X}_{n-m}{X}_{-m}=X_n*X_{-n}$

其中：X_n*X_-n是离散信号Xn与X-n的褶积。

如果Xn为实离散信号，其频谱为X(f)；则频谱X-n的频谱为：

$\underset{n-\∞}{\overset{\∞}{\mathrm{\Σ}}}{x}_{-n}{e}^{-j2\mathrm{xn\Δf}}=\underset{m-\∞}{\overset{\∞}{\mathrm{\Σ}}}{x}_m{e}^{-j2\mathrm{xm\Δf}}=\stackrel{\‾}{\underset{m-\∞}{\overset{\∞}{\mathrm{\Σ}}}{x}_m{e}^{-j2\mathrm{xm\Δf}}}=\stackrel{\‾}{X\left(f\right)}$

自相关函数r_xx(n)的频谱R_xx(f)为：

$R_{\mathrm{xx}}\left(f\right)=X\left(f\right)\stackrel{\‾}{X\left(f\right)}={\left|X\left(f\right)\right|}^2$

即Xn的能谱|X(f)|²，也就是自相关函数r_xx(n)的频谱。所以，自相关函数r_xx(n)的波形与信号本身的波形无关，仅与信号所包含的频率成分亦即振幅谱有关。因而，振幅谱相同而相位谱不同的信号有相同的自相关函数。自 相关函数r_xx(n)完全由它的频谱R(f)确定，而R(f)是由信号的振幅谱|X(f)|完全确定的。

因为传感器测量信号都包括三个不同声源的噪声信号，取有限区间样值，S1的自相关函数R_s1(m)为：

R_s1(m)＝r_xxm+α²r_yym+β²r_zzm

S2、S3的自相关函数R_s2(m)、R_s3(m)为：

根据上述的S1、S2、S3的自相关函数公式；

可以求得：

$r_{xx}m=\frac{(1-{\mathrm{\β}}^2)\left(R_{s3}\right(m)-{\mathrm{\α}}^2{R}_{s2}(m\left)\right)-(1-{\mathrm{\α}}^4)\left(R_{s3}\right(m)-R_{s1}(m\left)\right)}{1-{\mathrm{\β}}^4}$

$r_{yy}m=\frac{(1-{\mathrm{\β}}^2)R_{s2}\left(m\right)-{\mathrm{\α}}^2\left(R_{s3}\right(m)-R_{s1}(m\left)\right)}{(1-{\mathrm{\β}}^2)}$

$r_{zz}m=\frac{\left(R_{s3}\right(m)-{\mathrm{\α}}^2{R}_{s2}(m\left)\right)+({\mathrm{\β}}^2-{\mathrm{\α}}^4)\left(R_{s3}\right(m)-R_{s1}(m\left)\right)}{(1-{\mathrm{\β}}^2)({\mathrm{\β}}^2+1-2{\mathrm{\α}}^4)}$

通过S1、S2、S3之间的计算可以分别得出第一液力端液缸、第二液力端液缸、第三液力端液缸实际的噪声信号Xn、Yn、Zn的自相关信号，从而准确的获得泥浆泵液力端的实际运行状态。

本实施例，泥浆泵液力端实际上由3个液缸共同运动组成的，运行过程 中存在很大的噪声，并且液力端噪声之间存在很大的干扰，通过在液力端安装三个传感器，并就传感器的数据进行融合运算，可以很好的分离出各个液缸的噪声信号。

Claims (5)

1.一种用于泥浆泵故障诊断的噪声分离方法，其特征在于包括以下步骤：

A、在泥浆泵上设置若干传感器；

B、采集各传感器收集的声频信号进行处理后将处理的数据传送至处理器，处理器将各传感器的声频信号分别进行处理，该处理是根据各传感器之间的距离因素进行处理；

C、处理器将处理后各传感器的声频信号进行综合，分离干扰信号。

2.根据权利要求1所述的用于泥浆泵故障诊断的噪声分离方法，其特征在于，处理器处理数据步骤包括以下内容：

B1、给定输入向量和期望输出；

B2、网络参数设定，包括样本范围设定、各层神经元个数设定、各层传递函数设定、训练函数设定；

B3、权值初始化；

B4、将数据留存提供给网络；

B5、计算中间层各单元输入输出；

B6、计算输出层各单元输入输出；

B7、计算网络误差；

B8、判断误差是否满足要求；

B9、是，则保存网络；否，则权值修正，返回至步骤B4。

3.根据权利要求1所述的用于泥浆泵故障诊断的噪声分离方法，其特征在于：传感器在泥浆泵上等距设置。

4.根据权利要求2所述的用于泥浆泵故障诊断的噪声分离方法，其特征在于：泥浆泵有三个液力端液缸，相邻液力端液缸之间等距布置，

设置在第一液缸处的传感器采集的数据：S1＝Xn+αY(n-t)+βZ(n-2t)，

设置在第二液缸处的传感器采集的数据：S2＝Yn+αX(n-t)+αZ(n-t)，

设置在第三液缸处的传感器采集的数据：S3＝Zn+αY(n-t)+βX(n-2t)，

式中S为采集的数据，Xn为第一液缸噪声、Yn为第二液缸噪声、Zn为第三液缸噪声。

5.根据权利要求4所述的用于泥浆泵故障诊断的噪声分离方法，其特征在于：S1、S2、S3的自相关函数为，

。