CN106840670A - 一种基于多尺度短时光滑分析的周期瞬态信号检测方法 - Google Patents

Abstract

本发明公开了一种基于多尺度短时光滑分析的周期瞬态信号检测方法，通过多尺度短时光滑谱实现对故障频率的诊断。本发明与其他解调方法相比，短时光滑分析通过追踪和检测短时信号共振带分布随时间的统计信息变化，可以有效地解调出淹没在噪声中的瞬态成分。信号的多尺度分析有助于信号短时光滑分析信息的进一步提纯，完成对信号的多尺度短时光滑谱诊断。本发明该方法可以有效地克服噪声和非平稳信息的干扰，对提取微弱瞬态信号的周期性特征十分有效。

Description

一种基于多尺度短时光滑分析的周期瞬态信号检测方法

技术领域

本发明适用于旋转机械设备、生物医疗等周期性瞬态信号检测领域，特别适用于轴承故障诊断领域，具体涉及一种基于多尺度短时光滑分析的周期瞬态信号检测方法。

背景技术

在旋转机械设备运行过程中，局部故障会导致瞬态冲击信号，旋转特性又会将瞬态冲击信号以幅值或者频率的形式进行周期性调制，产生一种周期性的瞬态信号。以故障轴承来说，该瞬态信号反映了轴承故障的动态物理机理，但由于检测信号受到各种噪声因素影响，周期性特征会被严重干扰或者淹没。因此，对原始信号做解调分析及提取故障特征频率对于旋转设备的故障诊断具有非常重要的意义。传统的解调方法可以分为时域希尔伯特转换、时频分布脊线分析。希尔伯特转换通过一个90度的移相器来进行包络解调，但由于缺失信号随时间变化的局部特性，该方法受随机噪声和局部非平稳的干扰比较严重。而时频分布脊线分析通过时频分布的局部最大提取瞬态频率脊线，但也由于噪声干扰会局部遗漏脉冲特征。这些传统的解调方法将大大降低对轴承故障诊断的效率和准确性。

发明内容

本发明提出了一种基于多尺度短时光滑分析的周期瞬态信号检测方法，并通过多尺度短时光滑谱实现对故障频率的诊断。相比于传统的解调方法，本发明通过观察信号的局部短时窗内特征，检测谱共振带的光滑性统计信息变化，可以有效地降低非平稳信息和其他频率干扰，实现对瞬态信息的解调。信号的多尺度分析有助于信号短时光滑分析信息的进一步提纯，完成对信号的多尺度短时光滑谱诊断。该双频谱分析对提取微弱瞬态信号的周期性特征具有十分显著的效果。本发明有效地对微弱周期瞬态信号做解调分析，实现信号的瞬态周期频率诊断。

本发明采用的技术方案为：一种基于多尺度短时光滑分析的周期瞬态信号检测方法，主要包括多尺度信息提纯、短时信息追踪检测、共振谱光滑统计。具体步骤按照如下进行：

步骤(1)、通过短时傅里叶变换计算检测信号的时频分布矩阵，获得不同频率尺度下的复数向量(假设此复数矩阵有m行，本文采用每一行的时频分布作为不同频率尺度向量输出，分析单个频率尺度下的信息)；

步骤(2)、对步骤(1)得到的m个单一频率尺度的部分时频分布，将单一频率带外的部分幅值赋值零，结合原始相位信息，构造出m个时频分布矩阵。依据时频合成分析，得到m个频率尺度对应下的时间信号；

步骤(3)、对步骤(2)得到的每个不同频率尺度信号分别进行时域加窗处理，按照信号时间轴方向移动，可得一系列信号片段，也即窗函数卷积分析，这里采用矩形窗函数可依据先验故障频率选取合适的窗长；

步骤(4)、对步骤(3)中得到的同一频率尺度下的信号片段做频谱分析，得到其对应的频谱分布；

步骤(5)、对步骤(4)得到的一系列频谱计算其光滑性统计参数，即一个分布的几何平均与算数平均之比，解调得到每个频率尺度信号的短时光滑序列；

步骤(6)、对步骤(5)中每个频率尺度下的短时光滑序列做快速傅里叶变换，得到该频率尺度下的频谱。将这m个一维频谱作为m个行向量，构成多尺度短时光滑谱S(m,l)(频率尺度-频谱的双频分布)；

步骤(7)、通过分析步骤(6)得到的频率尺度-频谱的双频谱分布(多尺度短时光滑谱)，计算每个频率尺度下的频域信噪比SNR_mf，得到频率尺度m—频域信噪比SNR_mf曲线：

其中f_d是故障频率，i是第i个倍频，计算前5个倍频信息与残余频带信息幅值之比。

步骤(8)、选择最优频率尺度m_opt，输出最优短时光滑谱S(m_opt,l)，检测所淹没的特征频率。

本发明与现有技术相比的优点在于：

(1)、本发明与其他解调方法相比，短时光滑分析通过追踪和检测共振带分布随时间的统计变化，可以有效地解调出淹没在噪声中的瞬态成分。

(2)、本发明是一种基于多尺度、短时窗的双频谱特征频率检测方法，可以有效地克服噪声和非平稳信息的干扰，对提取微弱瞬态信号的周期性特征十分有效。

附图说明

图1为本发明一种基于多尺度短时光滑分析的周期瞬态信号检测方法流程图；

图2为仿真信号的时域波形、包络频谱分析、时频分布以及不同频率尺度下的时域信号示意图，其中，图2(a)为信号的时域波形，图2(b)为信号的包络谱分析，图2(c)为信号的时频分布，图2(d)为不同频率尺度下的时域信号；

图3为仿真信号的多尺度短时光滑谱示意图，其中，图3(a)为频率尺度m—频域信噪比SNR_mf曲线，图3(b)为全部尺度下的短时光滑谱分析，图3(c)为频率尺度[18,30]所对应的短时光滑谱；

图4为仿真信号的最优短时光滑谱示意图，其中，图4(a)为频率尺度26所对应的短时光滑序列，图4(b)为频率尺度26所对应的短时光滑谱；

图5为内圈信号的时域波形、包络频谱分析示意图，其中，图5(a)为内圈信号的时域波形，图5(b)为内圈信号的包络谱；

图6为内圈信号的多尺度短时光滑谱示意图，其中，图6(a)为频率尺度m—频域信噪比SNR_mf曲线，图6(b)为全部尺度下的短时光滑谱分析，图6(c)为频率尺度[54,94]所对应的短时光滑谱；

图7为内圈信号的最优短时光滑谱示意图，其中，图7(a)为频率尺度60所对应的短时光滑序列，图7(b)为频率尺度60所对应的短时光滑谱，图7(c)为频率尺度85所对应的短时光滑序列，图7(d)为频率尺度85所对应的短时光滑谱。

具体实施方式

下面结合附图以及具体实施方式进一步说明本发明。

实施例一：

以仿真信号为例。仿真信号采用与故障机理相似的双边衰减瞬态周期信号：

其中采样频率f_s为10kHz，共振频率f₀为1kHz，衰减率ζ为0.01，幅值a(i)＝1，时间间隔p＝0.02s，也即故障频率f_d＝50Hz。在原始信号中加入-15dB高斯白噪声n_G(t)。其时域波形和对应的解包络频谱分析如图2(a)、图2(b)所示。不难发现瞬态特征和冲击频率均被噪声淹没，难以有效的诊断出故障特征。利用本发明提出的多尺度短时光滑分析对信号进行处理，具体操作过程如下：

步骤(1)、采用频率尺度为256的短时傅里叶变换对原始信号做时频分析(如图2(c)所示)，对每一个频率尺度下的时频向量进行时频合成分析，得到多频率尺度对应下的时域信号(如图2(d)所示，m取128)。瞬态信息在多频率尺度上得到了提纯。

步骤(2)、依据先验知识，采用长度为180的矩形窗，对每一个频率尺度下的时域信号进行加窗处理，取得对应的信号片段。

步骤(3)、依据发明内容的步骤(4)，对同一频率尺度下的信号片段做傅里叶变换，计算该频谱的光滑性系数，得到每个频率尺度下信号的光滑度序列。

步骤(4)、依据发明内容的步骤(5)和(6)，对每个频率尺度下信号的光滑度序列，并做傅里叶分析，计算频谱得到多尺度短时光滑谱(如图3(b)所示),可以从该双频谱图上发现有明显的高亮值区域，也即为故障频率。

步骤(5)、计算不同频率尺度下的光滑谱的频域信噪比曲线(m-SNR_mf，如图3(a)所示)，选出最大的频域信噪比下的频率尺度(m_opt＝26)。该频率尺度所对应的局部多尺度短时光滑谱如图3(c)所示。

步骤(6)、最后选择出最优频率尺度m_opt＝26，并输出该频率尺度下的最优的短时光滑序列以及其对应的频谱(如图4所示)。可以发现明显的冲击频率f_p＝50Hz，相比于原始信号的包络谱(如图2(b)所示)，噪声和干扰频率都被有效的去除了。同时冲击频率50Hz的二次、三次、四次谐波频率成分都被很好的保留。这些结果说明原始信号中存在该频率的瞬态冲击成分。同时也进一步表明了多尺度短时光滑谱对于信号中的瞬态特征检测十分有效。

实施例二：

采用西储大学具有内圈故障的实际轴承数据进行处理。轴承型号为6205-2RS JEMSKF，具体参数如表1所示。

表1：轴承6205-2RS JEM SKF参数(单位：英寸)

采用电火花加工，在轴承内圈加工单个故障。信号采样率为12kHz，主轴转速1728r/min。在该转速下，轴承内圈故障频率为f_I＝155.96Hz。其时域波形和包络谱如图5所示。虽然在频谱上可以看到内圈故障频率的出现，但是在其附近依旧存在许多其他干扰频率，而且整个频谱上也存在一定的噪声，干扰了对故障的识别。利用本发明提出的多尺度短时光滑分析对信号进行处理，具体操作过程如下：

步骤(1)、采用频率尺度为256的短时傅里叶变换对原始信号做时频分析，对每一个频率尺度下的时频向量进行时频合成分析，得到多频率尺度对应下的时域信号，在多频率尺度上提纯瞬态信息(这里频率尺度m取128)。

步骤(2)、依据先验知识，采用长度为70的矩形窗，对每一个频率尺度下的时域信号加窗处理，取得对应的信号片段。

步骤(3)、依据发明内容的步骤(4)，对同一频率尺度下的信号片段做傅里叶变换，计算该频谱的光滑性系数，得到每个频率尺度下信号的光滑度序列。

步骤(4)、依据发明内容的步骤(5)和步骤(6)，对每个频率尺度下信号的光滑度序列，并做傅里叶分析，计算频谱得到多尺度短时光滑谱(如图6(b)所示),可以从该双频谱图上发现有明显的高亮值区域，也即为故障频率。

步骤(5)、计算不同频率尺度下的光滑谱的频域信噪比曲线(m-SNR_f，如图6(a)所示)，选出最大的频域信噪比下的频率尺度(m_opt1＝60与m_opt2＝85)。该频率尺度所对应的局部多尺度短时光滑谱如图6(c)所示。

步骤(6)、最后选择出最优频率尺度m_opt1＝60和m_opt2＝85，并输出这两个频率尺度下的最优的短时光滑序列以及其对应的频谱(如图7所示)。可以发现明显的冲击频率f_p＝155.9Hz，相比于原始信号的包络谱(如图5(b)所示)，噪声和干扰频率都被有效的去除了。同时冲击频率155.9Hz的二次谐波频率成分也被保留了下来。这些实验结果说明原始信号中存在内圈故障，与实际情况吻合。同时也反应了本发明对于信号中的瞬态特征检测十分有效。

Claims (1)

1.一种基于多尺度短时光滑分析的周期瞬态信号检测方法，其特征在于：该方法包括如下步骤：

步骤(1)、通过短时傅里叶变换计算检测信号的时频分布矩阵，获得不同频率尺度下的复数向量，假设此复数矩阵有m行，采用每一行的时频分布作为不同频率尺度向量输出，分析单个频率尺度下的信息；

步骤(2)、对步骤(1)得到的m个单一频率尺度的部分时频分布，将单一频率带外的部分幅值赋值零，结合原始相位信息，构造出m个时频分布矩阵，依据时频合成分析，得到m个频率尺度对应下的时间信号；

步骤(3)、对步骤(2)得到的每个不同频率尺度信号分别进行时域加窗处理，按照信号时间轴方向移动，可得一系列信号片段，也即窗函数卷积分析，这里采用矩形窗函数可依据先验故障频率选取合适的窗长；

步骤(4)、对步骤(3)中得到的同一频率尺度下的信号片段做频谱分析，得到其对应的频谱分布；

步骤(5)、对步骤(4)得到的一系列频谱计算其光滑性统计参数，即一个分布的几何平均与算数平均之比，解调得到每个频率尺度信号的短时光滑序列；

步骤(6)、对步骤(5)中每个频率尺度下的短时光滑序列做快速傅里叶变换，得到该频率尺度下的频谱，将这m个一维频谱作为m个行向量，构成多尺度短时光滑谱S(m,l)，即频率尺度-频谱的双频分布；

步骤(7)、通过分析步骤(6)得到的频率尺度-频谱的双频谱分布，即多尺度短时光滑谱，计算每个频率尺度下的频域信噪比SNR_mf，得到频率尺度m—频域信噪比SNR_mf曲线：

$S_{mf}\left(m\right)=10{\log }_{10}\frac{{\Σ}_{i=1}^{5}S\left(m,i\·f_d\right)}{S\left(m\right)-{\Σ}_{i=1}^{5}S\left(m,i\·f_d\right)}$

其中，f_d是故障频率，i是第i个倍频，计算前5个倍频信息与残余频带信息幅值之比；

步骤(8)、选择最优频率尺度m_opt，输出最优短时光滑谱S(m_opt,l)，检测所淹没的特征频率。