CN109738212B - 一种以频谱峭度为优化指标的自适应多普勒矫正方法 - Google Patents
一种以频谱峭度为优化指标的自适应多普勒矫正方法 Download PDFInfo
- Publication number
- CN109738212B CN109738212B CN201910069470.6A CN201910069470A CN109738212B CN 109738212 B CN109738212 B CN 109738212B CN 201910069470 A CN201910069470 A CN 201910069470A CN 109738212 B CN109738212 B CN 109738212B
- Authority
- CN
- China
- Prior art keywords
- signal
- parameter
- kurtosis
- microphone
- amplitude
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种以频谱峭度为优化指标的自适应多普勒矫正方法,可应用于高速列车轴承轨边声学检测领域,具体来说是一种以重采样信号的频谱峭度指标为优化指标,通过寻优计算自动识别多普勒矫正所需要的以下参数:列车运行速度v、麦克风到轴承声源运动轨迹所在直线之间的纵向垂直距离r、信号零时刻轴承声源距离麦克风的横向距离x,基于以上自动识别的参数可以实现轨边信号自适应多普勒畸变矫正。本发明提出的自适应多普勒矫正方法除麦克风之外不需要任何外部转感器,与传统的基于时频分析的参数提取方法相比在抗噪能力方面更有优势,同时计算效率也得到了提高,可用于高速列车轴承轨边声学在线检测。
Description
技术领域
本发明应用于高速列车轮对轴承轨边声学故障检测技术领域,具体涉及一种以频谱峭度作为优化指标的自适应多普勒矫正方法,能够不依赖除麦克风以外的任何其他传感器,基于信号本身提取高速列车轨边参数进行多普勒畸变矫正。
背景技术
列车高速运行时轮对轴承发出的声音信号包含了轴承丰富的运行状态信息,在轨边安装麦克风采集轴承声音信号并通过信号处理手段能够对轮对轴承进行有效的健康检测和故障诊断。但是,列车的高速行驶时,采集到的轨边声学信号会发生多普勒畸变现象,这对信号处理带来了困难,一定程度上降低了诊断结果的精确性,一种可行的方法是对畸变信号进行重采样矫正,但前提是需要获取轨边参数,现有方法是利用测速传感器和测距传感器获取参数,但随着技术的发展,出现了不依赖传感器,而是基于信号本身获取参数,从而实现自适应矫正,现有的自适应矫正方法一种是基于时频分析,一种是基于Doppler-let变换,但这两种方法计算量较大,抗噪能力有待提升。本发明主要思想是“当畸变信号得到正确矫正时其频谱峭度值最大”,基于这个思想提出了一种以频谱峭度作为优化指标的自适应多普勒畸变矫正方法,给出了方法的详细步骤,实施案例验证了方法的有效性。本发明与现有方法相比在抗噪能力和计算效率方面得到了提高,可应用于高速列车轴承轨边声学在线检测。
发明内容
本发明目的是提供一种以频谱峭度作为优化指标的自适应多普勒矫正方法,能够不依赖除麦克风以外的任何其他传感器,基于信号本身提取高速列车轨边参数,实现自适应多普勒畸变矫正。
本发明采用的技术方案为:一种以频谱峭度为优化指标的自适应多普勒矫正方法,包括以下步骤:用安装在铁轨两侧的麦克风采集列车高速通过时轮对轴承发出的故障声音信号为检测信号X(t),对该检测信号的处理步骤为:
步骤1:对麦克风采集的信号X(t)做带通滤波处理得到去除背景噪声的信号x(t)。
步骤2:高速列车轨边参数集U{r,v,x}初始化,包括参数范围和步长设定。其中各参数定义为:
v-列车运行速度。
r-麦克风到轴承声源运动轨迹所在直线之间的纵向垂直距离。
x-信号零时刻轴承声源距离麦克风的横向距离。
步骤3:取参数集U{r,v,x}中的一组参数组合{rm,vm,xm}来进行三次样条插值采样和幅值还原,得到信号sigm。
步骤4:对sigm进行快速傅里叶变换得到Ym,并计算Ym的峭度Ku。
步骤5:重复步骤3、4计算参数集U{r,v,x}中所有参数组合下对应的峭度,得到H=L*E*Z个峭度值,其中:
L-参数集U{r,v,x}中参数r的总数;
E-参数集U{r,v,x}中参数v的总数;
Z-参数集U{r,v,x}中参数x的总数;
H-参数集U{r,v,x}中所有参数组合下对应的峭度值总数。
步骤6:选取步骤5得到的峭度值中最大值对应的参数组合{rkumax,vkumax,xkumax}作为最优轨边参数,并使用最优轨边参数对x(t)进行三次样条插值采样和幅值还原,消除多普勒效应。
所述步骤1中,对麦克风采集的信号X(t)做带通滤波处理得到去除背景噪声的步骤如下:
步骤1-1:对信号X(t)做快速傅里叶变换得到其频率幅值图;
步骤1-2:设置滤波器的带通频带包含其共振频带;
步骤1-3:带通滤波后得到滤波信号x(t)。
所述步骤2中,参数集U{r,v,x}定义为:
参数集共有H种组合,H=L*E*Z。
所述步骤3中的三次样条插值采样和幅值还原步骤如下:
步骤3-1:假设信号x(t)的长度为N,采样率为fs,则其发声时间序列为ts(n)=0,1/fs,...,(N-1)/fs,对于参数组{rm,vm,xm},计算延迟时间序列:
其中fs为轨边信号的采样频率,N为采集到的信号长度,c为声速,该延迟时间序列为信号x(t)的同步时间序列;
步骤3-2:计算重采样时间序列:重采样时间序列tr(n)为插值使用的时间序列,其值tr(n)的计算公式为:
步骤3-3:使用tr(n)对{td(n),x(t)}进行三次样条插值采样处理得到频域矫正信号sigm1;
步骤3-4:对幅值进行矫正:设M=vm/c,即为马赫数,按以下公式计算幅值矫正系数:
Ad=(1-M*Acosθ)2
Ae=AR*Ad
幅值系数为AA=Ae/rm,按以下公式进行幅值矫正:
sigm=AA*sigm1
得到矫正信号。
所述步骤4中,对得到的sigm进行快速傅里叶变换得到Ym,然后按以下公式计算Ym的峭度:
Kum=Sm 4
其中N为采集到的信号长度,Kum即为Ym的峭度。
所述步骤6中使用最优轨边参数对x(t)进行三次样条插值采样和幅值还原,此处的三次样条插值采样和幅值还原方法与步骤3相同。
本发明与现有技术相比的优点在于:
(1)本发明与现有的基于时频分析的自适应多普勒矫正方法相比在抗噪能力方面更有优势,同时与现有基于Doppler-let变换的自适应多普勒矫正方法相比,计算效率也得到了提高,可用于高速列车轴承轨边声学在线检测。
(2)除麦克风外不需要其他额外的测速测距转感器,结构简单,成本低。
附图说明
图1为本发明一种以频谱峭度为优化指标的自适应多普勒矫正方法流程图;
图2为轨边声学检测模型示意图;
图3为信号X(t)的时域图频谱图和包络图;
图4为峭度值随寻优次数走势图;
图5为最优参数矫正后的列车轴承外圈故障信号结果图。
具体实施方式
下面结合附图和实际的实验数据对本发明作进一步的详细说明。
采用轮对轴承外圈单点故障信号进行验证,轴承的型号为现役货车使用的圆柱体滚动轴承NJ(P)3226X1。使用采集到的轴承试验机的声音信号进行轨边实验,轨边实验参考如图2所示的模型,实验中信号采样频率50kHz。轴承声源信号时域波形和频谱波形与包络谱如图3所示,图4是峭度大小随寻优次数走势图,图5是使用峭度最大值对应参数组合对信号进行矫正的结果图,具体包括以下步骤:
步骤1:对麦克风采集的信号X(t)做带通滤波处理得到去除背景噪声的信号x(t)。
步骤2:高速列车轨边参数集U{r,v,x}初始化,包括参数范围和步长设定。其中各参数定义为:
v-列车运行速度。
r-麦克风到轴承声源运动轨迹所在直线之间的纵向垂直距离。
x-信号零时刻轴承声源距离麦克风的横向距离。
步骤3:取参数集U{r,v,x}中的一组参数组合{rm,vm,xm}来进行三次样条插值采样和幅值还原,得到信号sigm。
步骤4:对sigm进行快速傅里叶变换得到Ym,并计算Ym的峭度Ku。
步骤5:重复步骤3、4计算参数集U{r,v,x}中所有参数组合下对应的峭度,得到H=L*E*Z个峭度值。其中:
L-参数集U{r,v,x}中参数r的总数;
E-参数集U{r,v,x}中参数v的总数;
Z-参数集U{r,v,x}中参数x的总数;
H-参数集U{r,v,x}中所有参数组合下对应的峭度值总数。
步骤6:选取步骤5得到的峭度值中最大值对应的参数组合{rkumax,vkumax,xkumax}作为最优轨边参数,并使用最优轨边参数对x(t)进行三次样条插值采样和幅值还原,消除多普勒效应。
所述步骤1中:对采集到的轨边声学信号X(t)进行带通滤波处理得到去除背景噪声的步骤如下:
(1):对信号X(t)做快速傅里叶变换得到其频率幅值图,如图3。
(2):选取带通滤波器的带通频率带包含其共振频率,此处选取滤波器为巴特沃斯带通
滤波器,由频谱图选取巴特沃斯带通滤波器的通带频带为1500Hz-2500Hz。
(3):在巴特沃斯带通滤波器下得到去除背景噪声的信号x(t)。
所述步骤2中:道旁声学信号运动参数集U{r,v,x}初始化的构建步骤如下:
对于高速列车运动参数集U{r,v,x}可以定义为:
这里的三个参数为{r,v,x}的拟合范围长度。
此处的高速列车运动参数集U{r,v,x}里的三个参数应根据实际情况进行预设和初始化,此处纵向距离r的初始化参数区间为r1为1.5m,rL为2.5m,区间间隔Δr为0.02m;声源运动速度v的初始化参数区间为v1为25m/s,vE为35m/s,区间间隔Δv为0.1m/s;横向距离x的初始化参数区间为x1为3m,xZ为5m,区间间隔Δx为0.05m。即初始化了{r,v,x}的拟合范围长度。
此算法共有L*M*Z种匹配组合,有:
H=L*E*Z
其中H为r,v,x的不同组合,H的取值范围为1...m...L*E*Z,其中有:1≤m≤L*E*Z。
这里的L、E、Z的数值分别为51,101,41,共有H=L*E*Z=211191种组合。
所述步骤5对所有的高速列车运动参数序列集U{r,v,x}按所述步骤3来遍历计算其峭度,一共得到H=211191个峭度。得到的211191个峭度值随高速列车运动参数变化如图4所示,最大峭度值为3188.4,对应的最优参数{rkumax,vkumax,xkumax}为{4.10,29.9,1.96},使用该最优参数对信号x(t)进行三次样条插值和幅值还原处理得到R_sig,可对此信号进行频谱分析和包络分析,如图5所示可以看出在138.8Hz处有故障频率,与理论计算值完全一致,说明信号得到了精确矫正。
提供上述实施例仅仅是为了描述本发明的目的,并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (1)
1.一种以频谱峭度为优化指标的自适应多普勒矫正方法,其特征在于,包括以下步骤:
步骤1:对麦克风采集的信号X(t)做带通滤波处理得到去除背景噪声的信号x(t);
步骤2:高速列车轨边参数集U{r,v,x}初始化,包括参数范围和步长设定,其中各参数定义为:
v-列车运行速度;
r-麦克风到轴承声源运动轨迹所在直线之间的纵向垂直距离;
x-信号零时刻轴承声源距离麦克风的横向距离;
步骤3:取参数集U{r,v,x}中的一组参数组合{rm,vm,xm}来进行三次样条插值采样和幅值还原,得到信号sigm;
步骤4:对sigm进行快速傅里叶变换得到Ym,并计算Ym的峭度Ku;
步骤5:重复步骤3、步骤4计算参数集U{r,v,x}中所有参数组合下对应的峭度,得到H=L*E*Z个峭度值,其中:
L-参数集U{r,v,x}中参数r的总数;
E-参数集U{r,v,x}中参数v的总数;
Z-参数集U{r,v,x}中参数x的总数;
H-参数集U{r,v,x}中所有参数组合下对应的峭度值总数;
步骤6:选取步骤5得到的峭度值中最大值对应的参数组合{rkumax,vkumax,xkumax}作为最优轨边参数,并使用最优轨边参数对x(t)进行三次样条插值采样和幅值还原,消除多普勒效应;
所述步骤1中,对麦克风采集的信号X(t)做带通滤波处理得到去除背景噪声的步骤如下:
步骤1-1:对信号X(t)做快速傅里叶变换得到其频率幅值图;
步骤1-2:设置滤波器的带通频带包含其共振频带;
步骤1-3:带通滤波后得到滤波信号x(t);
所述步骤2中,参数集U{r,v,x}定义为:
参数集共有H种组合,H=L*E*Z;
所述步骤3中的三次样条插值采样和幅值还原步骤如下:
步骤3-1:假设信号x(t)的长度为N,采样率为fs,则其发声时间序列为ts(n)=0,1/fs,...,(N-1)/fs,对于参数组{rm,vm,xm},计算延迟时间序列:
其中fs为轨边信号的采样频率,N为采集到的信号长度,c为声速,该延迟时间序列为信号x(t)的同步时间序列;
步骤3-2:计算重采样时间序列:重采样时间序列tr(n)为插值使用的时间序列,其值tr(n)的计算公式为:
步骤3-3:使用tr(n)对{td(n),x(t)}进行三次样条插值采样处理得到频域矫正信号sigm1;
步骤3-4:对幅值进行矫正:设M=vm/c,即为马赫数,按以下公式计算幅值矫正系数:
Ad=(1-M*Acosθ)2
Ae=AR*Ad
幅值系数为AA=Ae/rm,按以下公式进行幅值矫正:
sigm=AA*sigm1
得到矫正信号;
所述步骤4中,对得到的sigm进行快速傅里叶变换得到Ym,然后按以下公式计算Ym的峭度:
Kum=Sm4
其中N为采集到的信号长度,Kum即为Ym的峭度;
所述步骤6中使用最优轨边参数对x(t)进行三次样条插值采样和幅值还原,此处的三次样条插值采样和幅值还原方法与步骤3相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910069470.6A CN109738212B (zh) | 2019-01-24 | 2019-01-24 | 一种以频谱峭度为优化指标的自适应多普勒矫正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910069470.6A CN109738212B (zh) | 2019-01-24 | 2019-01-24 | 一种以频谱峭度为优化指标的自适应多普勒矫正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109738212A CN109738212A (zh) | 2019-05-10 |
CN109738212B true CN109738212B (zh) | 2020-11-06 |
Family
ID=66365981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910069470.6A Active CN109738212B (zh) | 2019-01-24 | 2019-01-24 | 一种以频谱峭度为优化指标的自适应多普勒矫正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109738212B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111044288B (zh) * | 2019-12-31 | 2021-05-25 | 神州高铁技术股份有限公司 | 信号的获取方法、系统及存储介质、诊断系统、检测系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8022864B2 (en) * | 2007-11-08 | 2011-09-20 | The United States Of America As Represented By The Secretary Of Commerce | Detection of transient signals in doppler spectra |
CN109154658B (zh) * | 2016-05-31 | 2020-06-09 | 都市气象株式会社 | 多普勒频移解析装置、方法和计算机可读取的记录介质 |
CN106525426B (zh) * | 2016-12-06 | 2018-02-09 | 安徽大学 | 一种基于互补随机共振滤波器的微弱信号增强检测方法 |
CN108061653B (zh) * | 2017-12-05 | 2019-11-05 | 安徽大学 | 基于谐波-冲击多普勒调制复合字典的列车轮对轴承轨边声信号分离方法 |
-
2019
- 2019-01-24 CN CN201910069470.6A patent/CN109738212B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109738212A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107402131B (zh) | 一种基于轨边声学信号时频脊线的高速列车运动参数识别方法 | |
CN110307994B (zh) | 异声检测装置以及异声检测方法 | |
CN110426005B (zh) | 基于imf能量比的高速铁路钢轨波磨声学诊断方法 | |
CN105424388B (zh) | 一种基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法 | |
Zhang et al. | The Doppler Effect based acoustic source separation for a wayside train bearing monitoring system | |
Liu et al. | Dual-microphone active noise cancellation paved with Doppler assimilation for TADS | |
Liu et al. | Doppler effect reduction based on time-domain interpolation resampling for wayside acoustic defective bearing detector system | |
CN109855874B (zh) | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 | |
CN113267286B (zh) | 铁路弓网接触力识别方法及装置 | |
CN105699082B (zh) | 一种稀疏化的最大谐噪比解卷积方法 | |
Zhang et al. | Multi-bearing defect detection with trackside acoustic signal based on a pseudo time–frequency analysis and Dopplerlet filter | |
CN106441895A (zh) | 一种列车轴承轨边信号冲击成分提取方法 | |
CN109239780A (zh) | 基于同步挤压小波变换去除面波的方法 | |
CN113212180B (zh) | 一种磁浮列车、悬浮控制系统和垂向阻尼信号的计算方法 | |
Wang et al. | Doppler Effect removal based on instantaneous frequency estimation and time domain re-sampling for wayside acoustic defective bearing detector system | |
CN113901379B (zh) | 一种边缘端的实时数据动态在线快速处理方法 | |
CN113343928A (zh) | 变速路段高速铁路钢轨波磨检测方法及装置、计算机设备 | |
CN109738212B (zh) | 一种以频谱峭度为优化指标的自适应多普勒矫正方法 | |
CN110501172A (zh) | 一种基于轴箱振动的轨道车辆车轮状态识别方法 | |
CN111238813A (zh) | 一种强干扰下提取滚动轴承故障特征的方法 | |
CN115758289B (zh) | 一种基于多任务学习神经网络的钢轨波磨识别方法 | |
Wang et al. | De-noising of wayside acoustic signal from train bearings based on variable digital filtering | |
CN115358088A (zh) | 一种基于高速列车激励动力响应的桥梁影响线识别方法 | |
CN110909827A (zh) | 一种适用于风机叶片声音信号的降噪方法 | |
CN205262744U (zh) | 基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |