CN110160765B - 一种基于声音或振动信号的冲击特征识别方法及系统 - Google Patents

Abstract

本发明提出了一种基于声音或振动信号的冲击特征识别方法及系统，该方法包括：采集旋转机械系统运行过程中产生的信号x[n]，其中，n＝0，1，2，…，Len；Len为信号长度；加窗处理所采集的信号x[n]，平移窗以获取每个窗内的信号频率峰值，得到峰值信号序列x_peak[n]；基于预设的规则搜索符合条件的幅值截断系数ThA(i)，并基于所述截断系数ThA(i)计算出噪声的最优基准线ThN；判断所述最优基准线ThN是否存在且不为0，若为是，则时域冲击比ImpR＝ImpA/ThN，否则时域冲击比ImpR＝0，其中，ImpA为每个窗内冲击幅值均值。该方法适用于旋转机械故障诊断系统中的冲击特征识别，易于在实时系统中集成，实现设备状态的实时报警与监测。

Description

一种基于声音或振动信号的冲击特征识别方法及系统

技术领域

本发明涉及旋转机械的异常、例如转子等的异常检测技术领域，尤其涉及一种基于声音或振动信号的冲击特征识别方法及系统。

背景技术

旋转机械是现今社会各行各业广泛应用的基础零部件，无论是齿轮、轴承还是联轴器、主轴等，在电机、泵、烟机、压缩机、掘进机等设备上均有着举足轻重的作用，而其运行质量也会直接影响着整台设备的工作性能。一旦这一类零部件出现损伤或者故障，轻者会导致设备或产线停机检修、排产计划打乱、不同程度经济损失，重者会带来关键设备损毁、人员伤亡等安全事故。所以对此类零部件的监测十分重要。

在机器状态监测行业，如何得到状态的有效指标一直是各个企业最关注的痛点和难点。再设备的旋转部件出现局部损伤或缺陷时，在高负荷运转过程中，缺陷部位受到撞击会产生间歇性冲击，此时可以通过振动传感器或麦克风传感器采集获取这一冲击信号。由于设备旋转的转速未必恒定，所以该冲击的时间间隔也不固定。该冲击信号会激发零部件的高频固有振动，从信号上呈现为逐渐衰减的冲击响应，如果能有效捕获这一冲击响应或者实现及时报警，就能有效降低由于设备故障带来的进一步损失。

对于这类冲击特征的识别检测，近年来有很多专家学者或者企业提出了诸多方案或者指标。比如最常用的时域无量纲指标峭度；基于希尔伯特变换(HT:HilbertTransform)的冲击信号检测(郑杰，基于Hilbert变换的水轮发电机组振动冲击信号自动检测技术及应用研究，仪器仪表与分析监测，2017)；利用正包络波形的冲击特征提取(陈天翔，一种冲击检测方法及计算设备，申请号：201711027241.5)和基于移动振幅因子MCF的冲击信号识别(周浩，一种物流包装冲击信号识别与提取方法，申请号：201811627166.0)。

上述的提到的集中冲击特征识别或提取方法，均存在以下一个或多个缺陷与不足：

(1)最常用的峭度指标，其为反映振动信号分布特性的数值统计量，是归一化的四阶中心矩。但是单纯利用四阶矩获取的指标容易受到非平稳噪声的干扰；偶然的冲击噪声会带来较大的波动，对故障敏感性较强但稳定性差。

(2)基于希尔伯特变换解调方法，是通过HT获取声音或振动信号的包络波形。其在求取包络过程中实时性差，难以在线实现；需要通过不同的方法确定合适的先验参数(滤波频带和滤波器参数)；通过包络谱来分辨冲击特征，在变转速情况下难以实现，指标性不明确。

(3)利用正包络波形的冲击特征提取，需要在获取振动信号后，计算器正向包络波形后，经过一系列处理得到冲击频率、冲击能量、冲击密度和冲击时间等指标，进一步确定其严重程度。整个方法计算复杂度较高，难以在边缘侧实现实时计算报警；将自相关后傅里叶变换获得的主频率作为冲击频率，规则对不同大小的冲击频率来说并不平等；多个指标评判严重程度并未给出可靠的融合方案。

(4)另外，基于移动振幅因子MCF的冲击信号识别方法，主要通过计算信号的MCF来判断疑似冲击峰值点。但是利用十分之一峰值法来判断冲击信号段普适性较差；方法主要针对单个冲击信号的提取，难以实现对旋转机械的循环冲击检测；未提炼出针对冲击程度的有效指标。

发明内容

为解决上述技术问题，本发明提出了一种基于声音或振动信号的冲击特征识别方法及系统，以解决目前的信号冲击识别或检测方法中存在的主要问题，并适用于旋转机械故障诊断系统中的冲击特征识别，易于在实时检测系统中集成，实现设备状态的实时报警与监测。

根据本发明的一个实施例，本发明提出了一种基于声音或振动信号的冲击特征识别方法，该方法包括：

步骤S1、采集旋转机械系统运行过程中产生的信号x[n]，其中，n＝0,1,2,…,Len；Len为信号长度；

步骤S2、加窗处理所采集的信号x[n]，平移窗以获取每个窗内的信号频率峰值，得到峰值信号序列x_peak[n]；

步骤S3、基于预设的规则搜索符合条件的幅值截断系数ThA(i)，并基于所述截断系数ThA(i)计算出噪声的最优基准线ThN；

所述基于预设的规则搜索符合条件的最优幅值截断系数ThA(i)，具体为，计算x_Peak[n]-ThA(i)＞0和x_Peak[n+1]-ThA(i)＜0的总截断点数N(i)，由N(i)的最大值确定出最优幅值截断系数ThA(i)。

步骤S4、判断所述最优基准线ThN是否存在且不为0，若为是，则时域冲击比ImpR＝ImpA/ThN，否则时域冲击比ImpR＝0，其中，ImpA为每个窗内冲击幅值均值。

优选的，所述采集旋转机械系统运行过程中产生的信号x[n]，具体为，通过安装于旋转机械系统待检测部件表面的传感器，以采用频率F_s＝12.8kHz，采样点数N＝16384，进行采样得到信号x[n]。

优选的，在计算出噪声的最优基准线ThN之后，还包括通过冲击计算窗，计算出每个窗内冲击幅值的均值ImpA。

优选的，所述信号为声音信号、振动信号或者超声波信号中的一种或多种。

优选的，所述传感器为振动传感器、麦克风传感器、声发射传感器、位移传感器或者超声波传感器中的一种。

优选的，所述待检测部件为轴承、齿轮或者轴的一种或多种。

优选的，所述确定最优幅值截断系数ThA(i)采用穷举法、蚁群算法或者模拟退火算法中的一种。

优选的，所述步骤S4之后还包括，将计算得到的时域冲击比ImpR与预设的阈值进行比较，判断出待检测部件的健康状况。

根据本发明的又一实施例，本发明还提出了一种基于声音或振动信号的冲击特征识别系统，该系统包括：

传感器，用于采集旋转机械系统运行过程中待检测部件产生的信号x[n]，其中，n＝0,1,2,…,Len；Len为信号长度；

处理器，用于加窗处理所采集的信号x[n]，平移窗以获取每个窗内的信号频率峰值，得到峰值信号序列x_peak[n]；基于预设的规则搜索符合条件的幅值截断系数ThA(i)，并基于所述截断系数ThA(i)计算出噪声的最优基准线ThN；判断所述最优基准线ThN是否存在且不为0，若为是，则时域冲击比ImpR＝ImpA/ThN，否则时域冲击比ImpR＝0，其中，ImpA为每个窗内冲击幅值均值；

存储器，用于存储预设的健康阈值，并在所述处理器得到时域冲击比ImpR后将其与所述预设的健康阈值进行比较，得到待检测部件的健康状况。

本发明提出的基于声音或振动信号的冲击特征识别方法，通过加窗峰值保留、最优阈值自适应求取、窗内等效冲击比计算来求得整个信号的时域冲击比指标。整个计算过程运算简单，不需要先验参数，并提出了对声音或振动信号冲击特征识别的有效指标时域冲击比，克服了现有技术中的不足，并且具有如下有益效果：

(1)算法具有良好的实时性，易于嵌入式设备上移植和实现边缘计算

(2)不需要进行频域分析，对变转速设备状态也有良好的指向作用；

(3)所提指标对各类型信号具有良好的普适性，可以实现单冲击、间断冲击、循环冲击的程度指向；

(4)指标计算过程中进行了加窗峰值保留，对噪声不敏感；

(5)单一指标数据监测，无需额外的多指标融合；

(6)本发明的特征识别方法最终获得无量纲参数，能够很好地监测数据中的冲击强弱，进而反应设备的健康状态。

附图说明

图1为本发明提出的基于声音或振动信号的冲击特征识别方法流程图；

图2为本发明提出的基于声音或振动信号的冲击特征识别方法算法框图；

图3为本发明提出的基于声音或振动信号的冲击特征识别方法信号采集过程示意图；

图4为本发明提出的基于声音或振动信号的冲击特征识别方法中采集的信号振动波形和两组对比信号波形示意图；

图5为本发明提出的基于声音或振动信号的冲击特征识别方法中通过加窗操作得到的峰值信号序列x_peak[n]示意图；

图6为本发明提出的基于声音或振动信号的冲击特征识别方法中幅值截断系数ThA优化过程示意图。

具体实施方式

以下，基于附图来说明本发明的一实施方式。需要说明的是，在各附图中标注有相同的附图标记的结构表示相同的结构，并适当省略其说明。在本说明书中，在统称的情况下由省略尾标的附图标记表示，在表示单独的结构的情况下由带有尾标的附图标记表示。

本发明的应用对象为旋转机械状态监测行业所采集得到的一组数据信号，通常为了监测目标设备的运行状态，会提出一些监测指标或分析算法。最常用的峭度指标单纯利用四阶矩获取的指标容易受到非平稳噪声的干扰；偶然的冲击噪声会带来较大的波动，对故障敏感性较强但稳定性差。基于HT变换在求取包络过程中实时性差，难以在线实现；而且需要通过不同的方法确定合适的先验参数(滤波频带和滤波器参数)；利用正包络波形的冲击特征提取，整个方法计算复杂度较高，难以在边缘侧实现实时计算报警；多个指标评判严重程度需要可靠合理的数据融合方案；通过移动振幅因子MCF是会用到十分之一峰值法来判断冲击信号，其普适性较差；方法主要针对单个冲击信号的提取，难以实现对旋转机械的循环冲击检测，且未提炼出针对冲击程度的有效指标。

图1示出的是基于声音或振动信号的冲击特征识别方法流程图，图2示出的是基于声音或振动信号的冲击特征识别方法算法框图，结合图1和图2的内容，具体阐述本发明的方法，其包括了如下步骤，各步骤之间相互关联，以最终实现本发明所要解决的技术问题。

步骤S1、采集旋转机械系统运行过程中产生的信号x[n]，其中，n＝0,1,2,…,Len；Len为信号长度；

本发明的目的在于解决旋转机械系统中的冲击特征识别的技术问题，反应出机械设备的冲击状态，基于本发明的方法，如图3所示，步骤S1具体为采集旋转机械中旋转部件产生的信号x[n]，在本步骤中的信号，包括声音或者振动信号，同时，还包括其它一些能够反映部件故障的信号，比如声发射信号、超声波信号等等，通过这些信号的采集，能够准确的根据这些信号反应出部件的工作状态。

根据本发明的实施例，在信号采集过程中，采样频率F_s＝12.8kHz，采样点数N＝16384。以图4所示的原始信号为例说明本发明的实施步骤，上图为轴承外圈故障所产生较大冲击的时域波形，作为对比，中图为模拟的具有同样采集参数的白噪声信号，下图为频率28Hz、初始相位为π/4的标准余弦信号。

在本发明的实施例中，采集信号的部件为传感器，传感器类型可以包括振动传感器，也可以是麦克风传感器、声发射传感器、位移传感器、超声波传感器等。通过这些传感器目的在于实现对于不同的信号的采集。如图3所示，传感器的位置，以及相应的旋转部件、支撑底座等构成了本发明的信号采集的组成部分。

本实施例的数据采集对象可以是轴承，也可以是其他像齿轮、轴等旋转设备。

步骤S2、加窗处理所采集的信号x[n]，平移窗以获取每个窗内的信号频率峰值，得到峰值信号序列x_peak[n]。

在信号采集或者采样后，对信号进行处理，以进一步实现解决本发明所要解决的技术问题，在本实施例中，为了实现对采集信号的处理时，不可能对无限长的信号进行测量和运算，而是取其有限的时间片段进行分析，采用的信号处理方法为，通过增加窗函数的方式来实现，窗函数为一种截断函数，简称为窗，其目的在与减少能量泄露，通过不同类型的窗函数对信号进行截断。通过加窗处理信号，从信号中截取一个时间片段，然后通过平移窗来将观察的信号时间片段进行周期处理，得到虚拟的无限长的信号，在本实施例中，具体来说，如图5所示，对于本发明中采集到的信号进行平移窗处理后会得到每个窗内的信号频率峰值，对这些峰值进行保留，移动窗的中心，直到信号的所有点都完成该操作后，将这些峰值形成序列x_peak[n]。

步骤S3、基于预设的规则搜索符合条件的幅值截断系数ThA(i)，并基于所述截断系数ThA(i)计算出噪声的最优基准线ThN。

在本发明的实施例中，得到峰值序列x_peak[n]后，基于预设的规则来搜索出符合条件的最优幅值截断系数ThA(i)，具体来说，在搜索幅值截断系数ThA(i)时，针对优化空间内的不同截断系数，计算其对应的满足条件x_Peak[n]-ThA(i)＞0和x_Peak[n+1]-ThA(i)＜0的总截断点数N(i)，由N(i)的最大值确定出最优幅值截断系数ThA(i)。

在本实施例中，通过穷举法来实现对ThA(i)的计算，同时，需要说明的是，还可以通过其他也能实现本发明的目的的智能搜索算法，比如蚁群算法、模拟退火算法等来得到最优幅值截断系数ThA(i)。

如图6所示，本发明给出了三组信号的优化过程对比示意图，并根据该结果计算该条信号的噪声最优基准，具体计算方式为计算出所有ThA值，取中值即为ThN值，在本实施例中三组噪声最优基准ThN计算结果分别为0.5635、0.6408、2.3295。

通过步骤S3得到的最优基准ThN后，通过冲击计算窗，计算出每个窗内的冲击幅值的均值ImpA。

步骤S4、判断所述最优基准线ThN是否存在且不为0，若为是，则时域冲击比ImpR＝ImpA/ThN，否则时域冲击比ImpR＝0，其中，ImpA为每个窗内冲击幅值均值。

在本实施例中，通过计算出的ImpA以及ThN来进行最后的时域冲击比的计算，具体来说，计算出ThN后，来判断该ThN是否存在且不为0，如果满足ThN存在且不为0这一条件，则时域冲击比通过公式ImpR＝ImpA/ThN得到，如果不满足这个条件，则时域冲击比ImpR＝0。

在本实施例中，根据三组信号的方式，计算出时域冲击比分别为6.5634、1.5622、1.3792。从该指标可以直接反应原始信号中的冲击状态，为了更好的反应出本发明的实现方式，本实施例中，还设置了一阈值，通过这一阈值的设置则能够监测机器的健康状态。该阈值的设置仅为在实际检测过程中的健康状态的对比，具体范围不做限制，以实现反应出健康状态即可。

上述内容即为本发明提出的基于声音或振动信号的冲击特征识别方法。综合来看，本发明能够较好地解决目前的信号冲击识别或检测方法中存在的以下主要问题：需要先验参数、预算复杂、实时性差、对噪声敏感、算法普适性差，该方法适用于旋转机械故障诊断系统中的冲击特征识别，易于在实时系统中集成，实现设备状态的实时报警与监测。

在本发明中提出一种冲击特征识别方法，主要通过信号的最优截断系数自适应求解，得到一段信号的噪声最优基准；发明中所涉及的算法可以在上位机软件中实现，也可以很方便地在嵌入式或其他下位机系统中植入，均属于本发明的欲保护点；本发明所提及的算法可以是以数字信号的形式在数字芯片中实现，也可以以其他方式，比如硬件电路，来实现运算过程。

根据本发明的实施例，本发明还提出了一种基于声音或振动信号的冲击特征识别系统，该系统包括：

传感器，用于采集旋转机械系统运行过程中待检测部件产生的信号x[n]，其中，n＝0,1,2,…,Len；Len为信号长度；

处理器，用于加窗处理所采集的信号x[n]，平移窗以获取每个窗内的信号频率峰值，得到峰值信号序列x_peak[n]；基于预设的规则搜索符合条件的幅值截断系数ThA(i)，并基于所述截断系数ThA(i)计算出噪声的最优基准线ThN；判断所述最优基准线ThN是否存在且不为0，若为是，则时域冲击比ImpR＝ImpA/ThN，否则时域冲击比ImpR＝0，其中，ImpA为每个窗内冲击幅值均值；

存储器，用于存储预设的健康阈值，并在所述处理器得到时域冲击比ImpR后将其与所述预设的健康阈值进行比较，得到待检测部件的健康状况。

对于本领域技术人员而言，显然本发明实施例不限于上述示范性实施例的细节，而且在不背离本发明实施例的精神或基本特征的情况下，能够以其他的具体形式实现本发明实施例。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明实施例的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明实施例内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统、装置或终端权利要求中陈述的多个单元、模块或装置也可以由同一个单元、模块或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施方式仅用以说明本发明实施例的技术方案而非限制，尽管参照以上较佳实施方式对本发明实施例进行了详细说明，本领域的普通技术人员应当理解，可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。

Claims (9)

1.一种基于声音或振动信号的冲击特征识别方法，其特征在于，所述方法包括：

步骤S1、采集旋转机械系统运行过程中产生的信号x[n]，其中，n＝0，1，2，…，Len；Len为信号长度；

步骤S2、加窗处理所采集的信号x[n]，平移窗以获取每个窗内的信号频率峰值，得到峰值信号序列x_peak[n]；

步骤S3、基于预设的规则搜索符合条件的幅值截断系数ThA(i)，并基于所述截断系数ThA(i)计算出噪声的最优基准线ThN；

步骤S4、判断所述最优基准线ThN是否存在且不为0，若为是，则时域冲击比ImpR＝ImpA/ThN，否则时域冲击比ImpR＝0，其中，ImpA为每个窗内冲击幅值均值；

其中，所述基于预设的规则搜索符合条件的幅值截断系数ThA(i)，具体为，计算x_Peak[n]-ThA(i)＞0和x_Peak[n+1]-ThA(i)＜0的总截断点数N(i)，由N(i)的最大值确定幅值截断系数ThA(i)。

2.根据权利要求1所述的基于声音或振动信号的冲击特征识别方法，其特征在于，所述采集旋转机械系统运行过程中产生的信号x[n]，具体为，通过安装于旋转机械系统待检测部件表面的传感器，以采用频率F_s＝12.8kHz，采样点数N＝16384，进行采样得到信号x[n]。

3.根据权利要求2所述的基于声音或振动信号的冲击特征识别方法，其特征在于，在计算出噪声的最优基准线ThN之后，还包括通过冲击计算窗，计算出每个窗内冲击幅值的均值ImpA。

4.根据权利要求1所述的基于声音或振动信号的冲击特征识别方法，其特征在于，所述信号为声音信号、振动信号或者超声波信号中的一种或多种。

5.根据权利要求2所述的基于声音或振动信号的冲击特征识别方法，其特征在于，所述传感器为振动传感器、麦克风传感器、声发射传感器、位移传感器或者超声波传感器中的一种。

6.根据权利要求2所述的基于声音或振动信号的冲击特征识别方法，其特征在于，所述待检测部件为轴承、齿轮或者轴的一种或多种。

7.根据权利要求1所述的基于声音或振动信号的冲击特征识别方法，其特征在于，所述确定幅值截断系数ThA(i)采用穷举法、蚁群算法或者模拟退火算法中的一种。

8.根据权利要求4所述的基于声音或振动信号的冲击特征识别方法，其特征在于，所述步骤S4之后还包括，将计算得到的时域冲击比ImpR与预设的阈值进行比较，判断出待检测部件的健康状况。

9.一种基于声音或振动信号的冲击特征识别系统，其特征在于，所述系统包括：

传感器，用于采集旋转机械系统运行过程中待检测部件产生的信号x[n]，其中，n＝0，1，2，…，Len；Len为信号长度；

处理器，用于加窗处理所采集的信号x[n]，平移窗以获取每个窗内的信号频率峰值，得到峰值信号序列x_peak[n]；基于预设的规则搜索符合条件的幅值截断系数ThA(i)，并基于所述截断系数ThA(i)计算出噪声的最优基准线ThN；判断所述最优基准线ThN是否存在且不为0，若为是，则时域冲击比ImpR＝ImpA/ThN，否则时域冲击比ImpR＝0，其中，ImpA为每个窗内冲击幅值均值，其中，所述基于预设的规则搜索符合条件的幅值截断系数ThA(i)，具体为，计算x_Peak[n]-ThA(i)＞0和x_Peak[n+1]-ThA(i)＜0的总截断点数N(i)，由N(i)的最大值确定出幅值截断系数ThA(i)；

存储器，用于存储预设的健康阈值，并在所述处理器得到时域冲击比ImpR后将其与所述预设的健康阈值进行比较，得到待检测部件的健康状况。

Images