CN111428596A - 一种基于三拾音器的磨音信号检测方法 - Google Patents

Abstract

本发明请求保护一种基于三拾音器的磨音信号检测方法，该方法包括：三拾音器的磨音信号采集模型和基于FastICA的磨音信号处理方法。该方法利用三个拾音器分别采集磨机碾磨时的声音信号、带动球磨机工作的电机音频信号以及将物料吸出的风机音频信号，得到带噪磨音信号、带噪电机信号、带噪风机信号。然后利用FastICA算法，得到估计磨音信号、估计电机信号、估计风机信号。最后将估计磨音信号、估计电机信号、估计风机信号与源电机信号和源风机信号做相似系数的计算，最终得到纯净的磨音信号。测试结果表明：本方法有效抑制了噪声，增强了磨音信号，为实时准确地检测磨机负荷提供了前提条件。

Description

一种基于三拾音器的磨音信号检测方法

技术领域

本发明属于信号处理领域，具体为水泥工厂中磨机碾磨过程中发出的磨音信号的采集与处理方法研究。

背景技术

球磨机是水泥生产中物料粉碎的关键设备，在工业生产中具有容量大、维护简单、运行可靠、密封性好等特点。在球磨机生产中，球磨机筒内装载着不同种类不同规格的碾磨介质，如钢球、钢棒和碾磨的矿石等。当筒体转动时，筒体内的物料在重力的作用下产生冲击作用，在倾泻状态下起碾磨作用，将物料碾磨成粉末状，最后在风机的拉力作用下，将粉碎后的物料从出料口排出。但是磨机生产过程中，由于缺乏准确，可靠的检测方法，因此球磨机很容易出现空磨和饱磨等非正常现象。长期空磨会造成磨机运行效率低、能源浪费、损坏筒体、减少磨机的使用寿命；饱磨会造成物料碾磨不合格、堵塞筒体等有害现象。因此，使磨机长期处于正常磨的工作状态，可有效提高磨机工作效率、降低能耗、增加产量高。

目前市场也存在一些常见的处理球磨机发出的声音(简称磨音)方法，常用主要为双拾音器的磨音信号检测方法在采集磨机碾磨声音(简称磨音)。基于双拾音器的磨音信号采集和处理方法如下：主拾音器主要用来采集带噪磨音信号和背景噪声，副拾音器背向磨机采集周边的环境噪声，再通过谱减法对主拾音器采集的磨音信号进行去噪。假设带噪磨音信号为y(n)，纯净磨音信号为x(n)，周边环境噪声为d(n)，它们之间的关系可用下式的加性模型表示。

y(n)＝x(n)+d(n) (1)

对上式两边DFT得到表达式(2.4)，它们之间的关系为

Y(ω)＝X(ω)+D(ω) (2)

其中带噪磨音信号的频谱为Y(ω)，纯净磨音信号的频谱为X(ω)，噪声信号的频谱D(ω)。信号经过加窗处理后，对上式两端同时取平方得到功率谱，可得到下式(2.5):

其中

被称为交叉项，当d(n)具有0均值，并且与x(n)不相关时，则

式(2.5)进一步化简可得。

|Y(ω)|²＝|X(ω)|²+|D(ω)|² (4)

或者写为：

|X(ω)|²＝|Y(ω)|²-|D(ω)|² (5)

根据谱减法，主拾音器采集的带噪磨音信号为Y(ω)，副拾音器采集的周边环境噪声为D(ω)，将带噪磨音信号的频谱与周边环境噪声的频谱相减即可去磨音信号去噪。但是在实际上二者在频谱可能会有重叠，且带噪的磨音信号的频谱与周边环境噪声的频谱相减时可能会出现负值，这是对噪声信号出现了过估计的问题。因此，此方法虽然简单，但是用于磨机负荷检测时，准确性较差。因此，为了更好的满足磨音信号处理需求，发明一种针对新的磨音信号的采集和处理方法显得尤为重要。

发明内容

本发明旨在解决现有技术中的问题。提出了一种基于三拾音器的磨音信号检测方法。本发明的技术方案如下：

一种基于三拾音器的磨音信号检测方法，其包括以下步骤：

利用三拾音器分别采集球磨机现场电机、风机和球磨机工作时发出的音频信号；

采用盲源分离中的负熵FastICA算法，分离出估计电机信号、估计磨音信号、估计风机信号；

将估计信号与源电机信号和源风机信号做相似系数的计算；

得到去噪后的磨音信号，结束。

进一步的，所述负熵FastICA算法主要步骤如下：

步骤一：信号的中心化步骤；

步骤二：信号的白化步骤；

步骤三：选择需要估计的独立成分个数，通过三个拾音器采集得到的混合磨音信号、混合电机信号、混合风机信号，需要估计的独立成分个数为三个；

步骤四：初始化一个权向量，初始化权向量是堆积的，在后续中需要判断权向量是否收敛，如果收敛则得到一个源信号的估计分量；

步骤五：基于负熵公式对权向量进行迭代，基于负熵的FactICA算法是以负熵极大值作为目标函数进行迭代搜索，当负熵达到最大值时认为此时分离出的信号是独立的；

步骤六：得到源信号的一个估计分量；

步骤七：估计信号数目是否与源信号数据相同分离出估计磨音信号即为去噪后的磨音信号。

进一步的，所述步骤二信号的白化步骤具体包括：

设Z为中心化之后得到零期望向量信号，白化定义如下，如果信号满足如下公式，

E{ZZ^T}＝I (3)

式中，I为单位向量，则认为向量Z是白化信号；

观测信号X的白化过程是寻找一组正交旋转矩阵V，然后使用线性转换 Z＝VX，让变换之后获取的新向量Z是白化信号；

E{ZZ^T}＝E{VXX^TV^T}＝I (4)

白化过程中是新观测信号X的协方差矩阵R_XX＝{XX^T}，对协方差矩阵进行特征值分解可得

R_XX＝EDE^T (5)

式中，E为正交矩阵，有协方差矩阵的特征向量组成，D为对角矩阵，有特征向量关联的特征值组成，结合上式，得到白化矩阵

进一步的，所述步骤五基于负熵公式对权向量进行迭代具体包括：基于负熵的FactICA算法是以负熵极大值作为目标函数进行迭代搜索，当负熵达到最大值时认为此时分离出的信号是独立的，负熵的定义为：

J(y)＝H(y_gauss)-H(y) (7)

其中，y_gauss服从高斯分布，y_gauss和y具有相同的方差，y表示某一种信号。H(·) 为变量的微分熵，负熵的取值大于等于零，当它服从高斯分布时，负熵为0；

采用广义高阶矩阵来得到负熵的近似估计：

J(y)≈[E{G(y)-E{G(v)}}]² (8)

式中，E(·)为求解期望，v为均值方差为1的Gaussian变量，G(·)表示某种类别的非线性函数，g(y)是G(y)的一阶导数。

进一步的，所述将估计信号与源电机信号和源风机信号做相似系数的计算，具体包括：

对估计信号做相似系数的判断，判断标准为：设估计信号y(t)中的第i个估计信号y_i(t)与源信号s_j(t)中的第j个源信号s_j(t)，则y_i(t)和s_j(t)的相似系数为：

上式中，y_i为独立成分分析后的任一分离结果，s_j为任一源信号，M指源信号中独立成分的个数，ρ_ij为相似系数，其中|ρ_ij|≤1，如果|ρ_ij|越接近于1，则表示 y_i(t)和s_j(t)相似程度高；如果|ρ_ij|越接近于0，则表示y_i(t)和s_j(t)不相似，可近似看作两种信号相互独立。

本发明的优点及有益效果如下：

本发明设计磨音信号的采集和去噪，一种适用于三拾音器磨音信号检测和处理的方法。在球磨机运行过程中，磨机碾磨发出的声音才能反映磨机工况，该方法首先利用三拾音器分别采集球磨机现场的音频信号，主拾音器采集的信号包含有用的磨音信号和噪声信号，两个副拾音器分别采集带噪的电机信号和带噪风机信号。然后将采集到信号通过盲源分离中的基于负熵FastICA算法，得到估计电机信号、估计磨音信号和估计风机信号，其中估计信号为去噪信号。接着由于FastICA算法分离信号排列的不确定性，其输出的排序可能与输入源信号的顺序不一致。因此还需要对三种估计信号分别与纯净的电机噪声信号和纯净的风机噪声信号做相似系数的计算，通过计算可以得到分离后磨音信号。因此混合噪声通过FastICA算法后，风机噪声和电机噪声可被消除，磨音信号可被有效提取。但是针对磨机复杂的工作环境，三拾音器正确的摆放位置可以很大程度上完成对磨音信号去噪，最终得到纯净的磨音信号。并且通过对不同物料处理速度下的两种磨音信号去噪的方法研究，经过ICA算法的磨音信号信噪比相对而谱减法去噪的磨音信号信噪比增加了约一倍，说明磨音信号去噪良好。

附图说明

图1是本发明FastICA分离算法流程图；

图2为本发明基于三拾音器的信号采集模型；

图3为本发明采集的纯净的电机噪声信号和风机噪声信号；

图4为本发明采集的带噪电机信号，带噪磨音信号，带噪风机信号；

图5为本发明的去噪电机信号，去噪磨音信号，去噪风机信号。

图6为本发明基于三拾音器的磨音信号检测方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

本发明基于三拾音器的磨音信号检测，是通过三个拾音器采集得到的混合磨音信号、混合电机信号、混合风机信号。由于混合磨音信号中混有电机、风机等噪声，通过FastICA算法可以分离出估计磨音信号、估计电机信号和估计风机信号，最后将分离后的估计磨音信号作为判定磨机负荷的有效信号。FastICA 算法主要步骤如下：

步骤一：信号的中心化。信号的中心化也叫信号的去均值，就是将观测信号X减去X的均值E{X}，使得处理后的信号均值为零，其表达式如下：

对观测信号进行去均值处理后，实际上源信号也被去均值了，这是因为 E(S)＝A^{- 1}E(X)。经过去均值处理后，可以发现混合矩阵并没有改变，ICA模型的估计并没有受到影响，但是计算的复杂度得到了降低，算法的收敛速度加快了。为了最后能得到和源信号相一致的信号，通常我们在对去均值的观测信号进行处理得到估计信号后，会加上减掉的均值。

步骤二：信号的白化。信号的白化过程作用在一方面在于去除原有成分之间的二阶相关性，让ICA算法的重点在于观测信号的高阶统计量上。另一方面当接收到信号个数大于原有信号个数时，白化过程可降低输入信号的冗余性，使得原有信号的个数和接收到的信号个数相同。设Z为中心化之后得到零期望向量信号，白化定义如下，如果信号满足如下公式，

E{ZZ^T}＝I (3)

式中，I为单位向量，则认为向量Z是白化信号。

观测信号X的白化过程是寻找一组正交旋转矩阵V，然后使用线性转换 Z＝VX，让变换之后获取的新向量Z是白化信号。

E{ZZ^T}＝E{VXX^TV^T}＝I (4)

白化过程中是新观测信号X的协方差矩阵R_XX＝{XX^T}，对协方差矩阵进行特征值分解可得

R_XX＝EDE^T (5)

式中，E为正交矩阵，有协方差矩阵的特征向量组成，D为对角矩阵，有特征向量关联的特征值组成，结合上式，得到白化矩阵

信号白化的本质是去相关性，白化后的信号分量互不相关，信号白化后可以加快收敛速度，提高算法ICA算法的稳定性，也减少了ICA的工作量。

步骤三：选择需要估计的独立成分个数。本方法在应用中通过三个拾音器采集得到的混合磨音信号、混合电机信号、混合风机信号。因此需要估计的独立成分个数为三个。

步骤四：初始化一个权向量。初始化权向量是堆积的，在后续中需要判断权向量是否收敛，如果收敛则得到一个源信号的估计分量。

步骤五：基于负熵公式对权向量进行迭代。基于负熵的FactICA算法是以负熵极大值作为目标函数进行迭代搜索，当负熵达到最大值时认为此时分离出的信号是独立的。负熵的定义为：

J(y)＝H(y_gauss)-H(y) (7)

其中，y_gauss服从高斯分布，y_gauss和y具有相同的方差，H(·)为变量的微分熵。负熵的取值大于等于零，当它服从高斯分布时，负熵为0。

由于负熵的计算量较大，Hyvarinen提出一种负熵的估计方法，是利用广义高阶矩阵来得到负熵的近似估计：

J(y)≈[E{G(y)-E{G(v)}}]² (8)

式中，E(·)为求解期望，v为均值方差为1的Gaussian变量，G(·)表示某种类别的非线性函数。常用的非线性函数G如下表所示，表中其中，g(y)是G(y)的一阶导数。

步骤六：得到源信号的一个估计分量。在FastICA算法中，以负熵最大作为搜寻方向，因此需要引入一个单位长度向量w来得到极大化非高斯变量的投影 w^Tz，w^Tz用负熵来表示，此处的w^Tz的方差为1。在信号经过预处理的中心化和白化过程后，白化后的变量用z表示，在w的计算公式如下：

w＝E{zg(w^Tz)} (9)

(1+α)w＝E{zg(w^Tz)}+αw (10)

始终g(·)为非线性方程G(·)的导数，α为拉格朗日算子。因此通过计算 E{G(w^Tz)}的极值点，就可以得到w^Tz的近似负熵极大值。在E{G(w^Tz)}＝||w||²＝1的约束条件下，E{G(w^Tz)}的极值条件是拉格朗日乘数梯度为0，即：

F＝E{zg(w^Tz)}+βw＝0 (11)

式中β为常数，然后对F求导可以得到Jacobian矩阵：

JF(w)＝E{zz^Tg′(w^Tz)}+βI (12)

由于信号白化处理后观测信号满足E{zz^T}＝I，因此

E{zz^Tg′(w^Tz)}≈E{zz^T}E{g(w^Tz)}＝E{g(w^Tz)}I (13)

此时，Jabocain矩阵为对角矩阵，可以进行求逆，这样就得到了近似的牛顿迭代法：

将上式两边分别乘以E{zg(w^Tz)}+β，经过化简可得：

w⁺＝E{zg(w^Tz)}-E{g(w^Tz)} (15)

式中，w^*为w的一次牛顿迭代运算之后更新的值。

步骤七：估计信号数目是否与源信号数据相同。由于此算法是逐次分离源信号的，因此当有多个源信号时，需要多次重复求解公式，为了能够使分离出的源信号估计不同于前一次，在迭代后需要对权向量w进行正交化去相关处理。

当已经提取了n-1个向量时，则得到第n个向量为：

通过以上的分析过程就实现了FastICA算法对每一个源信号的分离，即可实现多成分独立信号分析，分离出估计磨音信号即为去噪后的磨音信号。FastICA 分离算法流程图如图1所示。

本发明提出的一种适用于三拾音器磨音信号检测和处理的新方具体实施步骤如下：

步骤一：安装拾音器采集音频信号。将主拾音器音频采集入口定向摆放在离磨机中间位置20cm左右处，两个副拾音器摆放在离电机和风机中间位置20cm 左右处，如图2所示。然后分别打开电机和风机，两个副拾音器分别采集纯净的电机信号和纯净的风机信号。如图3所示。

步骤二：使球磨机正常工作，三个拾音器分别采集带噪电机信号、带噪磨机信号和带噪风机信号。将拾音器采集数据组成3×20000的矩阵，然后通过FastICA 算法对带噪的混合进行处理。拾音器采集的混合信号如图4所示。

步骤三：经过FastICA算法后得到三个估计信号，如图5所示。由于FastICA 算法存在分离信号排列的不确定性。这种不确定性是不能确定输出数据与源信号是相互关联的，造成这种不确定性的原因也是对源信号和混合矩阵的未知，输出的排序可能与输入源信号的顺序不一致。因此需要对估计信号做相似系数的判断，判断标准为：设估计信号y(t)中的第i个估计信号y_i(t)与源信号s_j(t)中的第j个源信号s_j(t)，则y_i(t)和s_j(t)的相似系数为：

上式中，y_i值独立成分分析后的任一分离结果，s_j为任一源信号，M指源信号中独立成分的个数。ρ_ij为相似系数，其中|ρ_ij|≤1。如果|ρ_ij|越接近于1，则表示 y_i(t)和s_j(t)相似程度高；如果|ρ_ij|越接近于0，则表示y_i(t)和s_j(t)不相似，可近似看作两种信号相互独立。

步骤四：将三种估计信号分别与纯净的电机和风机信号做相似系数的计算，其计算结果如下表所示。

由表可知，估计信号3与电机信号的相似系数较高，则可把估计信号看作是去噪后的电机信号，估计信号2与风机信号的相似系数较高，则可把估计信号看作是去噪后的风机信号，因此，估计信号3为去噪后的磨音信号。

步骤五：信噪比可以用来衡量磨音信号的去噪效果，信噪比越大，说明磨音信号的去噪效果越好。信噪比的计算公式如下：

式中，y_i(t)为第i个估计信号，s_i(t)为第i个源信号。式中，

r_is_i(t)可以看作是第i个估计信号y_i(t)在源信号s_i(t)上的投影。

通过上式的计算即可得到磨音信号去噪后的信噪比，为了验证磨音信号的去噪效果，本文将基于独立成分分析的磨音信号去噪方法的信噪比与传统的谱减法的信噪比做对比，二者的信噪比如下表所示。

通过对比发现，通过对不同物料处理速度下的两种磨音信号去噪的方法研究，经过ICA算法的磨音信号信噪比平均值约为10.99dB，而谱减法去噪的磨音信号信噪比平均值约为5.87dB，信噪比增加了约一倍，表明说明磨音信号去噪良好。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种基于三拾音器的磨音信号检测方法，其特征在于，包括以下步骤：

利用三拾音器分别采集球磨机现场电机、风机和球磨机工作时发出的音频信号；

采用盲源分离中的负熵FastICA算法，分离出估计电机信号、估计磨音信号、估计风机信号；

将估计信号与源电机信号和源风机信号做相似系数的计算；

得到去噪后的磨音信号，结束。

2.根据权利要求1所述的一种基于三拾音器的磨音信号检测方法，其特征在于，所述负熵FastICA算法主要步骤如下：

步骤一：信号的中心化步骤；

步骤二：信号的白化步骤；

步骤三：选择需要估计的独立成分个数，通过三个拾音器采集得到的混合磨音信号、混合电机信号、混合风机信号，需要估计的独立成分个数为三个；

步骤四：初始化一个权向量，初始化权向量是堆积的，在后续中需要判断权向量是否收敛，如果收敛则得到一个源信号的估计分量；

步骤五：基于负熵公式对权向量进行迭代，基于负熵的FactICA算法是以负熵极大值作为目标函数进行迭代搜索，当负熵达到最大值时认为此时分离出的信号是独立的；

步骤六：得到源信号的一个估计分量；

步骤七：估计信号数目是否与源信号数据相同分离出估计磨音信号即为去噪后的磨音信号。

3.根据权利要求2所述的一种基于三拾音器的磨音信号检测方法，其特征在于，所述步骤二信号的白化步骤具体包括：

设Z为中心化之后得到零期望向量信号，白化定义如下，如果信号满足如下公式，

E{ZZ^T}＝I(3)

式中，I为单位向量，则认为向量Z是白化信号；

观测信号X的白化过程是寻找一组正交旋转矩阵V，然后使用线性转换Z＝VX，让变换之后获取的新向量Z是白化信号；

E{ZZ^T}＝E{VXX^TV^T}＝I(4)

白化过程中是新观测信号X的协方差矩阵R_XX＝{XX^T}，对协方差矩阵进行特征值分解可得

R_XX＝EDE^T(5)

式中，E为正交矩阵，有协方差矩阵的特征向量组成，D为对角矩阵，有特征向量关联的特征值组成，结合上式，得到白化矩阵

4.根据权利要求2所述的一种基于三拾音器的磨音信号检测方法，其特征在于，所述步骤五基于负熵公式对权向量进行迭代具体包括：基于负熵的FactICA算法是以负熵极大值作为目标函数进行迭代搜索，当负熵达到最大值时认为此时分离出的信号是独立的，负熵的定义为：

J(y)＝H(y_gauss)-H(y)(7)

其中，y_gauss服从高斯分布，y_gauss和y具有相同的方差，y表示某一种信号，H(·)为变量的微分熵，负熵的取值大于等于零，当它服从高斯分布时，负熵为0；

采用广义高阶矩阵来得到负熵的近似估计：

J(y)≈[E{G(y)-E{G(v)}}]²(8)

式中，E(·)为求解期望，v为均值方差为1的Gaussian变量，G(·)表示某种类别的非线性函数，g(y)是G(y)的一阶导数。

5.根据权利要求4所述的一种基于三拾音器的磨音信号检测方法，其特征在于，所述将估计信号与源电机信号和源风机信号做相似系数的计算，具体包括：

对估计信号做相似系数的判断，判断标准为：设估计信号y(t)中的第i个估计信号y_i(t)与源信号s_j(t)中的第j个源信号s_j(t)，则y_i(t)和s_j(t)的相似系数为：

上式中，y_i为独立成分分析后的任一分离结果，s_j为任一源信号，M指源信号中独立成分的个数，ρ_ij为相似系数，其中|ρ_ij|≤1，如果|ρ_ij|越接近于1，则表示y_i(t)和s_j(t)相似程度高；如果|ρ_ij|越接近于0，则表示y_i(t)和s_j(t)不相似，可近似看作两种信号相互独立。

Images