CN111503010A - 一种离心泵宽带辐射噪声信号特征提取方法 - Google Patents

Abstract

本发明公开了一种离心泵宽带辐射噪声信号特征提取方法，所述宽带辐射噪声信号特征提取方法包括以下步骤：监测信号的预处理，信号等频带划分，特征频带选择，特征矩阵构造，特征提取，最终得到离心泵辐射噪声信号的特征。应用本发明所述的宽带辐射噪声信号特征提取方法，能够得到离心泵辐射噪声中轴频关键特征，能够为离心泵内部流场的稳定性进行表征，对离心泵流致噪声机理的研究具有重要的理论意义。

Description

一种离心泵宽带辐射噪声信号特征提取方法

技术领域

本发明属于信号处理领域，尤其涉及一种离心泵宽带辐射噪声信号特征提取方法。

背景技术

离心泵是一种典型的水利旋转机械，广泛应用于日常生活、工业生产中。尤其随着大型机械装备的迅速发展，离心泵安全可靠运行是工业生产正常运行的重要保障。离心泵在运转的过程中容易发生空化、气蚀等，严重影响离心泵工作效率及安全。在线监测与故障诊断技术是对离心泵安全、可靠运行的重要保障，离心泵监测信号的特征提取是进行其在线监测与故障诊断的关键技术。

发明人在实现本发明的过程中，发现现有技术中至少存在以下缺点和不足：

现有的离心泵监测信号的特征提取方法主要包括短时傅里叶变换、小波变换、经验模态分解等方法。短时傅里叶变换是一种常用的时频分析手段，能够同时获得信号的时间与频率信息，但是短时傅里叶变换需要合理的选择窗函数的长度，其时间分辨率和频率分辨率受到窗函数选择的约束。小波变换与短时傅里叶变换相比，克服了时间分辨率和频率分辨率之间的限制，能够有效地应用于信号的分解与重构，但是小波函数众多，在实际应用过程中小波函数的选择比较复杂，因此限制了小波分析的应用。经验模态分解应该有效地实现信号不同组分之间的分解，但是由经验模态分解得到的模态分量不具有实际的物理意义，因此在离心泵的特征提取过程中受到了应用限制。此外，目前常用的三种算法，其抗造性能较差，在信噪比较低的工况下，特征提取效果不明显。

发明内容

本发明提供了一种离心泵宽带辐射噪声信号特征提取方法，本发明通过宽频带辐射噪声的特征提取，满足了实际应用中的需要，能够准确的提取离心泵的轴频等关键特征，详见下文描述：

一种离心泵宽带辐射噪声信号特征提取方法，包括以下步骤：

步骤1：监测信号预处理；

步骤2：信号等频带划分；

步骤3：特征频带选择；

步骤4：特征矩阵构造；

步骤5：特征提取。

步骤1中，所述的噪声信号预处理方法为，使用自回归模型算法进行监测信号的降噪处理，基于自回归模型的预处理算法在MATLAB软件中为。

x_p = lpc(x,n);

est_x = filter([0 - x_p (2:end)],1,x);

式中，x表示离心泵监测辐射噪声时序信号，n表示自回归模型阶次，x_p表示监测信号x的自回归模型的系数，est_x表示监测信号采用自回归模型预处理算法的结果。

步骤2中，所述的信号频带划分过程为：

步骤2-1，根据离心泵运转工况，初步确定所监测信号的划分阶数；

步骤2-2，根据所确定信号划分阶数，利用小波包分解方法，进行监测信号的等频带分解；

步骤2-3，根据所划分各频带信号进行小波包重构，得到各频带时域信号。

步骤3中，所述的特征频带选择过程为：

步骤3-1，根据步骤2所划分的各频带信号，分别求解各频带信号能量；

步骤3-2，根据各频带能量，选取主要能量所在信号频带；

步骤4中，所述的特征矩阵构造过程为：

步骤4-1，根据步骤3所选各特征频带，分别对各频带求解包络信号；

步骤4-2，根据所求各频带包络信号，组成阵列，构造特征矩阵。

步骤5中，所述的特征提取过程为：

步骤5-1，根据所构造特征矩阵，进行特征值分解，获得特征向量及特征值；

步骤5-2，根据特征值，求解相邻特征值差值，获得特征值差值序列；

步骤5-3，根据特征值差值序列最大值，确定所选特征向量；

步骤5-4，根据所选定特征向量，进行特征信号组分提取；

步骤5-5，根据所得特征信号组分，对各组分进行傅里叶变换，得到离心泵辐射噪声信号特征。

本发明提供了一种离心泵宽带辐射噪声信号特征提取方法，通过对监测信号多频带的划分及多频带特征提取，增强了算法的抗造性能；通过对各频带的包络谱分析提取了各频带的调制组分，进而能够有效地表征离心泵监测信号的特征信息。

附图说明

图1为本发明提出的一种离心泵宽带辐射噪声信号特征提取方法示意图；

图2为离心泵监测噪声信号时域图；

图3为离心泵监测信号预处理后得到的时域图；

图4为小波包分解各组分信号能量分布图；

图5为特征值和差异值分布图；

图6为特征提取的频谱。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

针对背景技术中存在的问题，本发明提出了一种离心泵宽带辐射噪声信号特征提取方法，本发明实现了离心泵监测噪声信号的特征提取，解决了现有的傅里叶变换、小波分析、经验模态分解算法存在的缺陷，详见下文描述：

S01，噪声信号预处理。

对于离心泵的辐射噪声信号，利用传声器进行信号采集，离心泵辐射噪声时域信号（如图2所示），采用基于自回归模型的预处理算法进行降噪处理（如图3所示），在MATLAB中，其预处理算法语句为。

x_p = lpc(x,n);

est_x = filter([0 - x_p (2:end)],1,x);

在本次演示中，取阶次n=500。

S02，信号等频带划分。

根据离心泵的工作状况选取频带划分的阶数，在这里，分解的阶次原则为，划分频带的带宽大于两倍的特征频率。在本实验中，监测信号的采样频率为20480，离心泵的特征频率为50Hz，因此选用的划分阶数为3，满足所提出的划分准则。通过小波包分解得到8个信号组分。

S03，特征频带选择。

根据信号频带划分得到的各组分时域信号，利用matlab求解各组分的能量如下所示。

(2)

式中，

表示信号分解得到的第i个组分时序信号，i表示序号，

表示第i个信号组分的能量，

表示范数函数。

在本演示实验中，各频带的能量占比（如图4所示）。特征频带的选取准则为特征频带的总能量不小于全频带能量的80%，因此在本实验中选取的频带为3、4、5、6、7、8。

S04，特征矩阵构造。

根据信号特征频带的选择所得到的特征频带时域信号，分别对各组分时域信号进行包络谱分析，获得各组分包络谱时序信号。

将各频带数据组成阵列得到对应的特征矩阵。

（4）

式中，

表示信号频带的包络矩阵，

表示信号特征频带的系数，

表示信号的长度。

S05，特征提取。

首先，频带包络矩阵的协方差矩阵求解。协方差矩阵可以利用MATLAB中的协方差矩阵函数进行直接求解如下所示。

（5）

式中，

表示频带包络矩阵的协方差矩阵，

表示矩阵协方差求解函数。

其次，协方差矩阵的特征值分解。特征值分解是提取主要成分的关键工具，通过特征值分解能够得到特征值矩阵和特征向量。协方差矩阵的特征值分解如下所示。

（6）

式中，

表示MATLAB中特征值分解函数，

表示特征值矩阵，

表示特征向量矩阵。

[V,U]＝eig(bwpm_cov) (4)

式中，eig(·)表示MATLAB中特征值分解函数，V表示特征值矩阵，U表示特征向量矩阵。

V＝diag[λ₁ λ₂ … λ_m] (5)

式中，λ₁ λ₂ … λ_m表示矩阵特征值。

U＝[μ₁,μ₁,…,μ_m]∈R^m×m (6)

式中，μ₁,μ₁,…,μ_m表示矩阵的特征向量。

特征组分的选取是本算法的关键，合适的特征值选取既可以增强调制信号成分的信噪比，也可以降低最终算法的计算量。在本研究中建立特征值选取准则如下。

Δλ_i＝λ_i+1-λ_i (7)

式中，Δλ_i表示选取的特征值总数量。

在本演示实验中最终得到的特征值和差异值分布(如图5所示)，根据差异值的最大值确定特征成分重构的数目，因此在本演示中重构成分数目为1。根据特征值选取准则确定的特征值，便可以利用组分重构方法进行监测信号的特征组分重构。

根据所重构的包含调制信号的特征组分信号，利用傅里叶变换算法进行低频声纹理特征的提取。本演示中得到的特征提取结果(如图6所示)，离心泵的特征频率能够准确提取。

式中，P_i(f)表示重构信号的频谱分布。

综上所述，

利用宽带的辐射噪声信号特征提取方法能够准确的获得离心泵的轴频，而采用傅里叶变换时，所获得的特征频率不明显，且干扰频率较多，不能满足离心泵状态监测与故障诊断的需求，因此宽带辐射噪声信号特征提取方法能够获得更好的效果。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种离心泵宽带辐射噪声信号特征提取方法，其特征在于，所述的所述噪声信号特征提取方法包括以下步骤：

步骤1：监测信号预处理；

步骤2：信号等频带划分；

步骤3：特征频带选择；

步骤4：特征矩阵构造；

步骤5：特征提取。

2.根据权利要求1所述的一种离心泵宽带辐射噪声信号特征提取方法，其特征在于，所述的噪声信号预处理方法为，对所监测噪声信号采用自回归模型进行降噪处理。

3.根据权利要求1所述的一种离心泵宽带辐射噪声信号特征提取方法，其特征在于，所述的步骤2具体过程为：

步骤2-1，根据离心泵运转工况，初步确定所监测信号的划分阶数；

步骤2-2，根据所确定信号划分阶数，利用小波包分解进行监测噪声信号的等频带分解；

步骤2-3，根据所划分各频带信号进行小波包重构，得到各频带时域信号。

4.根据权利要求1所述的一种离心泵宽带辐射噪声信号特征提取方法，其特征在于，所述的步骤4具体过程为：

步骤4-1，根据步骤3所选各特征频带，分别对各频带求解包络信号；

步骤4-2，根据所求各频带包络信号，组成阵列，构造特征矩阵。

5.根据权利要求1所述的一种离心泵宽带辐射噪声信号特征提取方法，其特征在于，所述的步骤5具体过程为：

步骤5-1，根据所构造特征矩阵，进行特征值分解，获得特征向量及特征值；

步骤5-2，根据特征值，求解相邻特征值差值，获得特征值差值序列；

步骤5-3，根据特征值差值序列最大值，确定所选特征向量；

步骤5-4，根据所选定特征向量，进行特征信号组分提取；

步骤5-5，根据所得特征信号组分，对各组分进行傅里叶变换，得到离心泵辐射噪声信号特征。

6.根据权利要求1所述的一种离心泵宽带辐射噪声信号特征提取方法，其特征在于，所述的步骤3具体过程为：

步骤3-1，根据步骤2所划分的各频带信号，分别求解各频带信号能量；

步骤3-2，根据各频带能量，选取主要能量所在信号频带。

Images