CN114486254A - 一种基于时/频双域分析的自行车轴承检测方法 - Google Patents

Abstract

本申请属于自行车轴承检测技术领域，具体公开一种基于时/频双域分析的自行车轴承检测方法，包括分别获取异常或正常的轴承在转动状态下对应的第一转轴转速和第一音频序列，将第一转轴转速划分为多个第一转速区间，并对每个转速区间的音频序列进行特征增强处理，构建包含第一转速区间‑第一音频序列和第一高低功率比的第一增强向量特征；获取待测轴承的第二转轴转速和第二音频序列，按上述步骤构建包含第二转速区间‑第二音频序列和第二高低功率比的第二增强向量特征；将第二增强向量特征与第一增强向量特征相对照计算相似度，将相似度与预设相似度阈值相比较，当相似度小于预设相似度阈值时，输出轴承异常或正常的判断结果。

Description

一种基于时/频双域分析的自行车轴承检测方法

技术领域

本申请属于自行车轴承检测技术领域，具体地说涉及一种基于时/频双域分析的自行车轴承检测方法。

背景技术

自行车轴承检测普遍存在于轴承的生命周期(出厂检测、故障检测等)中，音频检测(人工辩声)是最常用和普遍的方法，而该方法核心是人工识别某一转速下轴承的异响。该方法依赖实时人员的工作经验，存在人为差异和识别准确度不稳定的问题，并且不能系统性的定量分析，工作效率较低。

因此，现有技术还有待于进一步发展和改进。

发明内容

针对现有技术的种种不足，为了解决上述问题，现提出一种基于时/频双域分析的自行车轴承检测方法。本申请提供如下技术方案：

一种基于时/频双域分析的自行车轴承检测方法，包括：

分别获取异常或正常的轴承在转动状态下对应的第一转轴转速和第一音频序列，将第一转轴转速划分为多个第一转速区间，并对每个转速区间的音频序列进行特征增强处理，构建包含第一转速区间-第一音频序列和第一高低功率比的第一增强向量特征，其中，特征增强处理包括对获取的原始数据进行处理得到速度区间、频率功率特征和时域动态指纹；

获取待测轴承的第二转轴转速和第二音频序列，将第二转轴转速划分为多个第二转速区间，并对每个转速区间的音频序列同样进行特征增强处理，构建包含第二转速区间-第二音频序列和第二高低功率比的第二增强向量特征；

将第二增强向量特征与第一增强向量特征相对照计算相似度，将相似度与预设相似度阈值相比较，当相似度小于预设相似度阈值时，输出轴承异常或正常的判断结果。

进一步的，第一音频序列或第二音频序列为包含时序的音频序列As_n＝{as₁，as₂，...as_n}，其对应的转速时间序列为Rev_n＝{rev₁，rev₂...rev_n}；

基于转轴转速对音频序列As_n按转速时间序列rev_i进行分割，得到多维动态时序指纹：As_{rev_i}＝{As(d*(i-1)+1:d*i+1),i＝ceil(N/d)}；

其中，As_{rev_i}为速度分段为rev_i时的音频序列，d为速度区间的采样间隔，N音频时间序列的长度，ceil(·)为向上取整操作。

进一步的，计算每段时间序列下音频序列As_n的傅里叶级数AS_n；

则频域序列

其中，n为频域数据的序列号，j²＝-1；

对频域序列以1000为区间间隔划分为多个频段，并对每一频段进行积分，得到功率比序列

进一步的，所述傅里叶级数AS_n是复数序列，记为AS_n＝{a_k+b_k*i,k＝1,2,3…,N}，其中，i²＝-1，a和b为实数。

进一步的，利用动态时间规整计算第二增强向量特征与第一增强向量特征的相似度，其方法包括：

基于第二增强向量特征的多维动态音频序列As_rt与第一增强向量特征的多维动态时序指纹As_db，计算每个转轴转速区间的残差百分比

其中，n表示转速区间的个数。

进一步的，基于计算得到的残差百分比求解每个转速区间的权重

以及权重序列Q＝{Q₁,Q₂,…,Q_n}。

进一步的，基于获取的权重序列和功率比序列，计算决定性因数per＝Q*(pow_f-pow)/pow，并将决定性因数作为相似度与预设相似度阈值相比较，其中，pow_f为第二增强向量特征的各频段功率比；pow为第一增强向量特征的各频段功率比。

进一步的，所述第一增强向量特征是对多组异常轴承和正常轴承进行采集并处理后获取的用于指纹比对的增强向量，其中，异常轴承和正常轴承的采集数量相同。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现一种基于时/频双域分析的自行车轴承检测方法。

一种电子终端，包括：处理器及存储器；

所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行一种基于时/频双域分析的自行车轴承检测方法。

有益效果：

1.本申请采用的检测方法能够提高识别速度，与传统人工听声识别相比，大幅度的提高工作效率；

2.本申请采用的检测方法操作门槛低，实施者只需要按要求采集音频和转速信息即可，而传统人工听声识别需要操作者具备一定的经验，人工成本较高；

3.本申请采用的检测方法用到的外接设备只有音频采集器，利用的外接设备少，硬件部署方面易于实现；

4.本申请采用的检测方法能够保证识别的准确率，避免传统人工识别存在的不稳定性；

5.本申请采用的检测方法能够系统性的记录转轴轴承的音频信息，辅助生产者进一步探究并解决轴承故障原因，提高后续生产合格率。

附图说明

图1是本申请具体实施例中一种基于时/频双域分析的自行车轴承检测方法算法流程示意图；

图2是本申请具体实施例中按速度区间将音频划分为8个动态指纹图；

图3是本申请具体实施例中残差矩阵示意图；

图4是本申请具体实施例中一段音频信号的时域序列图；

图5是本申请具体实施例中图4中音频信号的频域谱图。

具体实施方式

下面结合附图和实施例一对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

首先，基于转速信息划分转速区间：

根据转轴的转速对音频的时序序列进行分隔，由于在进行轴承检测时，转轴的速度会有稳定的升高→稳定→减速这三个阶段，故一次测试的速度区间会有重合，但是二者变化率的方向相反，因此，此处的两个区间音频序列不需要拼接。

通过对200个轴承样本(正常和异常数量一致)进行音频和转速信息的采集，其中音频序列为As_n＝{as₁,as₂,…,as_n}，其对应的转速时间序列为Rev_n＝{rev₁,rev₂,…,rev_n}。根据转速将原始数据分成若干个分段，然后再对每一分段分别进行时域分析和频域分析。

时域分析，即对音频信息的时域特征进行提取：

根据转速对时域的音频进行特征提取，得到多维动态时序指纹：

As_{rev_i}＝{As(d*(i-1)+1:d*i+1),i＝ceil(N/d)}

其中，d为速度区间的采样间隔，N音频时间序列的长度，ceil(·)为向上取整操作；d*(i-1)+1：d*i+1表示从d*(i-1)+1到d*i+1。

如图2所示，为按速度区间分成的8个多维动态时序指纹。

然后，将实时采集的音频数据作为实时数据与多维动态时序指纹相对照，计算实时序列与指纹库中的相似度，此处利用的方法为动态时间规整的方法：

将指纹和归一化处理后的实时数据对应位置相减，得到如图3所示的残差矩阵。

矩阵从左上角到右下角的路径长度有以下性质：

1.当前路径长度＝前一步的路径长度+当前元素的大小

2.路径上的某个元素(i，j)，它的前一个元素只可能为以下三者之一：

a)左边的相邻元素(i，j-1)

b)上面的相邻元素(i-1，j)

c)左上方的相邻元素(i-1，j-1)

假设矩阵为M，从矩阵左上角(1，1)到任一点(i，j)的最短路径长度为L_min(i，j)。那么可以用递归算法求最短路径长度：

起始条件为：L_min(1，1)＝M(1，1)

递推规则为：L_min(i，j)＝min{L_min(i，j-1)，L_min(i-1，j)，L_min(i-1，j-1)}+M(i，j)

递推规则这样写的原因是因为当前元素的最短路径，必然是从前一个元素的最短路径的长度加上当前元素的值。前一个元素有三个可能，我们取三个可能之中路径最短的那个即可。

基于残差矩阵计算总残差：

其中，As_db为指纹序列，即根据速度对As_{rev_i}进行的分段处理，从而得到多个分段序列；As_rt为实时采集的音频数据进行的分段处理；n表示速度区间的个数。

D_i则表示每个速度区间的残差百分比，通过残差百分比的倒数定权重，得到每个区间的权重系数，记权重为Q_i，计算过程如下：

则其权重序列Q＝{Q₁,Q₂,…,Q_n}。

频域分析，即对音频信息的频域特征进行提取：

对时域下的音频序列As_n进行傅里叶变换得到复数序列

其中，N为序列长度，n为频域数据的序列号，j²＝-1。

其傅里叶级数记为AS_n，其中，AS是复数的频域序列，由实部和虚部构成，格式为AS_n＝{a_k+b_k*i,k＝1,2,3…,N}，注：i²＝-1，a和b为实数。

然后将复数的实部提取出来作为归一化的幅值y轴，对应的采样频率作为x轴，得到频谱以及奈奎斯特频幅。如本实施例的一组音频信息的采集序列，经过归一化处理后，由于音频数据原时域序列的幅值单位为分贝，纵坐标没有单位，如图4所示，然后将上述时域序列转换成傅里叶级数得到频域谱，对应的频域谱纵坐标也因为标准化处理后没有单位，如图5所示。

将全频段以1000Hz为频段间隔进行分隔，并对每一频段分别进行积分，得到功率比序列

针对200个样本进行功率谱分析，每个频段的功率比如下表所示：

其中，表内每一列代表一个频段。

功率比的计算方法为：

计算音频序列的傅氏级数，得到音频对应的频谱序列AS_n，截取0～8000Hz频段的幅值序列，并将幅值累加记录为P_0～8000，再分别累加0～1000、1000～2000、…、7000～8000Hz的值，分别除以P_0～8000，便得到功率比。

计算每个速度区间对应的功率比序列，记为v_i:pow，其中v_i表示第i个速度区间，pow则是该区间内数据的频域特征，包括每个频段的功率占比。

对每个速度区间都进行频谱分析，得到了n个速度区间的功率比表格，即得到了每个速度区间的功率比指纹。

决定性因数解算(该值是决定轴承有无误差的决定性参数)：

上文中得到了每个速度区间的权重序列Q∈{Q_i,i＝1～8}，而且解算了每个速度区间的功率比pow_f,根据功率比序列和权重序列，计算相对于功率比指纹的加权残差百分比：

per＝Q*(pow_f-pow)/pow

其中，per为决定性因数，单位为％；pow_f为实时解算的第二音频序列各频段功率比；pow为后台指纹的第一音频序列各频段功率比。

将功率比进行向量的对应位置相减，再与pow的对应位置相除，得到残差百分比序列，与权重序列Q矩阵相乘(内积)，得到加权残差比，当预设相似度阈值为5％时，如果per≤5％，则认为实时采样的轴承与指纹库中标记的状态(轴承正常/故障)一致。

本发明实施例二提供了一种包含指令的计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行本发明实施例一提供的方法。

本发明实施例三提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现本发明实施例一提供的方法。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于时/频双域分析的自行车轴承检测方法，其特征在于，包括：

分别获取异常或正常的轴承在转动状态下对应的第一转轴转速和第一音频序列，将第一转轴转速划分为多个第一转速区间，并对每个转速区间的音频序列进行特征增强处理，构建包含第一转速区间-第一音频序列和第一高低功率比的第一增强向量特征，其中，特征增强处理包括对获取的原始数据进行处理得到速度区间、频率功率特征和时域动态指纹；

获取待测轴承的第二转轴转速和第二音频序列，将第二转轴转速划分为多个第二转速区间，并对每个转速区间的音频序列同样进行特征增强处理，构建包含第二转速区间-第二音频序列和第二高低功率比的第二增强向量特征；

将第二增强向量特征与第一增强向量特征相对照计算相似度，将相似度与预设相似度阈值相比较，当相似度小于预设相似度阈值时，输出轴承异常或正常的判断结果。

2.根据权利要求1所述的一种基于时/频双域分析的自行车轴承检测方法，其特征在于，第一音频序列或第二音频序列为包含时序的音频序列As_n＝{as₁，as₂，...as_n}，其对应的转速时间序列为Rev_n＝{rev₁，rev₂...rev_n}；

基于转轴转速对音频序列As_n按转速时间序列rev_i进行分割，得到多维动态时序指纹：As_{rev_i}＝{As(d*(i-1)+1:d*i+1),i＝ceil(N/d)}；

其中，As_{rev_i}为速度分段为rev_i时的音频序列，d为速度区间的采样间隔，N音频时间序列的长度，ceil(·)为向上取整操作。

3.根据权利要求2所述的一种基于时/频双域分析的自行车轴承检测方法，其特征在于，计算每段时间序列下音频序列As_n的傅里叶级数AS_n；

则频域序列

其中，n为频域数据的序列号，j²＝-1；

对频域序列以1000为区间间隔划分为多个频段，并对每一频段进行积分，得到功率比序列

4.根据权利要求3所述的一种基于时/频双域分析的自行车轴承检测方法，其特征在于，所述傅里叶级数AS_n是复数序列，记为AS_n＝{a_k+b_k*i,k＝1,2,3…,N}，其中，i²＝-1，a和b为实数。

5.根据权利要求3所述的一种基于时/频双域分析的自行车轴承检测方法，其特征在于，利用动态时间规整计算第二增强向量特征与第一增强向量特征的相似度，其方法包括：

基于第二增强向量特征的多维动态音频序列As_rt与第一增强向量特征的多维动态时序指纹As_db，计算每个转轴转速区间的残差百分比

其中，n表示转速区间的个数。

6.根据权利要求5所述的一种基于时/频双域分析的自行车轴承检测方法，其特征在于，基于计算得到的残差百分比求解每个转速区间的权重

以及权重序列Q＝{Q₁,Q₂,…,Q_n}。

7.根据权利要求6所述的一种基于时/频双域分析的自行车轴承检测方法，其特征在于，基于获取的权重序列和功率比序列，计算决定性因数per＝Q*(pow_f-pow)/pow，并将决定性因数作为相似度与预设相似度阈值相比较，其中，pow_f为第二增强向量特征的各频段功率比；pow为第一增强向量特征的各频段功率比。

8.根据权利要求1所述的一种基于时/频双域分析的自行车轴承检测方法，其特征在于，所述第一增强向量特征是对多组异常轴承和正常轴承进行采集并处理后获取的用于指纹比对的增强向量，其中，异常轴承和正常轴承的采集数量相同。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现权利要求1至8中任一项所述的方法。

10.一种电子终端，其特征在于，包括：处理器及存储器；

所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至8中任一项所述的方法。

Images