CN116044740A - 基于声信号的泵故障诊断方法 - Google Patents

Abstract

本发明公开了基于声信号的泵故障诊断方法，包括：获取故障泵和无故障泵的声信号；对故障泵、无故障泵的声信号分别进行奇异值分解得到矩阵，根据差分谱对声信号进行降噪，得到降噪后的声信号；对降噪后的声信号进行快速傅里叶变换得到频域信号，将故障泵的时域、频域信号与无故障泵进行比较，初步判断是否异常；对降噪后的声信号进行变分模态分解，利用分解结果计算得适应度函数；利用麻雀搜索算法，根据适应度值，进行变分模态分解参数[k,α]的寻优；再进行变分模态分解，获得k个IMF分量；从每个IMF分量中提取泵的故障特征，找到故障泵的故障。能在较大背景噪声下，高效准确地提取故障信息，实现泵的故障识别与预警。

Description

基于声信号的泵故障诊断方法

技术领域

本发明属于故障诊断方法技术领域，涉及基于声信号的泵故障诊断方法。

背景技术

泵作为工业生产的重要机械之一，被广泛应用于航天、核电、石化以及水利等多个领域，是高端制造产业中不可或缺的设备，其健康状态对于维护生产安全十分重要。但近年来，泵发生故障而引发的事故众多，导致工作效率降低，甚至造成重大经济损失。

现有的泵故障诊断与定位方法往往利用振动传感器采集运行状态的数据，但其接触式的测量方式往往会在一些情况下受限，如高温、高压和高腐蚀的场景。声音诊断技术是通过对机械设备运行过程中的声音信号进行处理，从中获取反应故障类型的特征参数，实现诊断分析的目的。与振动信号相比，声音信号具有非接触式测量的优势，但其受环境噪声的影响更大，如果直接判别故障特征会降低准确性。

发明内容

本发明的目的是提供一种基于声信号的泵故障诊断方法，解决了现有技术中存在的直接利用声音信号判断故障准确性差的问题。

本发明所采用的技术方案是，基于声信号的泵故障诊断方法，包括以下步骤：

步骤1、获取故障泵和无故障泵的声信号；

步骤2、对故障泵、无故障泵的声信号分别进行奇异值分解得到矩阵，对矩阵中相邻的奇异值进行差分得到差分谱，并根据差分谱对声信号进行降噪，得到降噪后的时域声信号；

步骤3、对降噪后的声信号进行快速傅里叶变换得到频域信号，将故障泵的时域、频域信号与无故障泵进行比较，初步判断是否异常；

步骤4、对降噪后的声信号进行变分模态分解，利用分解结果计算得适应度函数；

步骤5、利用麻雀搜索算法，根据适应度值，进行变分模态分解参数[k,α]的寻优；

步骤6、利用步骤5得到的最优参数[k,α]对声信号进行变分模态分解，获得k个IMF分量；

步骤7、从每个IMF分量中提取泵的故障特征，将故障泵的故障特征与无故障泵进行对比分析诊断，找到故障泵的故障。

本发明的特点还在于：

步骤2中奇异值分解的计算公式为：

上式中，∑₁＝diag(σ₁,σ₂,…,σ_r)，A为原始声信号的Hankel矩阵，A∈R^m*n，奇异值矩阵∑为m*n阶矩阵；σ₁,σ₂,…,σ_r表示从大到小排列的矩阵A的非零奇异值，r为矩阵A的秩，r≤min(m,n)。

步骤2中根据差分谱对声信号进行降噪的具体过程为：选取差分谱中较大峰值的前i个奇异值作为有效声信号，将剩余r-i个奇异值置为0，得到降噪矩阵，利用奇异值分解的逆过程对降噪矩阵进行变换的到降噪后的声信号。

步骤4具体包括以下步骤：

步骤4.1、初始化变分模态分解的参数[k,α]，k为变分模态分解的分量个数，α为惩罚因子，对降噪后的声信号进行变分模态分解，得到k个具有有限带宽的IMF分量；

步骤4.2、计算k个具有有限带宽的IMF分量的包络熵，计算式如下：

上式中，E_p为信号的包络熵，a(j)为信号x(j)(j＝1,2,…，k)通过希尔伯特调解后得到的包络信号序列，H为信号的Hilbert变换，p_j为a(j)的归一化形式；

步骤4.3、计算k个具有有限带宽分量的平均包络熵，将最小平均包络熵作为适应度值。

故障特征包括特征频率、宽频噪声的特殊频段。

本发明的有益效果是：基于声信号的泵故障诊断方法，与通过振动信号的故障诊断方式相比大幅减少了应用的局限性，具有非接触式测量的优势，有效处理后更易识别泵的早期故障特征；采用奇异值分解滤除声信号的环境噪声后，分析变分模态分解后得到的各分量，综合两种算法的优势，对声信号作出有效的降噪、分解，更易进行泵的故障诊断分析；引入麻雀搜索算法，使得变分模态分解算法可以自适应地选择出最优分解参数，有效解决了人工选取参数导致分解结果精度不高的问题；能在较大背景噪声下，高效准确地提取故障信息，实现泵的故障识别与预警。

附图说明

图1是本发明基于声信号的泵故障诊断方法流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

基于声信号的泵故障诊断方法，如图1所示，包括以下步骤：

步骤1、获取故障泵和无故障泵的声信号；

步骤2、对故障泵、无故障泵的声信号分别进行奇异值分解得到矩阵，对矩阵中相邻的奇异值进行差分得到差分谱，并根据差分谱对声信号进行降噪，得到降噪后的时域声信号；

步骤2.1、根据如下公式对故障泵、无故障泵的声信号分别进行奇异值分解得到矩阵：

上式中，∑₁＝diag(σ₁,σ₂,…,σ_r)，A为原始声信号的Hankel矩阵，A∈R^m*n，奇异值矩阵∑为m*n阶矩阵；σ₁,σ₂,…,σ_r表示从大到小排列的矩阵A的非零奇异值，r为矩阵A的秩，r≤min(m,n)；

步骤2.2、根据下式对相邻的奇异值进行差分得到差分谱，差分谱奇异值差值大小代表了有用信号以及噪声信号之间的相关性，选取差分谱中较大峰值的前i个奇异值作为有效声信号，针对VMD受较大噪声影响较大而面对小噪声有强鲁棒性的特点，选取更大的重构阶数i作不完全降噪，可以保留更多有效信号，保留流体为声源的宽频噪声信号；剩余r-i个奇异值对应分量的信噪比较低，将剩余r-i个奇异值置为0，得到降噪矩阵；

E_i＝σ_j-σ_j+1(j＝1,2,…,r-1) (3)；

上式中，E_i为第j个与第j+1个奇异值的差分大小；

步骤2.3、利用相空间重构的方法对降噪矩阵进行变换的到降噪后的时域声信号。

步骤3、对降噪后的声信号进行快速傅里叶变换得到频域信号，将故障泵的时域、频域信号与无故障泵进行比较，初步判断是否异常，若异常进行下述进一步判断具体故障；

步骤4、对降噪后的声信号进行变分模态分解，利用分解结果计算得适应度函数；

步骤4.1、初始化变分模态分解的参数[k,α]，k为变分模态分解的分量个数，α为惩罚因子，对降噪后的声信号进行变分模态分解，得到k个具有有限带宽的IMF分量；

步骤4.1.1、通过下式构造变分问题：

上式中，f为进行分解的声信号，{u_k}＝{u₁,u₂,…,u_k}为分解得到的k个IMF分量，{ω_k}＝{ω₁,ω₂,…,ω_K}为各个分量的中心频率；δ(t)为狄拉克(Dirac)函数，

为对时间t求偏导，

为将各个分量u_k的计算结果求和，min为优化目标是求最小值，s.t.为限制条件，*为卷积，j²＝-1，j为复数单位；

步骤4.1.2、通过下式将约束性变分问题变为非约束性变分问题：

上式中，L为拉格朗日函数，<>为内积运算，α为惩罚因子，λ为拉格朗日乘法算子；

步骤4.1.3、利用交替乘子法迭代求解变分问题，通过交替更新模态分量u_k、中心频率ω_k和拉格朗日乘法算子λ计算上述增广拉格朗日表达式的鞍点，更新表达式为：

迭代停止条件为：

当上述迭代停止条件满足时，变分求解过程结束，得到k个具有有限带宽的IMF分量。

步骤4.2、计算k个具有有限带宽的IMF分量的包络熵，计算式如下：

上式中，E_p为信号的包络熵，a(j)为信号x(j)(j＝1,2,…，k)通过希尔伯特调解后得到的包络信号序列，H为信号的Hilbert变换，p_j为a(j)的归一化形式；

步骤4.3、计算k个具有有限带宽分量的平均包络熵，将最小平均包络熵作为适应度值。

步骤5、利用麻雀搜索算法，根据适应度值，进行变分模态分解参数[k,α]的寻优，设置k∈[3,10]，α∈[400,4000]，最大迭代次数为20；

步骤5.1、麻雀搜索算法中的种群分为发现者、加入者和预警者，n只麻雀组成的种群如下式：

上式中，d为待优化问题变量的维数，n为麻雀的数量；则所有麻雀的适应度值可以表示为如下形式：

上式中，f为适应度，不同的适应度函数值代表各麻雀搜索到食物的难易程度；

步骤5.2、在每次迭代的过程中，发现者的位置更新如下式：

上式中，t为当前迭代数，j＝1,2,3,……,d，item_max为一个常数，表示最大的迭代次数；X_ij为第i个麻雀在第j维中的位置信息；a∈(0,1]是一个随机数；R2(R2∈[0,1])和ST(ST∈[0.5,1])分别表示预警值和安全值；Q为服从正态分布的随机数；L为一个1×d的矩阵，其中该矩阵内每个元素全部为1；

步骤5.3、加入者的位置更新如下式：

上式中，X_p为目前发现者所占据的最优位置，X_worst为当前全局最差的位置；A为一个1×d的矩阵，其中每个元素随机赋值为1或-1，并且A⁺＝A^T(AA^T)^-1；

步骤5.4、预警者位置更新如下式：

上式中，X_best为当前的全局最优位置；β作为步长控制参数，是服从均值为0，方差为1的正态分布的随机数；K∈[-1,1]是一个随机数，f_i则是当前麻雀个体的适应度值；f_g和f_w分别是当前全局最佳和最差的适应度值；ε是最小的常数，以避免分母出现零；

步骤5.5、按上述公式进行迭代直到达到最大迭代次数20，最终得到全局最优值和最佳适应度值。

步骤6、利用步骤5得到的最优参数[k,α]对声信号进行变分模态分解，获得k个IMF分量；

步骤7、从每个IMF分量中提取泵的故障特征，将故障泵的故障特征与无故障泵进行对比分析诊断，故障特征包括特征频率、宽频噪声的特殊频段，找到故障泵的故障。

通过以上方式，基于声信号的泵故障诊断方法，与通过振动信号的故障诊断方式相比大幅减少了应用的局限性，具有非接触式测量的优势，有效处理后更易识别泵的早期故障特征；采用奇异值分解滤除声信号的环境噪声后，分析变分模态分解后得到的各分量，综合两种算法的优势，对声信号作出有效的降噪、分解，更易进行泵的故障诊断分析；引入麻雀搜索算法，使得变分模态分解算法可以自适应地选择出最优分解参数，有效解决了人工选取参数导致分解结果精度不高的问题；能在较大背景噪声下，高效准确地提取故障信息，实现泵的故障识别与预警。

Claims (5)

1.基于声信号的泵故障诊断方法，其特征在于，包括以下步骤：

步骤1、获取故障泵和无故障泵的声信号；

步骤2、对故障泵、无故障泵的声信号分别进行奇异值分解得到矩阵，对矩阵中相邻的奇异值进行差分得到差分谱，并根据差分谱对声信号进行降噪，得到降噪后的时域声信号；

步骤3、对降噪后的声信号进行快速傅里叶变换得到频域信号，将所述故障泵的时域、频域信号与无故障泵进行比较，初步判断是否异常；

步骤4、对所述降噪后的声信号进行变分模态分解，利用分解结果计算得适应度函数；

步骤5、利用麻雀搜索算法，根据适应度值，进行变分模态分解参数[k,α]的寻优；

步骤6、利用步骤5得到的最优参数[k,α]对声信号进行变分模态分解，获得k个IMF分量；

步骤7、从每个所述IMF分量中提取泵的故障特征，将故障泵的故障特征与无故障泵进行对比分析诊断，找到故障泵的故障。

2.根据权利要求1所述的基于声信号的泵故障诊断方法，其特征在于，步骤2中奇异值分解的计算公式为：

上式中，∑₁＝diag(σ₁,σ₂,…,σ_r)，A为原始声信号的Hankel矩阵，A∈R^m*n，奇异值矩阵∑为m*n阶矩阵；σ₁,σ₂,…,σ_r表示从大到小排列的矩阵A的非零奇异值，r为矩阵A的秩，r≤min(m,n)。

3.根据权利要求2所述的基于声信号的泵故障诊断方法，其特征在于，步骤2中根据差分谱对声信号进行降噪的具体过程为：选取差分谱中较大峰值的前i个奇异值作为有效声信号，将剩余r-i个奇异值置为0，得到降噪矩阵，利用奇异值分解的逆过程对所述降噪矩阵进行变换的到降噪后的时域声信号。

4.根据权利要求1所述的基于声信号的泵故障诊断方法，其特征在于，步骤4具体包括以下步骤：

步骤4.1、初始化变分模态分解的参数[k,α]，k为变分模态分解的分量个数，α为惩罚因子，对降噪后的声信号进行变分模态分解，得到k个具有有限带宽的IMF分量；

步骤4.2、计算k个具有有限带宽的IMF分量的包络熵，计算式如下：

上式中，E_p为信号的包络熵，a(j)为信号x(j)(j＝1,2,…，k)通过希尔伯特调解后得到的包络信号序列，H为信号的Hilbert变换，p_j为a(j)的归一化形式；

步骤4.3、计算k个具有有限带宽分量的平均包络熵，将最小平均包络熵作为适应度值。

5.根据权利要求1所述的基于声信号的泵故障诊断方法，其特征在于，所述故障特征包括特征频率、宽频噪声的特殊频段。

Images