一种用于机械设备工作噪音监控的方法技术

本发明专利技术揭示了一种用于机械设备工作噪音监控的方法：步骤1、现场噪音采集获取声音信号；步骤2、声音信号的盲源分离；步骤3、将盲源分离后声音信号送入声源信号故障识别系统中，实现对这些部件较为准确运转状态分析；步骤4、输出识别结果。本发明专利技术可以监测工业现场的声场变化，同步采集现场声场信息，实现现场声场的在线分析，丰富了在线监控内容，真实反映工业现场情况，实时发现工业现场的声场异常，及时提醒工作人员及时处理避免故障。

【技术实现步骤摘要】
一种用于机械设备工作噪音监控的方法
本专利技术涉及工业监控领域。
技术介绍
目前，工业上常用的皮带监控系统都采用单一的视频图像监控功能。只能将工业现场的被监控传输物及现场的形状、颜色、运动变化等视觉信息实时采集，通过视频监控网络反映至监控中心工作人员。工作人员根据视频图像的变化判断是否有工作异常。实际上工业现场的很多异常在视频发现异常之前就已经在声音特征上表现出异常，例如皮带传输中的，由于电机超负荷运行等故障发生时，首先表现出的是现场电机、滚轴、皮带等发出的异常声音，如果能在视频表现为传输停止或皮带断裂之前监测到异常，那么可以大大减少设备及产品损失。
技术实现思路
本专利技术所要解决的技术问题是实现一种通过现场噪音采集后，利用噪音对设备工况进行监控的方法。为了实现上述目的，本专利技术采用的技术方案为：一种用于机械设备工作噪音监控的方法：步骤1、现场噪音采集获取声音信号；步骤2、声音信号的盲源分离；步骤3、将盲源分离后声音信号送入声源信号故障识别系统中，实现对这些部件较为准确运转状态分析；步骤4、输出识别结果。所述步骤1的声音信号由M个麦克风采集，所述步骤2设每个麦克风所采集的观测信号为其中aji，i∈[1,2,…,N]，j∈[1,2,…,M]是混合参数，si(t),i∈[1,2,…,N]是源信号，xj(t)，j∈[1,2,…,M]是观测信号；对观测信号的盲源分离包括：预处理：包括中心化和白化，中心化是将目标信号的平均值调整为0，其中白化是对观测信号xj进行处理，是去除信号之间的相关性，使得线性变换后信号的各分量模值为1；信号分离：利用混合的观测信号xj估计混合矩阵A和独立成分si，获得N×M的矩阵W，其中解混信号u＝(u1,u2,…,uN)T,u＝Wx的各个分量是统计独立的。所述盲源分离采用拟牛顿迭代方法的改进Fast_ICA算法步骤：1)对观测数据x进行中心化，使它的均值为0；2)对数据进行白化；3)选择需要估计的分量的个数m，首先对xp＝1进行处理：4)信号源估计s(t)＝Wx(t)，根据求解出来权重矩阵，和观测信号求解源信号。所述步骤3)的处理方法：a、选择一个初始权矢量(随机的)ω1b、令F(w，σ)＝E{G(wTx)}+σ(||ω||2-1),σ为惩罚常数,通过优化求解F的最小值来求解ω1的值；c、初始化B0＝Id、计算线搜索方向//保证优化的方向只是最小的方向，对目标函数进行优化e、根据Armijo-Goldstein准则，判断是否停止；f、假如ω1不收敛的话，返回d；g.令p＝p+1，如果p≤m，返回a；所述机械设备为皮带传输机，所述每个观测信号包括电机运行声S1、滚轴运行声S2、传送带运行声S3，公式1中N＝3，M＝8，则公式1计为X(t)＝[x1(t)...x8(t)]T。所述白化采用：z＝Vx，E{zzT}＝I。公式2本专利技术可以监测工业现场的声场变化，同步采集现场声场信息，实现现场声场的在线分析，丰富了在线监控内容，真实反映工业现场情况，实时发现工业现场的声场异常，及时提醒工作人员及时处理避免故障。附图说明下面对本专利技术说明书中每幅附图表达的内容作简要说明：图1为声学故障识别流程图；图2为音信号的盲分离示意图；图3为声源信号的盲源分离流程。具体实施方式在工业生产流水线的不同位置放置多个监测设备单元(包含8个麦克风阵列和1个CMOS摄像机)，同时采集并记录流水线运行过程中的声音源信号，作为视频监控的又一辅助监控手段，提高工业生产流水线监测的可靠性。本专利技术采用改进的Fast_ICA盲源分离方法处理流水线现场采集的声音信号，从混合声音信号中分离出传动带上主要部件产生的声音信号，排除其他不相关信号的干扰，结合传统的声学故障诊断技术，实现对这些部件较为准确运转状态分析。具体方法如图1所示，声音信号的盲源分离设N种独立的信号经过线性瞬时混合被传感器接收，则每个观测信号的是这N中信号的线性组合。则有公式1成立：其中aji，i∈[1,2,…,N]，j∈[1,2,…,M]是混合参数，si(t),i∈[1,2,…,N]是源信号，xj(t)，j∈[1,2,…,M]是观测信号。在工业生产流水线中麦克风阵列采集到的声音信号中电机运行声S1、滚轴运行声S2和传送带运行声S3混合的声音信号X(t)＝[x1(t)...x8(t)]T，即N＝3，M＝8，这里不考虑环境噪声的影响，如图2所示。声音信号的盲分离按照以下两个步骤来实现：第1步为观测信号的预处理，包括中心化和白化，中心化是将目标信号的平均值调整为0，白化则是去除信号之间的相关性。信号预处理目的是简化算法，提离算法的收敛性能。对观测信号xj进行白化处理，使得线性变换后信号的各分量模值为1。z＝Vx，E{zzT}＝I(公式2)第2步为源信号盲源分离，盲源分离的目的是求得源信号的最佳估计，如图3所示，利用仅有的混合的观测信号xj估计混合矩阵A和独立成分si，来寻找一个N×M的矩阵W，使得解混信号u＝(u1,u2,…,uN)T,u＝Wx的各个分量是统计独立的，从而得到单独的信号。源信号盲源分离的关键在于设立描述分离结果独立程度的目标函数，然后对目标函数进行优化，使其达到最大值或者最小值，此时对应的W即为要找的最优分离矩阵，以实现对源信号的近似估计。传统的Fast_ICA定点学习算法利用了牛顿迭代法的原理。牛顿法是一种具有二阶收敛性的算法。但当初始点远离极小点时，牛顿法可能不收敛，原因在于牛顿法迭代方向不一定是下降方向,并且经过迭代目标函数也有可能不收敛。为了让迭代过程中每一步都保证收敛，同时为了降低计算量，本专利技术算法部分采用拟牛顿法。基于负熵优化算法中可以转化为公式3进行求解,σ为惩罚因子，E是进行求熵操作。采用拟牛顿迭代方法的改进Fast_ICA算法步骤：1.对观测数据x进行中心化，使它的均值为0；2.对数据进行白化,3.选择需要估计的分量的个数m＝3，首先对xp＝1进行处理a.选择一个初始权矢量(随机的)ω1。b令F(w，σ)＝E{G(wTx)}+σ(||ω||2-1),σ为惩罚常数,通过优化求解F的最小值来求解ω1的值。c.初始化B0＝Id、计算线搜索方向//保证优化的方向只是最小的方向，对目标函数进行优化e.根据Armijo-Goldstein准则，判断是否停止f.假如ω1不收敛的话，返回d。g.令p＝p+1，如果p≤m，返回a。4、信号源估计s(t)＝Wx(t)。根据求解出来权重矩阵，和观测信号求解源信号。最终，将盲源分离后的u1、u2、u3声音信号送入声源信号故障识别系统中，实现对这些部件较为准确运转状态分析。上面结合附图对本专利技术进行了示例性描述，显然本专利技术具体实现并不受上述方式的限制，只要采用了本专利技术的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本专利技术的构思和技术方案直接应用于其它场合的，均在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
一种用于机械设备工作噪音监控的方法，其特征在于：步骤1、现场噪音采集获取声音信号；步骤2、声音信号的盲源分离；步骤3、将盲源分离后声音信号送入声源信号故障识别系统中，实现对这些部件较为准确运转状态分析；步骤4、输出识别结果。

【技术特征摘要】
1.一种用于机械设备工作噪音监控的方法，其特征在于：步骤1、现场噪音采集获取声音信号；步骤2、声音信号的盲源分离；步骤3、将盲源分离后声音信号送入声源信号故障识别系统中，实现对这些部件较为准确运转状态分析；步骤4、输出识别结果。2.根据权利要求1所述的用于机械设备工作噪音监控的方法，其特征在于：所述步骤1的声音信号由M个麦克风采集，所述步骤2设每个麦克风所采集的观测信号为其中aji，i∈[1,2,…,N]，j∈[1,2,…,M]是混合参数，si(t),i∈[1,2,…,N]是源信号，xj(t)，j∈[1,2,…,M]是观测信号；对观测信号的盲源分离包括：预处理：包括中心化和白化，中心化是将目标信号的平均值调整为0，其中白化是对观测信号xj进行处理，是去除信号之间的相关性，使得线性变换后信号的各分量模值为1；信号分离：利用混合的观测信号xj估计混合矩阵A和独立成分si，获得N×M的矩阵W，其中解混信号u＝(u1,u2,…,uN)T,u＝Wx的各个分量是统计独立的。3.根据权利要求1所述的用于机械设备工作噪音监控的方法，其特征在于：所述盲源分离采用拟牛顿迭代方法的改进Fast_ICA算法步骤：1)对观测数据x...

【专利技术属性】
技术研发人员：江娟娟，诸志龙，许钢，高文根，吕琛，
申请(专利权)人：安徽工程大学，
类型：发明
国别省市：安徽,34