一种多普勒声学信号的自适应学习校正方法技术

本发明专利技术公开了一种多普勒声学信号的自适应学习校正方法。该方法在校正参数自适应学习中，基于轨边声学理论，通过构造移频算子和声调算子，实现了对畸变信号的一种伪校正，得到频谱共振带具有无畸变以及高能量聚集性的过渡基准项，在理论上刻画还原了轨边声学畸变现象，从物理上强化了自适应畸变校正学习机理；与其他校正方法相比，该算法能够自适应的从原始声信号中学习到最优校正参数，从而实现对畸变信号的完整校正。该算法具有一定的鲁棒性与高效性，有利于后续轨边声学系统的在线智能校正与诊断。

An adaptive learning correction method for Doppler acoustic signals

The invention discloses an adaptive learning correction method for Doppler acoustic signals. The method in the correction parameters of adaptive learning, track side Acoustics Based on the theory, by constructing a frequency shift operator and tone operator, realizes a pseudo correction of distorted signal spectrum, resonance band has no distortion and high convergence of energy transition benchmark, theoretically depicted to restore the trackside acoustic distortion from the physical, strengthen the adaptive learning mechanism of distortion correction; compared with other calibration methods, this algorithm can adaptively from the original sound signal in the study to the optimal correction parameters, thus realizing the complete signal distortion correction. The algorithm is robust and efficient, and is helpful for the on-line intelligent correction and diagnosis of the rail side acoustic system.

【技术实现步骤摘要】
一种多普勒声学信号的自适应学习校正方法
本专利技术属于轨边声学多普勒畸变校正领域，涉及一种多普勒声学信号的自适应学习校正方法，可以自适应学习到最优畸变校正参数，实现对多普列畸变声学信号的自适应校正学习，尤其适用于轮对轴承道旁声学诊断系统。
技术介绍
轨边声学诊断是一种以运动部件产生的声学信号为分析对象，具有非接触、多目标、无需停机等优点的高效监测诊断模式，在列车轮对轴承诊断中具有重要的应用价值与意义。通过轨边测量设备采集到的声学信号含有部件当前的健康信息，但实际中，由于列车以较高速度运行，移动部件产生的声学信号与道旁固定测量设备存在着相对运动，使得最终观测到的声学信号发生了畸变(也即多普勒畸变现象)，给故障源的辨识与提取带来了困难。因此，对声学信号做多普勒校正分析对于轨边声学轴承故障诊断具有非常重要的意义。目前常用的多普勒校正方法主要分为两种，一种是利用瞬时频率脊线(InstantaneousFrequencyRidgeExtraction)或主成分相干分析等方法(如短时MUSIC算法)来获取信号接收角度序列，通过拟合来间接获取多普勒畸变参数，构造发射时间序列；另外一种是通过匹配追踪等贪婪迭代算法来大量搜索(如基于Laplace小波和谱相关估计的多普勒瞬态模型(DopplertransientmodelbasedontheLaplacewaveletandspectrumcorrelationassessment)，来直接获取部分或全部多普勒畸变参数，实现对畸变信号的校正分析。前者是一种基于数据拟合的方法，鲁棒性受到一定的限制；后者在实时性方面存在比较大的缺陷，不利于实际诊断。因此传统的诊断方法将大大降低对列车轴承故障诊断的效率和准确性。本专利技术提出了一种多普勒声学信号的自适应学习校正方法。该方法结合轨边声学原理，构造频移算子和声调算子物理模型，通过操作算子实现对多普勒畸变信号的伪校正。基于该伪校正得到畸变信号的过渡基准项，其对应的共振带不仅具有无畸变特性同时也具有高能量聚集性。提出基于共振频率窄带能量比最大化原则，利用全局最优化算法，实现对多普勒畸变算子的模型参数自适应学习。最终通过声压算子和重采样技术实现对多普勒信号完整的校正。该自适应学习校正方法具有鲁棒自适应的特性，对轨边多普勒畸变声学信号校正具有十分显著的效果。
技术实现思路
本专利技术的目的在于：提供一种多普勒声学信号的自适应学习校正方法，用于多普勒声畸变声学信号的自适应校正学习。本专利技术采用的技术方案为：一种多普勒声学信号的自适应学习校正方法，该方法包括如下步骤：步骤(1)、通过希尔伯特变换获取声测量信号的解析信号；步骤(2)、基于轨边声学理论，给定三个多普勒畸变参数(u,M和k分别为畸变中心时刻，波速比和共振频率位置，这三个参数为畸变校正的主要参数)，构造该声场模型下的频移算子H和声调算子G两种伪校正操作算子；步骤(3)、依据移频算子对步骤(1)中的解析信号做频移操作运算，使频带向频率位置k处集中，实现对信号的多普勒畸变的频率伪校正，获取过渡基准项；步骤(4)、对步骤(3)中的过渡基准项做频谱分析，依据频带能量在共振频率位置k处聚集，计算该处共振频率窄带能量比并将其最大作为评价原则(设置频率窄带，带宽记为B)，基于全局最优化算法对伪校正信号参数进行寻优，自适应学习到最优畸变校正参数；步骤(5)、通过最优畸变校正参数(u,M,k)opt，计算声调算子G，实现对原始声压信号的声压伪校正，恢复声信号声压幅值；步骤(6)、通过最优畸变校正参数(u,M,k)opt，重新构建声信号发射时间序列，对步骤(5)中的伪校正声压信号，利用时域重采样技术，最终实现完整的信号多普勒畸变校正。所述步骤(2)中：构造频移算子和声调算子两种伪校正操作算子，分别是基于轨边声传播理论构造的两个物理模型，其数学表达如下：移频算子：声调算子：其中，N为信号长度，r为垂直距离(道旁麦克风与声源运动方向垂直距离)，c为声波速度，u，M和k三个参数分别为畸变中心时刻，波速比和共振频率位置。所述步骤(4)中：全局最优化算法是通过利用多起点方法产生若干个初始点，利用局部求解器搜索各自所在盆地中的局部极值点，最终实现全局最优点，该算法原理同遗传算法类似，能够快速稳定的搜索到全局最优点。本专利技术的优点和积极效果为：(1)在校正参数自适应学习中，基于轨边声学理论，通过构造移频算子和声调算子，实现了对畸变信号的一种伪校正，获取频谱共振带具有无畸变以及高能量聚集性的过渡基准项。在理论上刻画还原了轨边声学畸变现象，从物理上强化了自适应畸变校正学习机理。(2)与其他校正方法相比，该算法能够自适应地从原始声信号中学习到最优校正参数，从而实现对畸变信号的完整校正。该算法具有一定的鲁棒性与高效性，有利于后续轨边声学系统的在线智能校正与诊断。附图说明图1为本专利技术一种多普勒声学信号的自适应学习校正方法流程图；图2为仿真信号的时域波形、傅里叶频率幅值谱(共振频率发散到100Hz带宽中)与其对应的时频分布(其中白色水平线对应共振频率1000Hz)(设定多普勒参数为[u,M,k]＝[0.250,0.0588,500])；其中，图2(a)为仿真信号的时域波形，图2(b)为仿真信号的频谱，图2(c)为仿真信号的时频分布；图3为基于自适应多普勒校正后信号的时域波形、傅里叶频率幅值谱(共振频率集中在998Hz)与其对应的时频分布(其中白色水平线对应共振频率1000Hz)(多普勒最优参数[u,M,k]＝[0.2415,0.0562,502])；其中，图3(a)为校正后信号的时域波形，图3(b)为校正后信号的频谱，图3(c)为校正后信号的时频分布；图4为分别为原始信号和基于自适应多普勒校正后信号的包络功率谱(故障频率理论值为75Hz)；其中，图4(a)为原始信号的包络功率谱，图4(b)为校正后信号的包络功率谱；图5为实际轴承外圈故障信号的时域波形、傅里叶频率幅值谱与其对应的时频分布(多普勒参数[u,M,k]＝[unknown,0.0882,unknown])；其中，图5(a)为外圈信号的时域波形，图5(b)为外圈信号的频谱，图5(c)为外圈信号的时频分布；图6为基于自适应多普勒校正后信号时域波形、傅里叶频率幅值谱与其对应的时频分布(多普勒最优参数[u,M,k]＝[0.0756,0.0838,361])；其中，图6(a)为校正后信号的时域波形，图6(b)为校正后信号的频谱，图6(c)为校正后信号的时频分布；图7为分别为原始信号和基于自适应多普勒校正后信号的包络功率谱(轴承外圈故障频率理论值为138.74Hz)，其中，图7(a)为原始信号的包络功率谱，图7(b)为校正后信号的包络功率谱。具体实施方式下面结合附图以及实施例进一步说明本专利技术。实施例一：表1：多普勒畸变信号数学模型参数以仿真信号为例，仿真信号采用与故障机理相似的单边衰减瞬态周期信号：其中，ts，ξ，fc和fd分别为畸变信号的接收时间、衰减阻尼、共振频率和故障频率；按照表1模型参数以及莫尔斯声学理论构建模拟信号，同时在原始信号中加入-10dB高斯白噪声得到多普勒畸变信号x(t),此时故障频率为fd＝75Hz，多普勒畸变参数理论值为[u,M,k]＝[0.250,0.0588,本文档来自技高网...

【技术保护点】
一种多普勒声学信号的自适应学习校正方法，其特征在于：该方法包括如下步骤：步骤(1)、通过希尔伯特变换获取声测量信号的解析信号；步骤(2)、基于轨边声学理论，给定三个多普勒畸变参数：畸变中心时刻u，波速比M和共振频率位置k，构造该声场模型下的两种伪校正操作算子：频移算子H和声调算子G；步骤(3)、依据移频算子H对步骤(1)中的解析信号做频移操作运算，使频带向频率位置k处集中，实现对信号的多普勒畸变的频率伪校正，获取过渡基准项；步骤(4)、对步骤(3)中的过渡基准项做频谱分析，依据频带能量在共振频率位置k处聚集，计算该处共振频率窄带能量比并将其最大作为评价原则，设置频率窄带，带宽记为B，基于全局最优化算法对伪校正信号参数进行寻优，最后自适应学习到畸变校正参数；步骤(5)、通过最优畸变校正参数(u,M,k)

【技术特征摘要】
1.一种多普勒声学信号的自适应学习校正方法，其特征在于：该方法包括如下步骤：步骤(1)、通过希尔伯特变换获取声测量信号的解析信号；步骤(2)、基于轨边声学理论，给定三个多普勒畸变参数：畸变中心时刻u，波速比M和共振频率位置k，构造该声场模型下的两种伪校正操作算子：频移算子H和声调算子G；步骤(3)、依据移频算子H对步骤(1)中的解析信号做频移操作运算，使频带向频率位置k处集中，实现对信号的多普勒畸变的频率伪校正，获取过渡基准项；步骤(4)、对步骤(3)中的过渡基准项做频谱分析，依据频带能量在共振频率位置k处聚集，计算该处共振频率窄带能量比并将其最大作为评价原则，设置频率窄带，带宽记为B，基于全局最优化算法对伪校正信号参数进行寻优，最后自适应学习到畸变校正参数；步骤(5)、通过最优畸变校正参数(u,M,k)opt，获取声调算子G，实现对原始声压信号的声压伪校正，恢复声信号幅值；步骤(6)、通...

【专利技术属性】
技术研发人员：丁晓喜，何清波，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽,34