一种基于宽带谱处理的机械系统故障检测方法技术方案

本发明专利技术公开了一种基于宽带谱处理的机械系统故障检测方法。该方法包括以下步骤：步骤S1：声学传感器采集机械系统运行状态声纹信号

【技术实现步骤摘要】
一种基于宽带谱处理的机械系统故障检测方法
本专利技术属于信号处理领域，具体涉及一种基于宽带谱处理的机械系统故障检测方法。
技术介绍
机械系统的故障诊断早期主要依赖于相关人员的经验，通过机械设备运转时所产生的振动、声音等特征来判断机械设备是否存在故障。直到20世纪60年代以后，机械系统故障诊断才真正作为一门系统学科逐渐发展起来。该技术采用信号分析与诊断方法对机械系统的运行状态进行监测和评估，并建立与之相配套的机械设备维修体制，从而能有效地减少事故的发生，保障设备的正常运行与安全生产，还可以从根本上解决设备定期维修中的维修不足和过剩维修的问题。随着信号处理、人工智能、模式识别等技术的发展，各种新的融合方法也不断的被引入到故障检测中。常见的机械系统故障检测方法包括经验模态分解、独立分量分析、小波分析等。上述方法对干扰噪声的影响比较敏感，直接影响了检测结果的准确性，并且对信号的信息利用率不高。由于实际的机械系统工作环境比较复杂，背景噪声的干扰以及机器各零部件信号的相互作用，导致在信号采集的过程中想要检测和拾取真正有用的信号还是比较困难的，这也是机械设备早期故障不容易被发现的原因。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于宽带谱处理的机械系统故障检测方法，以解决现有技术中对信号的信息利用率不高、抗干扰能力差的问题。为实现上述目的，本专利技术提供一种基于宽带谱处理的机械系统故障检测方法，该方法包括以下步骤：步骤S1：声学传感器采集机械系统运行状态声纹信号s(n)。步骤S2：对采集的信号s(n)进行噪声抑制处理ss(n)。步骤S3：对正常状态信号进行延时采集，经过步骤S2组成正常状态声纹库N_S(n)。步骤S4：基于N_S(n)对ss(n)进行声纹匹配，匹配则更新正常状态声纹库N_S(n)，不匹配则更新故障状态声纹及故障标签编辑。步骤S5：发现故障则进行预警提示，并返回步骤S1，若无故障直接返回步骤S1。本专利技术的有益效果是：一方面本专利技术是基于宽带谱处理的机械系统故障检测方法，提高了信号的信息利用率，抗干扰能力强，检测结果更加准确。另一方面该方法不需要知道故障信号的先验知识，利用机械设备正常运行声纹信号与当前运行状态声纹信号之间的差异，从而判断出机械设备是否存在故障，以此来监测机器设备的运行状态；最后本专利技术通过数据通信模块对故障声纹信号数据进行存储记录，对该检测方法的后续优化积累了原始数据。附图说明图1是基于宽带谱处理的机械系统故障检测方法原理图。图2是机械设备运行状态声纹信号匹配比对原理图。图3a是降噪信号波形图。图3b是降噪信号频谱图。图4是机械设备运行状态声纹信号比对仿真图。具体实施方式以下将结合附图对本专利技术提供的技术方案作进一步说明。本专利技术提出了一种基于宽带谱处理的机械系统故障检测方法。该方法利用声学传感器对机械系统运行状态的声纹信号进行拾取，通过背景噪声抑制、声纹匹配比对等模式识别技术来进行机械系统故障声纹信息的检测、提取和识别，进而实现对机械系统运行状态的监测和故障检测。图1为该检测方法的原理图。一、背景干扰噪声抑制方法假设采集信号为s(t)，噪声为n(t)，机械设备运行状态声纹信号为x(t)，则：s(t)＝x(t)+n(t)(1)其自相关函数为:求自相关实际上是看信号的不同部分的相似程度，当然得到的结果就只剩下周期性部分，白噪声得到抑制。所以利用这一原理进行噪声抑制由于现实条件下的干扰噪声的组成成分非常复杂，不仅含有平稳噪声部分，还含有非平稳噪声部分，上述的自相关法对非平稳噪声的抑制效果并不理想，所以对非平稳噪声的抑制，使用小波变换(WT)对其进行噪声抑制，因为小波变换具有良好的时频局部化特性，对非平稳信号具有较好的分析能力。设函数的傅里叶变换满足条件：把基本函数通过伸缩变换和平移变换后得到如下函数：称为分析小波或连续小波，其中a为伸缩因子，b为平移因子，a,b∈R,a≠0。则连续小波变换为：连续小波的逆变换为：其中当a＝2-j,b＝2-jk的时候，此时连续小波就变成了二进离散小波，其中j为整数。其关系如下：对应的二进制小波变换定义为：其对应的逆变换为：二、机械设备运行状态声纹信号的匹配比对通过比较正常状态信号间的欧氏距离来寻找最佳阈值，然后以这个阈值来作为衡量标准，以此来识别故障信号的存在，若检测信号在此阈值范围之内则为正常信号，否则即为故障信号。欧式距离表达式如下：式中n为空间的维数，dst(X,Y)表示两个n维矢量X和Y之间的欧氏距离，xi和yi分别表示序列X和Y的第i个值。设正常状态声纹库为N_S(n)，每个样本与其它样本间的欧氏距离和为d，则d的表达式如下：式中N为背景声纹库的样本个数。定义距离序列为D＝{d1,d2,…,dn}，然后基于D求出最大值dmax，以此作为检测阈值，其判决形式如下：该阈值检测方法的流程图如图2所示。三、性能分析在仿真中用频率为100Hz、360Hz的正弦波信号模拟了机器正常运转状态声纹信号，并在其中加入了频率为1000Hz的正弦波和白噪声作为干扰噪声，信噪比为-5db，采样率为5120Hz，采样点数为2048，以此来验证该背景噪声抑制算法的性能。从图3a和图3b中，可以看出把自相关法噪声抑制跟小波去噪相结合，干扰噪声得到了很好的抑制，有用信号的时域特征跟频域特征更加清晰了，从仿真结果可以看出，降噪后信号的特征频率为100Hz和360Hz，分别与原始信号100Hz和360Hz对应，降噪后信号的信噪比为15db，证明了该噪声抑制方法对干扰噪声的抑制有着较好的效果。对于机械设备运行状态声纹信号的检测，用欧式距离来度量样本之间的相似性。计算出样本库中每个样本与其它样本间的欧氏距离和，通过多次比较选取最佳的检测阈值，以此来检测故障信号。在仿真中用频率为100Hz、360Hz的正弦波信号来模拟正常状态声纹信号，模拟了30个样本，用频率为430Hz的正弦波信号来模拟故障声纹信号，并混合在正常状态声纹信号中作为检测信号。以此来验证该阈值检测方法的性能。从图4可以看出用正常信号1与正常信号2作为检测信号，其与正常状态声纹库间的欧式距离和在允许误差范围内可看作没有超过检测阈值，而用含有故障信号的背景声纹信号作为检测信号，其与正常状态声纹库的欧式距离和远远超过允许误差范围，明显超过了检测阈值，即视为故障信号，证明了该方法的有效性。以上实施例的说明只是用于帮助理解本专利技术的方法及其核心思想。应当指出，对于本
的普通技术人员来说，在不脱离本专利技术原理的前提下，还可以对本专利技术进行若干改进和修饰，这些改进和修饰也落入本专利技术权利要求的保护本文档来自技高网...

【技术保护点】
1.一种基于宽带谱处理的机械系统故障检测方法，其特征在于，包括以下步骤：/n步骤S1：声学传感器采集机械系统运行状态声纹信号

【技术特征摘要】
1.一种基于宽带谱处理的机械系统故障检测方法，其特征在于，包括以下步骤：
步骤S1：声学传感器采集机械系统运行状态声纹信号s(n)；
步骤S2：对采集的s(n)进行噪声抑制处理得到ss(n)；
步骤S3：对正常状态信号进行延时采集，经过步骤S2组成正常状态声纹库N_S(n)；
步骤S4：基于N_S(n)对ss(n)进行声纹匹配，匹配则更新正常状态声纹库N_S(n)，不匹配则更新故障状态声纹库及故障标签编辑；
步骤S5：发现故障则进行预警提示，并返回步骤S1，若无故障直接返回步骤S1。


2.根据权利要求1所述的一种基于宽带谱处理的机械系统故障检测方法，其特征在于，所述噪声抑制，首先运用自相关法对其进行第一次降噪，然后再结合小波降噪方法对其进行第二次降噪。


3.根据权利要求1所述的一种基于宽带谱...

【专利技术属性】
技术研发人员：白兴宇，华生辉，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33