一种托辊故障声学信号特征提取及定位方法技术

本发明专利技术公开了一种托辊故障声学信号特征提取及定位方法，包括以下步骤：S1、对麦克风阵列阵元参数化仿真及选型；S2、利用麦克风阵列对托辊轴承故障音频信息进行采集和预处理；S3、对各通道信号进行VMD分解，提取声学信号中的故障特征信息，实现不同信源分离，从而抑制传递路径的噪声干扰；S4、选取包含托辊轴承故障循环冲击特征的最优子带；S5、利用C

【技术实现步骤摘要】
一种托辊故障声学信号特征提取及定位方法


[0001]本专利技术涉及一种托辊故障分析技术，尤其涉及一种托辊故障声学信号特征提取及定位方法。

技术介绍

[0002]带式输送机是矿场最重要的物料运输设备，作为矿用带式输送机关键的支撑和旋转机构，托辊在连续高负荷的运转后容易发生机械故障。托辊发生故障后产生的皮带跑偏及皮带撕裂问题将直接影响矿用带式输送机的正常连续运输，而其故障引起的链式反应会对整个煤矿开采带来安全威胁。
[0003]长距离的运输、庞大数量的托辊以及恶劣的工况使得日常巡检和定期维护不仅浪费大量的人力和物力，而且增加已经严重退化部件超期服役的风险。因此，开展适用于矿用带式输送机托辊的非接触式声学信号测量、故障特征提取及声源定位研究，对于合理的安排检修活动，降低时间、人力及物力成本，确保矿用带式输送机运行的可靠性和安全性具有重要意义。
[0004]陈维望等在《基于分支卷积神经网络的托辊轴承故障分级诊断研究》中，构建了一种基于分支一维卷积神经网络的轴承故障分级诊断模型，对轴承的运行状态进行了全面估计，该模型仅对单一的轴承具有较好本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种托辊故障声学信号特征提取及定位方法，其特征在于：包括以下步骤：S1、对麦克风阵列阵元参数化仿真及选型；S2、利用麦克风阵列对托辊轴承故障音频信息进行采集和预处理；S3、对各通道信号进行VMD分解，提取声学信号中的故障特征信息，实现不同信源分离，从而抑制传递路径的噪声干扰；S4、选取包含托辊轴承故障循环冲击特征的最优子带；S5、利用C
‑
Beamforming算法对VMD最优子带信号进行旁瓣抑制，进行声源成像及声源定位，以实现高分辨率声源定位。2.根据权利要求1所述的一种托辊故障声学信号特征提取及定位方法，其特征在于：在步骤S1中，对多通道麦克风阵列进行参数优化设计，得到适用于托辊轴承故障声源的最优阵元参数组合。3.根据权利要求1所述的一种托辊故障声学信号特征提取及定位方法，其特征在于：步骤S3具体包括以下步骤：S31、构造变分：假设原始信号f被分解为k个分量，保证分解序列为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等，则相应约束变分表达式为：束变分表达式为：式中，j为虚数，t表示时间，k为需要分解的模态个数，{ω
k
}、{u
k
}分别对应分解后第k个模态分量和中心频率，δ(t)为狄拉克函数，*为卷积运算符；S32、求解式(1)，引入Lagrange乘法算子λ，将约束变分问题转变为非约束变分问题，得到增广Lagrange表达式为：式中，λ为乘法算子；α为二次惩罚因子，作用是降低高斯噪声的干扰；S33、利用交替方向乘子迭代算法结合Parseval Plancherel、傅里叶等距变换，优化得到各模态分量和中心频率，并搜寻增广Lagrange函数的鞍点，交替寻优迭代后的{ω
k
}、{u
k
}和λ的表达式如下和λ的表达式如下和λ的表达式如下式中，ω表示频率，γ为噪声容忍度，其满足信号分解的保真要求；n为迭代次数；
和为分别对u
i
(t)、f(t)和λ(t)的傅里叶变换。4.根据权利要求3所述的一种托辊故障声学信号特征提取及定位方法，其特征在于：步骤S33中VMD迭代方法具体包括以下步骤：S331、初始化λ1和最大迭代次数N,n
←
0；S332、利用公式(3)和(4)更新ω
k
和S333、利用公式(5)更新S334、精度收敛判据ε>0，若不满足，且n＜N则返回步骤S332，否则完成迭代，输出最终的u
k
，ω
k
。5.根据权利要求3所述的一种托辊故障声学信号特征提...

【专利技术属性】
技术研发人员：张雄，武文博，李嘉禄，董帆，万书亭，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：