基于参考信号频域半盲提取的机械故障特征声学诊断.docx

?

?

基于参考信号频域半盲提取的机械故障特征声学诊断

?

?

基于参考信号频域半盲提取的机械故障特征声学诊断

机械设备运转时，其振动信号中蕴含着很多状态信息，尤其是当设备出现故障时，振动特征信号内会产生明显的冲击成分，由此衍生的声信号特性将随之发生改变[1]。机械设备故障诊断能否顺利进行很大程度上依赖于能否从繁多复杂的机械状态信号中提取足够数量且能够真实而客观地反映诊断对象工况的信息[2]。声信号测试具有非接触测量、测试方式简便、在线测试和无附着物影响等诸多优点，尤其适用于工业现场状态监测与故障诊断[3]。然而实际声场环境复杂多变，待识别信号（故障源信号）常与各种干扰信号或噪声相互混杂，无法被有效辨识[4]。因此，为了准确提取机械故障特征，需要将这些噪声抑制或排除，随后根据故障征兆识别故障原因[5]。

河北科技大学学报2015年第4期羿泽光，等：基于参考信号频域半盲提取的机械故障特征声学诊断近年来，能够在几乎没有任何先验知识的情况下，从混合信号中恢复或估计出源信号的盲信号处理技术为机械故障信号的提取提供了一个有力的解决手段[6-7]。然而，传统的盲分离算法在应用到机械声信号处理时往往无法满足现实情况，不能有效进行机械故障特征的识别与提取，而盲解卷积算法则更适用于实际工业声场环境[8-11]。因此，本文尝试以频域盲解卷积算法为基础，基于全局寻优能力较强的人工鱼群算法，构建针对故障信号特征的多尺度形态学滤波器，最大程度削弱背景噪声干扰；结合机械零部件结构参数构建参考信号，进而通过单元参考信号约束半盲提取算法，逐段进行复分量盲分离；利用改进KL距离解决复分量间次序不确定性问题，最终实现实际声场环境中的故障特征提取。

1频域盲解卷积基本模型

基于文献＼[3＼]的论述，可将频域盲解卷积算法的基本步骤整理如下。

通过加窗短时傅里叶变换（STFT）将拾取到的时域观测信号转换到频域中；此时，时域卷积混合就被转换成为对应频域上各频段的瞬时混合，从而引入复数盲分离算法对源信号进行估计。针对子信号输出次序不确定性问题，将估计的复数信号分频段进行重排序，通过加窗逆短时傅里叶变换（ISTFT）将信号转换回时域，最终得到估计信号。

机械系统产生的信号多种多样，加之设备所处环境中的背景噪声干扰，使得频域盲解卷积算法应用于实际复杂声场中针对机械故障特征的提取时存在很多问题[12-16]：

1）机械声场较为复杂且具有多源干扰，故障特征声易淹没在较强的高斯噪声、复杂周期信号及其他非平稳信号之中，无法被有效识别；

2）声学传感器（传声器）不同于振动传感器，其安装位置与故障源距离较远，声信号在传输过程中容易因长卷积而发生衰减，以致算法求解的复杂度不断增加；

3）使用频域盲解卷积算法提取故障特征信号时，循环部分卷积误差和次序不确定性等固有问题均会影响分离性能；

4）传统频域盲信号处理算法往往无法直接适用于机械故障声振信号的提取。

2参考信号约束频域半盲提取故障声信号

针对前文所述问题，通过对原有频域盲解卷积算法的各项步骤进行改造优化，降低背景噪声及凸显特征频率范围，将其应用到现实声场故障特征提取之中。

2.1构造改进多尺度形态滤波器

2.1.1形态滤波简介

近年来，能够提取信号细节和抑制干扰噪声形态滤波也被逐渐应用于机械声振信号背景降噪[17]。其滤波器结构都是基于差值滤波器或者形态开-闭（OC）和闭-开（CO）平均组合，且多为单一结构元素[18]。然而，实际工业声场中往往不止存在某一种干扰噪声，且信号中的噪声通常是随机的，需要使用多尺度的不同结构元素构建形态滤波器，以避免较严重的滤波器输出统计偏移。

2.1.2人工鱼群算法优化结构元素

形态滤波的结构元素构成包括形状、幅值和尺寸等多个方面。实验结果表明，半圆形结构元素能够较好地滤除随机噪声，三角形结构元素对于脉冲噪声的滤波效果较好。为了避免目标寻优过早地进入局部收敛，特采用基于集群体智能思想的人工鱼群算法进行全局寻优，将经过均值化处理后的观测信号中相邻峰值间隔的最大值和最小值通过极值寻优，确定结构元素的长度；随后，根据信号峰值的最大值和最小值确定高度范围；最后，将相应的结构元素尺寸分别代入半圆形和三角形结构公式，计算出对应的结构元素集合。整个算法流程如图1所示。

图1人工鱼群算法寻优流程

Fig.1Flowofimprovedmulti-scalemorphologicalfilteringalgorithm

图1中：N为人工鱼群大小；{Xi}为人工鱼个体的状态位置；Yi=f（Xi）为第i条人工鱼当前所在位置的实物浓度；Visual为人工鱼的感知距离；Step为人工鱼移动的最大步长；delta为拥挤度；n为当前觅食行为次数；