基于單子帶重構(gòu)改進(jìn)算法的艦炮自動(dòng)機(jī)故障特征提取方法*

孫寬雷 韓 峻

(海軍工程大學(xué) 武漢 430033)

基于單子帶重構(gòu)改進(jìn)算法的艦炮自動(dòng)機(jī)故障特征提取方法*

孫寬雷 韓 峻

(海軍工程大學(xué) 武漢 430033)

艦炮自動(dòng)機(jī)在運(yùn)行過(guò)程中產(chǎn)生的聲信號(hào)包含著大量的設(shè)備運(yùn)行狀態(tài)信息,小波分析可有效地處理這種非平穩(wěn)信號(hào),其單子帶重構(gòu)算法在提取信號(hào)特征頻率成分時(shí)有很好的效果,但它存在嚴(yán)重的頻率混淆從而會(huì)導(dǎo)致提取錯(cuò)誤的特征信息。論文針對(duì)小波分析中單子帶重構(gòu)算法出現(xiàn)的頻率混淆進(jìn)行了仿真研究,驗(yàn)證了單子帶重構(gòu)改進(jìn)算法在消除頻率混淆方面有效性,并將其應(yīng)用于艦炮聲信號(hào)的處理,結(jié)果表明,它可準(zhǔn)確地提取出相應(yīng)的故障特征信息。

單子帶重構(gòu); 抗混淆Mallat算法; 故障診斷

Class Number TJ391

1 引言

自動(dòng)機(jī)作為艦炮上最關(guān)鍵的機(jī)械裝置,具有結(jié)構(gòu)復(fù)雜、故障率高等特點(diǎn)[1],對(duì)它其運(yùn)行狀態(tài)進(jìn)行檢測(cè)以及故障診斷具有十分重要的現(xiàn)實(shí)意義。因自動(dòng)機(jī)內(nèi)部結(jié)構(gòu)緊密,運(yùn)行時(shí)振動(dòng)幅度大、內(nèi)部溫度高,不適合使用振動(dòng)傳感器;而作為機(jī)械運(yùn)行時(shí)發(fā)出的一種固有信號(hào),噪聲信號(hào)中包含大量設(shè)備運(yùn)動(dòng)狀態(tài)的信息。通過(guò)對(duì)聲信號(hào)的分析,可以對(duì)艦炮進(jìn)行狀態(tài)檢測(cè)及故障分析[2]。

噪聲信號(hào)中包含著大量的非平穩(wěn)信號(hào),小波分析是針對(duì)此類信號(hào)的時(shí)頻分析方法[3],利用小波分析的單子帶重構(gòu)算法,可以將原信號(hào)按尺度分解至不同頻段上,各個(gè)頻帶包含的信息可以直觀地顯示出來(lái),從而實(shí)現(xiàn)特征信號(hào)與噪音信號(hào)的分離,為故障特征信號(hào)的提取、分析提供基礎(chǔ)和依據(jù)[4]。

傳統(tǒng)的Mallat算法的單子帶重構(gòu)算法,會(huì)在實(shí)際應(yīng)用中產(chǎn)生較為嚴(yán)重的頻率混淆[5],而所采集的艦炮的聲信號(hào)中包含有大量的頻率信息,如果這些頻率信息在處理過(guò)程中發(fā)生頻率折疊的情況,會(huì)在重構(gòu)信號(hào)中產(chǎn)生大量虛假頻率,從而使各個(gè)子頻帶無(wú)法真實(shí)體現(xiàn)原信號(hào)的尺度信息,這會(huì)使故障信息的提取失真甚至出錯(cuò)。而單子帶重構(gòu)改進(jìn)算法很好地解決了這個(gè)問(wèn)題,它不僅有效地消除頻率混淆,還可以檢測(cè)到微弱瞬態(tài)成分的存在并精確的確定其發(fā)生的時(shí)間[5],這對(duì)故障特征信息的準(zhǔn)確提取意義重大。

2 單子帶抗混淆重構(gòu)算法的提出

2.1 小波分解與重構(gòu)中的Mallat算法

離散小波分析的Mallat算法由小波濾波器H、G和h、g對(duì)信號(hào)進(jìn)行分解和重構(gòu),其中H、h分別為分解和重構(gòu)時(shí)的低通濾波器,而G、g則分別為相應(yīng)的高通濾波器[7]。小波分析的Mallat分解算法可以寫成下面的形式[5]:

(1)

n為離散時(shí)間序列號(hào),n=0,1,…,N-1(N為數(shù)據(jù)長(zhǎng)度);A0[f(n)]為原始采樣信號(hào),j=1,2,…,J,J為最高分解層數(shù),J=log2N;Aj為信號(hào)A0[f(n)]在第j層的近似部分(或低頻部分),Dj為信號(hào)A0[f(n)]在第j層的細(xì)節(jié)部分(或高頻部分)。

信號(hào)經(jīng)Mallat分解算法分解之后,還可以用Mallat重構(gòu)算法[6]進(jìn)行重構(gòu),重構(gòu)算法表述如下

利用Mallat算法進(jìn)行信號(hào)分解,下一層的低頻部分是上一層的低頻部分的低半頻帶,而下一層的高頻部分是上一層低頻部分的高半頻帶[5]。從濾波的角度來(lái)看,亦即將信號(hào)的頻帶二進(jìn)劃分成一系列子帶的過(guò)程。但由于小波分解與小波重構(gòu)濾波器的非理想截止特性,使得各子頻帶中含有其相鄰頻帶的成分,并產(chǎn)生邊界效應(yīng)[5],亦即所謂的頻率混淆。選用接近理想的小波濾波器,如選用Daubechies小波來(lái)分析時(shí)盡量選用N值更大的Daubechies小波濾波器,但這意味著更大的計(jì)算量[5],要避免頻率混淆,需要更好的算法。

2.2 單子帶重構(gòu)算法的改進(jìn)

楊建國(guó)[5]首次提出了避免頻率混淆的單子帶重構(gòu)改進(jìn)算法,與常規(guī)的單子帶重構(gòu)算法相比,該算法中增加了三個(gè)算子CG、CH和ch。算子CH和ch具有相同的計(jì)算式即式(2);對(duì)于算子CG,計(jì)算式為式(3)。

(2)

(3)

可以看出,各算子的及其各自輸出的計(jì)算式,與DFT中兩組變換式具有相似的形式,故三個(gè)算子在實(shí)際計(jì)算中可以借助FFT和IFFT來(lái)進(jìn)行。

3 單子帶重構(gòu)改進(jìn)算法的研究與仿真

假設(shè)一信號(hào)y為

即信號(hào)y中包含20Hz、35Hz、45Hz、60Hz、90Hz和130Hz等六個(gè)頻率成分,其中,130Hz為一瞬態(tài)信號(hào)分量。

用單子帶重構(gòu)算法對(duì)信號(hào)y進(jìn)行分解重構(gòu),以400Hz的采樣頻率采2048個(gè)點(diǎn),選用N為4時(shí)的Daubechies小波db4對(duì)y進(jìn)行尺度為3的分解與重構(gòu),低頻部分和高頻部分的時(shí)頻域圖分別如圖1和圖2所示。

圖1 重構(gòu)信號(hào)低頻部分的時(shí)頻域圖

由圖1～2可知,無(wú)論低頻子帶部分還是高頻子帶部分,均出現(xiàn)較為嚴(yán)重的頻率混淆現(xiàn)象,且130Hz的瞬時(shí)信號(hào),并未被明顯的檢測(cè)出來(lái)。

圖2 重構(gòu)信號(hào)高頻部分的時(shí)頻域圖

利用單子帶重構(gòu)改進(jìn)算法,對(duì)信號(hào)y進(jìn)行單子帶分解與重構(gòu);仍以400Hz的采樣頻率采2048個(gè)點(diǎn),選用db4對(duì)y進(jìn)行尺度為3的分解與重構(gòu),結(jié)果如圖3～5所示。

圖3 第一層小波重構(gòu)信號(hào)的時(shí)頻域圖

圖4 第二層小波重構(gòu)信號(hào)的時(shí)頻域圖

圖5 第三層小波重構(gòu)信號(hào)的時(shí)頻域圖

由圖3～5可知,單子帶重構(gòu)改進(jìn)算法有效的消除了頻率混淆,而且精確的檢測(cè)出了0.125s處的瞬時(shí)信號(hào),而0.5s處的瞬時(shí)信號(hào)之所以沒(méi)被檢測(cè)出,是由于它太過(guò)微弱,只有10-7數(shù)量級(jí)。以上的仿真對(duì)比并非一個(gè)特例,改進(jìn)算法是深入剖析原算法產(chǎn)生頻率混淆的原因之后提出的,在實(shí)際應(yīng)用中,可有效避免頻率混淆。

4 單子帶重構(gòu)改進(jìn)算法的應(yīng)用實(shí)例

利用內(nèi)置在艦炮基座上的采集盒采集艦炮的聲信號(hào),由于采集設(shè)備安裝在采集盒內(nèi),并與艦炮的電氣系統(tǒng)相聯(lián),既可以最大限度的消除外界環(huán)境噪聲的干擾,又可以收集艦炮的火控系統(tǒng)信號(hào),以定位各段聲信號(hào)的發(fā)生時(shí)序。艦炮的開(kāi)閂過(guò)程亦即自動(dòng)機(jī)的運(yùn)動(dòng)過(guò)程,故開(kāi)閂過(guò)程中的聲信號(hào)中蘊(yùn)含著艦炮自動(dòng)機(jī)豐富的狀態(tài)信息。

本例取自動(dòng)機(jī)中炮閂故障時(shí)的開(kāi)閂信號(hào),與自動(dòng)機(jī)正常工作時(shí)的開(kāi)閂信號(hào)作對(duì)比,如圖6～7所示,兩者在波形及頻譜上有細(xì)微差別,但只是振幅上的,分辨不出是否有新增加的頻率成分,這只說(shuō)明撞擊力度上的不同,所以還要對(duì)信號(hào)進(jìn)行進(jìn)一步處理。

圖6 炮閂故障時(shí)自動(dòng)機(jī)的開(kāi)閂聲信號(hào)

圖7 自動(dòng)機(jī)正常時(shí)的開(kāi)閂聲信號(hào)

將炮閂故障時(shí)的開(kāi)閂信號(hào)與炮閂正常時(shí)的開(kāi)閂信號(hào),分別用單子帶重構(gòu)改進(jìn)算法進(jìn)行尺度為3的小波重構(gòu),結(jié)果如圖8～10所示。

圖8 故障信號(hào)與正常信號(hào)第一層小波重構(gòu)部分對(duì)比

圖9 故障信號(hào)與正常信號(hào)第二層小波重構(gòu)部分對(duì)比

圖10 故障信號(hào)與正常信號(hào)第三層小波重構(gòu)部分對(duì)比

其中,ai(i=1,2,3)表示第i層重構(gòu)信號(hào)的低頻部分,di(i=1,2,3)為第i層重構(gòu)信號(hào)的高頻部分。相應(yīng)fai、fdi分別為各自的快速傅里葉變換得到的頻譜函數(shù)。

除去振幅的影響,可以發(fā)現(xiàn)正常狀態(tài)與故障狀態(tài)下所采集的信號(hào),其各層的重構(gòu)信號(hào)存在比較明顯的差異,其中在第一層重構(gòu)信號(hào)低頻部分,故障信號(hào)比正常信號(hào)多出了5100Hz左右的窄頻帶,在第一層重構(gòu)信號(hào)的高頻部分,故障信號(hào)比正常信號(hào)多出了7650Hz附近的窄頻帶;在第二層重構(gòu)信號(hào)中,差異就更加明顯,但在重構(gòu)信號(hào)的頻譜中,并未發(fā)現(xiàn)有增加或者減少的頻率成分;第三層重構(gòu)信號(hào)存在與第二層相似的情況。

5 結(jié)語(yǔ)

仿真和試驗(yàn)的結(jié)果表明,單子帶重構(gòu)改進(jìn)算法可以很好地解決小波分析中單子帶重構(gòu)的頻率混淆問(wèn)題,將其應(yīng)用于基于聲信號(hào)的故障特征提取時(shí),可以比較準(zhǔn)確的分辨故障信號(hào)與正常信號(hào)的頻率成分,從而有效的提取出故障特征信號(hào),這也表明,利用聲信號(hào)對(duì)艦炮進(jìn)行故障檢測(cè),是行之有效的一種方式。

[1] 戴涌,張國(guó)平,王茂林,等.某轉(zhuǎn)膛自動(dòng)機(jī)異常發(fā)射故障分析[J].火炮發(fā)射與控制學(xué)報(bào),2013(9):67-71.

[2] 吉小軍,施文康,張自嘉,等.基于噪聲信號(hào)的聲源檢測(cè)與故障診斷[J].計(jì)算機(jī)測(cè)量與控制,2003,11(12):918-920.

[3] 王學(xué)軍,馬輝,孫偉,等.基于小波分析的轉(zhuǎn)子碰摩故障特征提取[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2008,39(4):147-151.

[4] 胡耀斌,謝靜,胡良斌.基于神經(jīng)網(wǎng)絡(luò)與小波變換的滾動(dòng)軸承故障診斷[J].機(jī)械設(shè)計(jì)與研究,2013,29(6):33-35.

[5] 楊建國(guó).小波分析及其工程應(yīng)用[M].北京:機(jī)械工業(yè)出版社,2005.

[6] 王林.小波抗混疊單子帶重構(gòu)算法及其在軸承故障特征提取中的應(yīng)用[D].重慶:重慶大學(xué),2012.

[7] Qin Y, Wang J X, Tang B P, et al. Higher density wavelet frames with symmetric low-pass and band-pass filters[J]. Signal Processing,2010,90(12):3219-3231.

[8] 張靜遠(yuǎn),張冰,蔣興舟.基于小波變換的特征提取方法分析[J].信號(hào)處理,2000,16(2):155-162.

[9] Mallat S. A theory for multiresolution signal decomposition: the wavelet representation[J]. IEEE Trans. on Pattem Analysis and Machine Intelligence,1989,11(7):674-693.

[10] 楊國(guó)安,鐘秉林,黃仁,等.機(jī)械故障信號(hào)小波包分解的時(shí)域特征提取方法研究[J].振動(dòng)與沖擊,2001,20(2):5-31.

Fault Feature Extraction Method of Shipborne Gun Automaton Based on Improved Single-band Reconstruction Algorithm

SUN Kuanlei HAN Jun

(Naval University of Engineering, Wuhan 430033)

The acoustic signals of shipborne gun contain messive information about equipment operating condition, wavelet analysis methods can process this kind of non-stationary signal, the single sub-band reconstruction algorithm of wavelet analysis has a favorable effect in frequency feature extraction, but its serious frequency aliasing may lead to extraction of wrong information. The paper researches and simulates this aliasing, and proves the effectiveness of improved single sub-band reconstruction algorithm in eliminating frequency aliasing,and applies it to process acoustic signals. The results show that the improved algorithm can extract fault feature information accurately.

single sub-band reconstruction, anti-aliasing Mallat algorithm, fault diagnosis

2014年4月11日,

2014年5月23日

孫寬雷,男,碩士研究生,助理工程師,研究方向:武器系統(tǒng)與運(yùn)用。

TJ391

10.3969/j.issn1672-9730.2014.10.035