轎車底盤聲信號分離算法研究

王驍 張恒嘉 王薇

摘 要：在診斷轎車底盤故障時，傳統(tǒng)的時域與頻域分析法對故障位置的判定有比較好的判斷效果，但在局部缺陷的診斷時，這些判定方法卻并不理想。這是由于底盤局部故障的存在很可能會產(chǎn)生瞬時突變信號，從而產(chǎn)生偶發(fā)性的沖擊，使振動信號從平穩(wěn)狀況突變成非平穩(wěn)狀態(tài)。當故障特征信號比較弱時，傳統(tǒng)的頻譜方法檢測難以達到一個好的效果，即對噪聲的排除能力較弱，對細微的故障特征信號的識別能力不夠靈敏，從而影響診斷的有效性和精確性。而小波分析法具有將信號局部特征識別出來的能力，通過很多的識別與處理工具的運用，使研究更深一步。文章基于底盤故障的診斷現(xiàn)狀，深刻探討了對基于小波的信號處理技術(shù)與特征識別提取的方法。

關(guān)鍵詞：底盤噪聲；特征提??；小波圖像

中圖分類號：U463 文獻標志碼：A 文章編號：2095-2945（2019）02-0020-03

Abstract： In the diagnosis of car chassis faults， the traditional time-domain and frequency-domain analysis methods have a good effect on fault location， but in the diagnosis of local defects， these methods are not ideal. This is due to the fact that the existence of the chassis local fault is likely to lead to instantaneous sudden change signal， resulting in occasional impact， so that the vibration signal from a stable state to a non-stationary state. When the fault characteristic signal is weak， the traditional spectrum detection method is difficult to achieve a good effect， that is， the ability to eliminate noise is weak， and the ability to recognize the subtle fault characteristic signal is not enough， thus affecting the effectiveness and accuracy of diagnosis. Wavelet analysis has the ability to recognize the local features of the signal， and through the use of a lot of recognition and processing tools， further research can be conducted. Based on the present situation of chassis fault diagnosis， the signal processing technology based on wavelet and the method of feature recognition and extraction are deeply discussed in this paper.

Keywords： chassis noise； feature extraction； wavelet image

小波（Wavelet）也稱小區(qū)域波，指一種正負項均值為零的特殊波形。從伸縮與平移方法汲取靈感，小波變換便基于此思想形成。在繼承并發(fā)展了STFT的局部化思想時，小波變換的特性還克服了窗口大小不能隨頻率變化等缺點。小波最大的突出點是在采用了非均勻分布的分辨率的同時具有可變的時頻乘積窗口。其兩個優(yōu)點總結(jié)如下：

（1）自我適應(yīng)能力：在小波高頻區(qū)，時間軸細分度較高而頻率軸細分度較低；在小波低頻區(qū)，頻率軸細分度較高而時間軸細分度較低。所以針對不同的分析對象，小波變換能自動調(diào)節(jié)相關(guān)的參數(shù)。

（2）數(shù)學(xué)顯微鏡：具有放大、縮小、平移等功能，能對不同的頻率成份在時域上采用不同步長的取樣。

小波變換是按二進制尺度變化對信號進行時頻分解的，而在實際工程應(yīng)用中，只有某部分特定頻域段或時間段的信號有研究價值，因此只需對這些特定的信息進行提取，那么分別對需要的頻率點和時間點的頻域分辨率及時間分辨率進行最大可能的提取。

建立于小波變換基礎(chǔ)，小波包將小波分析進行推廣。于小波變換而言，小波包有著頻帶劃分更為精細的特性，同時可以進行多層次劃分頻帶，分解多分辨率無法細分的高頻部分，能自發(fā)的選擇相應(yīng)頻帶通過被分析信號的特征，這樣便能與信號的頻譜相匹配，將時頻分辨率大大提高。小波包可獲取相對更好的狀態(tài)識別和故障分析效果，這是因為它能夠集中特征信號的能量，使之到更小且更均勻的頻帶中。因此就聲信號的表現(xiàn)特征來看，小波包與小波變換相比較狀態(tài)識別與故障分析能力更有優(yōu)勢。

重構(gòu)是分解的逆向變換，把需要的頻率段數(shù)據(jù)留下而將其他頻率段的置零，從而實現(xiàn)對信號的重構(gòu)。在經(jīng)過這個步驟后，就可以實現(xiàn)相應(yīng)頻率段上時域分辨率的篩選。

在工程實際中，經(jīng)常會遇到優(yōu)化問題。將人們在當前工程實際中的優(yōu)化手段進行總結(jié)，主要包括以下三種方法：一是運用經(jīng)驗進行主觀判斷；二是通過試驗結(jié)果分析進行各種方案優(yōu)劣決策；三是靠建立數(shù)學(xué)模型模擬分析確定最優(yōu)策略。盡管數(shù)學(xué)模型能在一定程度上作簡化，這種簡化可能造成一些數(shù)據(jù)缺失，但是它基于客觀，使得求解問題變得簡單靈活、經(jīng)濟有效。

相對傳統(tǒng)的優(yōu)化算法，遺傳算法將其收斂于局部最優(yōu)的困境克服。遺傳算法基于自然選擇和遺傳機制理論，并不依賴具體的問題。因此該算法不僅應(yīng)用在聲信號中，還在在模式識別、工業(yè)優(yōu)化控制、生物及社會等方面受到大量運用。本文選用的優(yōu)化算法即為遺傳算法。由生物進化的思想影響得出遺傳算法。遺傳算法是通過將生物進化機制在計算機上模擬，以此來尋找最優(yōu)搜索的算法，它的搜索就是相應(yīng)的遺傳分析，將單個染色體按預(yù)設(shè)的函數(shù)進行特征比對，通過生物進化理論篩選優(yōu)者淘汰劣者最終實現(xiàn)整體問題的最優(yōu)方案。遺傳算法運用進化模型，例如比對、選擇、遷移等。最初方案是在計算開始時設(shè)定，對初始個體進行隨機變異并將不同個體的適應(yīng)度函數(shù)計算。倘若初始代并不能夠滿足最優(yōu)化的準則，那么將進行新一代的計算操作。要得到下一代，則要綜合選擇全部的個體，對父代按初始設(shè)定的規(guī)律進行基因重組和遷移，那么子代則會有一定的概率產(chǎn)生變異。然后從新評估子代的優(yōu)劣，形成全新的子代。循環(huán)往復(fù)執(zhí)行此過程，直到找到最適合的子代以便傳承。遺傳算法是將問題解編織成編碼串，而這些編碼串再一個個組成在一個大空間中就得到了我們的種群。那么，得到的這個種群就是解空間。在進化過程中，隨機對初代賦值，這樣一代一代根據(jù)進化原則，得到的子代就會比父代優(yōu)化。遺傳算法的三個基本處理方式為選擇、交叉及變異。遺傳算法不是要實現(xiàn)局部最優(yōu)為目的，這一點與傳統(tǒng)優(yōu)化算法有很大的不同。

對于一些經(jīng)驗豐富的人，可以從混雜的聲音中辨別出底盤的故障異響聲音。不僅如此，他們還能根據(jù)異響的特征對故障的類型加以簡單的判別。這是因為人耳聽覺的歐姆定律，人耳可以對聲音信號的幅值識別，以此來分辨底盤的異響信號，所以依靠聽覺就可以分辨底盤的異響。那么我們根據(jù)譜的相關(guān)原理來對底盤測量信號進行處理，編制適應(yīng)度函數(shù)。用聲強的三個物理量幅度、頻率和相位均可以表示任何復(fù)雜的聲音。而聲音也可以用響度、音調(diào)和音色三個特性來描述。對于聲音的響度，聲波振動的幅度起決定作用，而聲音的頻率決定了音調(diào)高低，而聲音的諧波成分和頻譜則決定了聲音的音色。聲音能否被聽覺聽到，則要看它的頻率和強度，正常聽覺的頻率范圍為 20Hz～20000Hz，強度范圍為-5dB～130dB。

根據(jù)對聽覺的分析，我們可以把人耳看做是一臺頻率分析器，能把諧音從復(fù)音中分開。基于這個理論，人耳又可以被定義為是一臺傅里葉分析器。歐姆發(fā)現(xiàn)，人耳對頻率的分辨很敏感，人耳能夠清楚的分辨聲音的強度大小。通過人耳的聽覺歐姆定律，人耳對相位的不敏感性，但傳統(tǒng)的聽覺仍然可以診斷汽車底盤的故障，那么就可以只利用聲信號的幅值來對汽車底盤的故障進行診斷。通常均以隨機過程為對象來作為研究傳統(tǒng)信號的模型，但對于通信和雷達系統(tǒng)以及一些機械等特殊的非平穩(wěn)信號而言，他們的平穩(wěn)性使分布密度呈多周期均勻變化。在理想的概率分布密度模型中，平穩(wěn)的圖像是最理想化的，但這種理想化的模型只在譜相關(guān)函數(shù)中才能得到充分的體現(xiàn)。

這個過程屬于周期平穩(wěn)模型的范疇，被稱為“準周期平穩(wěn)過程”，這個模型也適用周期平穩(wěn)過程。在操作過程中對帶有故障的底盤測量信號經(jīng)過消噪處理之后再通過小波包的N 層的分解，可以得到2N個子波系數(shù)，重構(gòu)這些系數(shù)又可以形成2N個子信號，通過遺傳算法則可以對這些子信號進行優(yōu)化計算。

在底盤實際檢測中，并不是完全理想的環(huán)境，總會有各種聲音的干擾，因此要想從繁雜的環(huán)境中得到有效實用的聲信號是很難的，這就需要后期信號的有效處理，才能得到想要的聲信號，因此把收集的信號進行除噪處理是不可或缺的。

這個處理過程中首先進行運用編碼方式，通過小波變換把信號分解為N層，然后分別重構(gòu)這些分解的小波系數(shù)，從而形成了2N個子信號。我們以二進制的數(shù)據(jù)串設(shè)定的串結(jié)構(gòu)，因為最終要得到目的信號是這個信號的某一2N個排列組合。設(shè)定長度為N位的數(shù)據(jù)串，得總共包含2N個信號，那么可得小波樹的第[N，k]位信號在數(shù)據(jù)串上第k 位為1，由串構(gòu)成的點，即構(gòu)成了不同的信號。本系統(tǒng)采用的編碼為16 位的二進制，誤差限為 le-5。在二進制編碼中，由0和1構(gòu)成每個染色體串。

其次是初始群體的生成操作，一個群體是由N個個體構(gòu)成的，而一個個體代表一串結(jié)構(gòu)數(shù)據(jù)。遺傳算法從初始點，即N個串結(jié)構(gòu)數(shù)據(jù)開始迭代。本系統(tǒng)生成大小為30的初始種群。在此操作之后將參數(shù)真實值代入目標函數(shù)中以此便可得到目標函數(shù)值。但目標函數(shù)是有正負的，不能滿足要求，因此要調(diào)整目標函數(shù)，對其進行轉(zhuǎn)換成適值。正向目標函數(shù)方向與相關(guān)適值的變化方向一致，負向目標函數(shù)方向與相關(guān)適值變化方向相反。

本文通過汽車正常工作時底盤的聲音信號與發(fā)生故障時的聲音信號進行采集，擬合構(gòu)成相關(guān)函數(shù)，并通過直線與水平軸的夾角余弦值為參數(shù)的函數(shù)曲線顯現(xiàn)出來。然后對個體進行選擇，得到下一批父代。在這個過程中采用的選擇方法為標準幾何分布。并以隨機選擇的兩個個體作為父代，通過雜交變換的方式產(chǎn)生新的子代個體，這個過程就是交叉過程。其中交叉點是隨意選取的。交叉的概率為 0.95最后由一個父代產(chǎn)生單個子代，這便是變異操作。變異的概率為 0.08。

參考文獻：

[1]王洪剛，張喜兵，李良才，等.利用缸蓋噪聲信息診斷柴油機失火故障[J].振動工程學(xué)報，2012，15（2）：207-209.

[2]程衛(wèi)國，傅志中，陸文華，等.MATLAB在汽輪機振動故障診斷中的應(yīng)用[J].中國動力工程學(xué)報，2005（25）：98.

[3]尹澤明，丁春利，等.精通MATLAB6[M].清華大學(xué)出版社，2012，6：2-7.

[4]王計生.基于小波神經(jīng)網(wǎng)絡(luò)的刀具狀態(tài)監(jiān)測系統(tǒng)的研究[D].西華大學(xué)，2004，5：32-33.