一種基于寬帶譜處理的機(jī)械系統(tǒng)故障檢測(cè)方法

白興宇，華生輝，姜 煜，張 敏

(杭州電子科技大學(xué) 電子信息學(xué)院,浙江 杭州 310018)

早期的機(jī)械系統(tǒng)故障診斷主要依賴于經(jīng)驗(yàn)，相關(guān)人員通過(guò)機(jī)械設(shè)備運(yùn)轉(zhuǎn)時(shí)所產(chǎn)生的振動(dòng)、聲音等特征來(lái)判斷機(jī)械設(shè)備是否存在故障。直到20世紀(jì)60年代以后，機(jī)械系統(tǒng)故障診斷才真正作為一門系統(tǒng)學(xué)科逐漸發(fā)展起來(lái)。機(jī)械系統(tǒng)故障診斷技術(shù)采用信號(hào)分析與診斷方法對(duì)機(jī)械系統(tǒng)的運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)和評(píng)估，并建立與之相配套的機(jī)械設(shè)備維修體制，從而有效減少事故發(fā)生，保障設(shè)備的正常運(yùn)行與安全生產(chǎn)，還可以從根本上解決設(shè)備定期維修中的維修不足和過(guò)剩維修的問(wèn)題[1]。隨著信號(hào)處理、人工智能、模式識(shí)別等技術(shù)的發(fā)展，各種新的融合方法也不斷被引入到故障檢測(cè)中。文獻(xiàn)[2]利用自適應(yīng)譜減法對(duì)聲發(fā)射信號(hào)進(jìn)行了預(yù)先消噪，并結(jié)合支持向量機(jī)實(shí)現(xiàn)了對(duì)軸承故障的診斷。文獻(xiàn)[3]利用MATLAB Script節(jié)點(diǎn)技術(shù)將LabVIEW和MATLAB的優(yōu)勢(shì)相結(jié)合，開發(fā)了一套軸承故障診斷系統(tǒng)。常見的機(jī)械系統(tǒng)故障檢測(cè)方法包括經(jīng)驗(yàn)?zāi)B(tài)分解[4-6]、獨(dú)立分量分析[7-9]、小波分析[10-14]等。文獻(xiàn)[15]將經(jīng)驗(yàn)?zāi)B(tài)分解和獨(dú)立分量分析方法相結(jié)合應(yīng)用在轉(zhuǎn)盤軸承故障診斷中，取得了較好的效果。文獻(xiàn)[16]利用小波分析和反向傳播算法(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對(duì)旋轉(zhuǎn)機(jī)械的故障進(jìn)行識(shí)別，并通過(guò)實(shí)驗(yàn)驗(yàn)證了該方法在旋轉(zhuǎn)機(jī)械故障診斷中的可行性。但是上述方法易受到噪聲干擾，影響檢測(cè)結(jié)果的準(zhǔn)確性，且對(duì)信號(hào)的信息利用率不高。由于實(shí)際情況下的機(jī)械系統(tǒng)工作環(huán)境比較復(fù)雜，干擾噪聲的影響以及機(jī)器各零部件信號(hào)的相互作用導(dǎo)致在信號(hào)采集的過(guò)程中想要檢測(cè)和拾取真正有用的信號(hào)較為困難，這也是機(jī)械設(shè)備早期故障不容易被發(fā)現(xiàn)的原因[17-19]。

針對(duì)機(jī)械系統(tǒng)運(yùn)行狀態(tài)監(jiān)測(cè)的問(wèn)題，本文提出了一種基于寬帶譜處理的機(jī)械系統(tǒng)故障檢測(cè)方法。該方法基于干擾噪聲抑制和聲紋比對(duì)技術(shù)，根據(jù)干擾噪聲源的特點(diǎn)，采用自相關(guān)去噪與小波去噪相結(jié)合的方法，對(duì)干擾噪聲進(jìn)行有效抑制，并采用歐式距離分類器對(duì)采集到的聲紋信號(hào)進(jìn)行分類判決。該方法對(duì)信號(hào)的信息利用率高，抗干擾能力強(qiáng)，能有效降低誤檢率。為了驗(yàn)證該方法的有效性，本文采用數(shù)字仿真分析了該算法在低信噪比環(huán)境下的檢測(cè)性能。

1 機(jī)械系統(tǒng)故障檢測(cè)原理

基于寬帶譜處理的機(jī)械系統(tǒng)故障檢測(cè)以對(duì)機(jī)械系統(tǒng)運(yùn)行聲紋信號(hào)的監(jiān)測(cè)為基礎(chǔ)，綜合利用聲紋提取和模式識(shí)別等現(xiàn)代信號(hào)處理方法，通過(guò)對(duì)機(jī)械系統(tǒng)運(yùn)行狀態(tài)的聲紋變化檢測(cè)和跟蹤來(lái)實(shí)現(xiàn)對(duì)機(jī)械設(shè)備故障的檢測(cè)和識(shí)別。

1.1 提取機(jī)械設(shè)備運(yùn)行狀態(tài)聲紋信號(hào)

在實(shí)際采集到的機(jī)械設(shè)備運(yùn)行狀態(tài)聲紋信號(hào)中混合著較強(qiáng)的干擾噪聲，導(dǎo)致在實(shí)際過(guò)程中想要檢測(cè)和拾取真正有用的信號(hào)比較困難。特別是早期故障的特征信號(hào)相對(duì)微弱，易被強(qiáng)干擾噪聲掩蓋，影響提取設(shè)備運(yùn)行狀態(tài)特征信息的效率，這也是早期故障不容易被發(fā)現(xiàn)的原因。機(jī)械系統(tǒng)聲紋信號(hào)的數(shù)學(xué)模型為

s(t)=x(t)+n(t)

(1)

式中，s(t)是用聲學(xué)傳感器采集到的信號(hào)，其混合著較強(qiáng)的干擾噪聲n(t)。為了能夠較好地提取到機(jī)械設(shè)備運(yùn)行狀態(tài)聲紋信號(hào)x(t)，需要對(duì)干擾噪聲n(t)進(jìn)行抑制，以使所提取到的運(yùn)行狀態(tài)聲紋信號(hào)x(t)能夠最大程度表征設(shè)備運(yùn)行的狀態(tài)特征信息。本文對(duì)正常運(yùn)行狀態(tài)聲紋信號(hào)進(jìn)行延時(shí)采集與處理，并且進(jìn)行數(shù)據(jù)存儲(chǔ)，建立正常狀態(tài)聲紋庫(kù)N_S(n)，以便為后續(xù)匹配比對(duì)積累數(shù)據(jù)。

1.2 機(jī)械設(shè)備運(yùn)行狀態(tài)聲紋信號(hào)的識(shí)別檢測(cè)

對(duì)機(jī)械設(shè)備運(yùn)行狀態(tài)聲紋信號(hào)進(jìn)行檢測(cè)識(shí)別時(shí)，將聲學(xué)傳感器每次采集的聲紋信號(hào)經(jīng)過(guò)噪聲抑制處理后進(jìn)行累積存儲(chǔ)，建立正常狀態(tài)聲紋庫(kù)N_S(n)。當(dāng)正常狀態(tài)聲紋庫(kù)存儲(chǔ)達(dá)標(biāo)后，用檢測(cè)信號(hào)與正常狀態(tài)聲紋庫(kù)N_S(n)進(jìn)行匹配比對(duì)，若匹配，則視為正常狀態(tài)聲紋信號(hào)，即機(jī)械設(shè)備正常運(yùn)轉(zhuǎn)，更新正常狀態(tài)聲紋庫(kù)N_S(n)繼續(xù)監(jiān)測(cè)；若不匹配，則視為故障狀態(tài)聲紋信號(hào)，即機(jī)械設(shè)備發(fā)生故障，更新故障聲紋庫(kù)及故障標(biāo)簽編輯并進(jìn)行異常提示，然后繼續(xù)監(jiān)測(cè)。

本算法的核心部分是背景干擾噪聲抑制和機(jī)械設(shè)備運(yùn)行狀態(tài)聲紋信號(hào)的匹配比對(duì)，因此本文著重對(duì)這兩部分進(jìn)行了分析論證。

綜上所述，基于寬帶譜處理的機(jī)械系統(tǒng)故障檢測(cè)方法原理圖如圖1所示。

圖1 基于寬帶譜處理的機(jī)械系統(tǒng)故障檢測(cè)方法原理圖Figure 1.Schematic diagram of fault detection method for mechanical system based on wideband spectrum processing

2 機(jī)械系統(tǒng)故障檢測(cè)方法實(shí)現(xiàn)

2.1 背景干擾噪聲抑制

一臺(tái)完好設(shè)備所采集到的信號(hào)頻帶較寬，其中絕大部分是噪聲，將頻帶較寬的噪聲稱作白噪聲。一臺(tái)磨損的設(shè)備，當(dāng)相接觸的各個(gè)部件之間產(chǎn)程間隙后就必然發(fā)生碰撞，而旋轉(zhuǎn)設(shè)備每次碰撞的部分基本上是固定的，即這種碰撞是周期性的。這些周期性的碰撞信號(hào)即是機(jī)械設(shè)備運(yùn)行狀態(tài)聲紋信號(hào)，被掩蓋在大量白噪聲中，尤其是在故障的初級(jí)階段。其自相關(guān)函數(shù)如式(2)所示。

(2)

本文中假設(shè)背景噪聲信號(hào)由某些特定頻率信號(hào)跟白噪聲所組成，而白噪聲則包含了所有的頻率，沒(méi)有周期性。求自相關(guān)實(shí)際上是分析信號(hào)不同部分的相似程度，當(dāng)然得到的結(jié)果就只剩下周期性部分，白噪聲得到抑制。因此，本文利用這一原理進(jìn)行噪聲抑制，從而提高信噪比。

由于現(xiàn)實(shí)條件下干擾噪聲的組成成分非常復(fù)雜，不僅含有平穩(wěn)噪聲部分，還含有非平穩(wěn)噪聲部分。上述自相關(guān)法對(duì)非平穩(wěn)干擾噪聲的抑制效果并不理想。因?yàn)樾〔ㄗ儞Q具有良好的時(shí)頻局部化特性，對(duì)非平穩(wěn)信號(hào)具有較好的分析能力，故本文考慮用小波變換對(duì)非平穩(wěn)干擾噪聲進(jìn)行抑制。

設(shè)函數(shù)φ(t)∈L2(R)的傅里葉變換滿足條件

(3)

將基本函數(shù)φ(t)通過(guò)伸縮變換和平移變換后得到如下函數(shù)

(4)

稱{φa,b}為分析小波或連續(xù)小波。其中，a為伸縮因子，b為平移因子，a,b∈R，a≠0。則連續(xù)小波變換為

(5)

式中，〈·〉為內(nèi)積運(yùn)算符。

連續(xù)小波的逆變換為

(6)

其中

(7)

當(dāng)a和b滿足以下表達(dá)形式時(shí)

(8)

此時(shí)連續(xù)小波就變成了二進(jìn)離散小波，其中j為整數(shù)。其關(guān)系為

(9)

對(duì)應(yīng)的二進(jìn)制小波變換定義為

(10)

其對(duì)應(yīng)的逆變換為式(11)。

(11)

2.2 機(jī)械設(shè)備運(yùn)行狀態(tài)聲紋信號(hào)的匹配比對(duì)

機(jī)械設(shè)備運(yùn)行狀態(tài)聲紋信號(hào)的檢測(cè)原理是通過(guò)比較機(jī)械系統(tǒng)正常運(yùn)行狀態(tài)聲紋信號(hào)與當(dāng)前運(yùn)行狀態(tài)聲紋信號(hào)之間的差異，從而判斷出機(jī)械設(shè)備是否存在故障。本文通過(guò)比較正常狀態(tài)信號(hào)間的歐氏距離來(lái)尋找最佳閾值，并以這個(gè)閾值作為衡量標(biāo)準(zhǔn)來(lái)識(shí)別故障信號(hào)的存在。若檢測(cè)信號(hào)在此閾值范圍之內(nèi)，則為正常聲紋信號(hào)；否則即為故障聲紋信號(hào)。

歐式距離表達(dá)式如下

(12)

式中，dst(X,Y)表示兩個(gè)N維矢量X和Y之間的歐幾里得距離；x(i)和y(i)分別表示序列X和Y的第i個(gè)值。

設(shè)正常狀態(tài)聲紋庫(kù)為N_S(n)，每個(gè)樣本與其它樣本間的歐氏距離和為d，則d的表達(dá)式為

(13)

式中，n為背景聲紋庫(kù)的樣本數(shù)。

定義距離序列為D={d1,d2,…,dn}，基于D求出最大值dmax，以此作為檢測(cè)閾值，其判決形式為

(14)

其原理框圖如圖2所示。

圖2 機(jī)械設(shè)備運(yùn)行狀態(tài)聲紋信號(hào)的匹配比對(duì)原理圖Figure 2.Schematic diagram of voiceprint signal matching and comparison in the operation state of mechanical equipment

3 數(shù)值仿真

為了驗(yàn)證本文算法性能，本文利用MATLAB進(jìn)行仿真。在仿真中，用頻率為100 Hz、360 Hz的正弦波信號(hào)模擬機(jī)器正常運(yùn)轉(zhuǎn)狀態(tài)聲紋信號(hào)，并在其中加入頻率為1 000 Hz的正弦波和白噪聲作為干擾噪聲，信噪比為-5 dB，采樣率為5 120 Hz，采樣點(diǎn)數(shù)為2 048。結(jié)合自相關(guān)去噪和小波去噪對(duì)其進(jìn)行噪聲抑制，小波基為db7，進(jìn)行3層小波分解，對(duì)其小波系數(shù)進(jìn)行重構(gòu)來(lái)達(dá)到降噪目的。仿真結(jié)果如圖3所示。

(a)

從圖3可以看出，將自相關(guān)去噪與小波去噪相結(jié)合可有效抑制干擾噪聲，使機(jī)械設(shè)備運(yùn)行狀態(tài)聲紋信號(hào)的時(shí)域特征跟頻域特征更加清晰。從仿真結(jié)果可以看出，降噪后信號(hào)特征頻率為100 Hz和360 Hz，分別與原始信號(hào)100 Hz和360 Hz對(duì)應(yīng)；降噪后信號(hào)的信噪比為15 dB。該結(jié)果證明了本方法在對(duì)后續(xù)故障信號(hào)進(jìn)行檢測(cè)的過(guò)程中降低了干擾噪聲的影響，增加了故障聲紋信號(hào)的可識(shí)別性。

對(duì)于機(jī)械設(shè)備運(yùn)行狀態(tài)聲紋信號(hào)的檢測(cè)，本文用歐式距離來(lái)度量樣本之間的相似性。首先計(jì)算出樣本庫(kù)中每個(gè)樣本與其它樣本間的歐氏距離和，然后通過(guò)多次比較選取最佳的檢測(cè)閾值，以此來(lái)檢測(cè)機(jī)械設(shè)備運(yùn)行狀態(tài)聲紋信號(hào)。本次仿真采用頻率為100 Hz和360 Hz的正弦波信號(hào)來(lái)模擬正常狀態(tài)聲紋信號(hào)，用頻率為430 Hz的正弦波信號(hào)來(lái)模擬故障聲紋信號(hào)，并將其混合在正常狀態(tài)聲紋信號(hào)中作為檢測(cè)信號(hào)，仿真結(jié)果如圖4所示。

(a)

從圖4可以看出，使用正常信號(hào)1與正常信號(hào)2作為檢測(cè)信號(hào)，其與正常狀態(tài)聲紋庫(kù)間的歐式距離和在允許誤差范圍內(nèi)，可看作沒(méi)有超過(guò)檢測(cè)閾值。用含有故障信號(hào)的聲紋信號(hào)作為檢測(cè)信號(hào)，其與正常狀態(tài)聲紋庫(kù)的歐式距離和超過(guò)允許誤差范圍，超過(guò)了檢測(cè)閾值，視為故障聲紋信號(hào)，可進(jìn)行數(shù)據(jù)存儲(chǔ)，積累故障信號(hào)原始數(shù)據(jù)，并且進(jìn)行異常提示。

4 結(jié)束語(yǔ)

在分析現(xiàn)有機(jī)械設(shè)備故障檢測(cè)方法的基礎(chǔ)上，本文針對(duì)機(jī)械系統(tǒng)運(yùn)行狀態(tài)監(jiān)測(cè)問(wèn)題，提出了一種基于寬帶譜處理的機(jī)械系統(tǒng)故障檢測(cè)方法。該方法對(duì)采集到的機(jī)械系統(tǒng)運(yùn)行狀態(tài)聲紋信號(hào)進(jìn)行預(yù)處理，結(jié)合自相關(guān)去噪和小波去噪降低干擾噪聲的影響。該方法還利用信號(hào)間的歐氏距離作為相似性衡量指標(biāo)，從而發(fā)現(xiàn)故障聲紋信號(hào)的存在，以此來(lái)監(jiān)測(cè)機(jī)器設(shè)備的運(yùn)行狀態(tài)。通過(guò)仿真實(shí)驗(yàn)證明，該方法抗干擾能力強(qiáng)，在低信噪比下有著良好的檢測(cè)性能，對(duì)信號(hào)的信息利用率高，檢測(cè)結(jié)果更加準(zhǔn)確，具有較好的工程實(shí)用價(jià)值。