复杂噪声环境下的机电系统故障在线监测声学处理方法技术方案

本发明专利技术公开了一种复杂噪声环境下的机电系统故障在线监测声学处理方法。该处理方法将基于数据追踪的自相关噪声抑制技术与基于宽带声学处理的故障信号检测与分类识别技术有机结合，采用基于数据跟踪的自相关处理方法来进行背景噪声抑制，然后基于Peakvue技术对故障信号进行峰值检测，通过欧式距离分类器对信号分类判决实现信号的匹配和识别，最终实现复杂噪声环境下对机电系统故障的检测。通过上述方式，本申请通过对信号采集到处理，结合建立正常状态和故障状态声纹库进行匹配比对，完成对信号的识别分类，最终直接得出检测结果。通过仿真实验证明了该处理方法的有效性和良好的工程实用性。的工程实用性。的工程实用性。

【技术实现步骤摘要】
复杂噪声环境下的机电系统故障在线监测声学处理方法


[0001]本专利技术属于信号处理领域，具体涉及一种复杂噪声环境下的机电系统故障在线监测声学处理方法。

技术介绍

[0002]在科技进步与现代化水平越来越提高的当下，机电设备也不断地向自动化、大型化、高速化的方向发展。随着其组成结构与分布变得越来越复杂，设备之间的通信与联系也随之越来越密切，当运行过程中某一部分出现故障，就很有可能影响整个机电系统的运行，从而造成很严重的经济损失，更有甚者可能带来不可估量的后果。
[0003]机电系统的早期故障诊断主要依赖于相关工作人员的经验，科技的进步推进机电系统故障诊断技术系统地发展，该技术对机电系统运行状态进行信号分析与监测评估，建立相配套的维修体制，可以有效地预防事故发生，保障设备的正常运行和安全生产。
[0004]故障发展并积累到一定程度时，就会引发机电系统的重大事故，所以故障发现的越早，越有助于机械设备安全可靠运行。但是由于机械设备早期故障特征较弱，以及实际运行过程中复杂的背景噪声叠加，使得提取和识别早期故障信号变得十分困难。因此，先进的微弱信号检测技术和背景噪声抑制技术对于提高识别机械设备故障的准确性具有十分重要的作用。

技术实现思路

[0005]鉴于复杂背景噪声下有效信号难以提取处理这一特点，本专利技术目的在于提供一种复杂噪声环境下的机电系统故障在线监测声学处理方法，以此来提高有效信号的可识别率和利用率。该方法包括以下步骤：
[0006]步骤S1：声学传感器采集机电系统运行状态声纹信号s(n)；
[0007]步骤S2：对采集的s(n)进行背景噪声抑制处理得到ss(n)；
[0008]步骤S3：对信号ss(n)进行峰值提取得到ss
′
(n))；
[0009]步骤S4：延时采集正常状态下的信号，经过步骤S3组成正常状态声纹库N_S(n)；
[0010]步骤S5：基于正常状态声纹库N_S(n)对ss
′
(n)进行声纹比对，匹配则更新正常状态声纹库N_S(n)，不匹配则进行下一步骤；
[0011]步骤S6：基于故障声纹库S_S(n)对信号进行声纹比对，匹配则对比故障声纹库标签得出检测结果，不匹配则对信号进行分析，更新故障声纹库并记录标签后得出检测结果。
[0012]本专利技术的优势在于：一方面是采用基于数据跟踪的自相关处理方法来实现背景噪声抑制，大大提高了信号的信息利用率，提高了故障检测的处理速度和诊断准确率，并能准确预测出故障的严重程度。另一方面将基于数据跟踪的自相关噪声抑制技术与基于宽带声学处理的故障信号检测与分类识别技术有机结合，同时利用欧式距离分类器对信号分类判决实现信号的匹配和识别，进而实现对复杂噪声下的机电系统故障的在线监测和识别。
附图说明
[0013]图1是复杂噪声环境下的机电系统故障检测方法原理图。
[0014]图2是机电设备运行状态声纹信号匹配比对原理图。
[0015]图3是不同信噪比下噪声抑制效果对比仿真图。
[0016]图4是降噪前后峰值检测提取对比图。
[0017]图5是处理前后信号特征参数对比图。
具体实施方式
[0018]下面将结合附图对本专利技术作详细说明。
[0019]本专利技术提出了一种复杂噪声环境下的机电系统故障在线监测声学处理方法。该方法首先通过声学传感器拾取机电系统运行过程的声纹信号，通过背景噪声抑制技术去除机电系统运行过程中背景噪声，结合峰值检测技术，同时利用欧氏距离分离器对信号分类判型，进而实现对复杂噪声下的机电系统故障的在线监测和识别。本专利技术将基于数据跟踪的自相关噪声抑制技术与基于宽带声学处理的故障信号检测与分类识别技术有机结合，可有效解决复杂噪声环境下的机电系统故障检测问题。
[0020]一、复杂背景干扰噪声抑制
[0021]实际机电系统工作环境非常复杂，背景干扰噪声的影响以及机器各零部件之间相互作用，导致在信号的采集过程中想要提取真正的有效信号较为困难。尤其在故障早期，故障信号较弱导致故障信号特征难以提取和识别，故在对机电系统进行故障诊断之前需要将采集到的故障信号进行降噪处理。自相关滤波技术进行噪声抑制效果较好，它能在输入信号与噪声的统计特性未知或变化的情况下，自动估计出所需的统计特性，并以此为依据自动调整参数，以达到最佳的降噪效果。
[0022]自相关函数描述的是同一信号在不同时刻的相互依赖关系，其定义式如下所示：
[0023][0024]在实际生活中背景噪声多种多样，主要包括带通噪声、冲击噪声和白噪声。白噪声在现实中十分常见，它既是时域上的随机信号，也是频域上的随机信号。标准的白噪声应该是方差恒定不变的数值，均值为0。即E[x(n)]＝0,E[x(n)2]＝σ2。
[0025]在本专利技术中假设的复杂背景干扰噪声信号就主要是由这些白噪声以及特定频率信号组成，而自相关实际上是根据信号的详细程度滤除信号里不同的部分，基于数据追踪的自相关噪声抑制方法可建立任一时间的信号对未来数据的影响，因为正弦信号或者其他确定性信号在所有的时间位移上都有自相关函数。除此之外，噪声信号的自相关函数随时沿τ的增大很快趋于零，白噪声就在此过程中得到抑制，由此部分白噪声被滤除，从而使得信噪比提升，故此方法具有显著的降噪效果。
[0026]二、机电设备运行状态峰值检测
[0027]峰值检测技术主要基于希尔伯特变换法来实现，希尔伯特变换对分析信号的瞬时幅度和频率和对信号包络的快速提取有很好的作用效果，因此本专利技术采用希尔伯特变换实现峰值检测。根据希尔伯特的物理意义可知，当包络信号经过希尔伯特变换后，其峰值刚好与变换后的信号正向过零点相对应，因此可将包络信号峰值检测转换为正向过零点检测，
包络信号的峰值改变并不会影响信号正向过零点检测，并且不需要设置任何幅度阈值。实信号x(t)的希尔伯特变换定义为如下：
[0028][0029]式中，*表示卷积运算符。根据上式可知，信号x(t)的希尔伯特变换实际上与信号的卷积。希尔伯特变换的频率定义为如下：
[0030][0031]式中，X(f)是信号x(t)的傅里叶变换，j是虚数单位。由上述两式可知，信号x(t)的希尔伯特变换可计算如下：
[0032][0033]式中，IFT表示傅里叶逆变换。结合上式可发现，对于实信号的峰值检测可以借助希尔伯特变换运用傅里叶变换进行快速计算。
[0034]在此思想上，本专利技术运用希尔伯特变换实现峰值检测技术在识别故障信号上的应用，建立峰值检测数据库，以正常状态原始信号的峰值检测作为对比，若检测信号的峰值检测存在较大偏差则为故障声纹信号，否则即为正常声纹信号。
[0035]基于上述原理描述，本专利技术包括以下步骤，见图1：
[0036]步骤S1：声学传感器采集机电系统运行状态声纹信号s(n)；
[0037]步骤S2：对采集的s(n)进行背景噪声抑制处理得到ss(n)；
[0038]步骤S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂噪声环境下的机电系统故障在线监测声学处理方法，其特征在于，包括以下步骤：步骤S1：声学传感器采集机电系统运行状态声纹信号s(n)；步骤S2：对采集的s(n)进行背景噪声抑制处理得到ss(n)；步骤S3：对信号ss(n)进行峰值提取得到ss
´
(n));步骤S4：延时采集正常状态下的信号，经过步骤S3组成正常状态声纹库N_S(n)；步骤S5：基于正常状态声纹库N_S(n)对ss
´
(n)进行声纹比对，匹配则更新正常状态声纹库N_S(n)，不匹配则进行下一步骤；步骤S6：基于故障声纹库S_S(n)对信号进行声纹比对，匹配则对比故障声纹库标签得出检测结果，不匹配则对信号进行分析，更新故障声纹库并记录标签后得出检测结果。2.根据权利要求1所述的一种复杂噪声环境下的机电系统故障在线监测声学处理方法，其特征在于，背景噪声抑制技术采用基于数据跟踪的自相关处理方法。3.根据权利要求1所述的一种复杂噪声环境下的机...

【专利技术属性】
技术研发人员：白兴宇，苟宇涛，姜煜，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：