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》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、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

2、[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

3、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4）代入式（1）得到y（n）组合滤波器集合；　　5）采用人工鱼群算法对滤波器集合进行寻优，使用y（n）对观测信号x（t）进行滤波处理，直至得到最终去噪信号。具体流程见图2。　　图2改进多尺度形态滤波算法流程　　Fig.2Floprovedmulti-scalemorphological　　filteringalgori

4、thm　　2.2参考信号约束半盲提取算法　　为了减少算法复杂度，常针对机械设备故障诊断过程中重点关注的包含零部件故障特征频率的低频包络周期信号，通过匹配关键零部件结构参数，基于先验知识构造出理论上的参考信号。以此参考信号为约束，将观测信号与构造参考信号进行相似性度量，进而提取有限数量的估计信号，此即称为半盲提取。仅利用单个参考信号提取估计信号的情况称之为单元参考信号约束半盲提取，即转换为式（2）的约束问题[20]：　　J（y）≈ρ[E{G（y）}-E{G（r）}]2，　　g（u;）=J（y）-12γmax2[μ+rg（u;2-λh（

5、ma;‖h（u;和λ为拉格朗日乘子；γ为尺度惩罚参数。通过对式（3）的极值进行求解，即可得到牛顿迭代算法：　　e;e;e;y（y）}-0.5μE{xg″y（bda;E{xy}，　　δ（e;y2（y）}-0.5μE{xg″y2（bda;。（5）　　式中：η为学习率；Rxx为混合信号的协方差矩阵；G′y，G″y2和g″y2（u;和λ由式（6）求得：　　μk+1=max{0，μk+γg（bda;k+1=λk+&lambda

6、;h（e;ega;），pi（ω+1））=∑Mm=1pj（ω，m）logpj（ω，m）pi（ω+1，m）。（8）　　式中：pj（ω）=[pj（ω，1），pj（ω，2），，pj（ω，M）]；pj（ω，m）=pj，fre（ω，m）

7、Yuj（ω，m）

8、2∑Mr=1

9、Yuj（ω，r）

10、2；pj，fre（ω，m）为Yuj（ω，m）在[Yuj（ω，1），Yuj（ω，2），，Yuj（&omega

11、;，M）]中出现的概率，其能更为准确地反映信号的复数信息。　　图3相似度聚类效果对比　　Fig.3parisonofsimilarityclusteringeffects　　为了验证改进KL距离在复分量相似测度计算上的优势，特进行如下仿真：分别利用改进KL距离及常被用于计算谱聚类的余弦测度（相似度），对18组复分量进行相似度聚类计算。从聚类散点图（见图3）可以看出，利用改进KL距离求解的距离聚类散点线性程度较佳，且其运算速度较基于余弦测度的算法快近50%。