Nothing Special   »   [go: up one dir, main page]

CN112033656A - 一种基于宽带谱处理的机械系统故障检测方法 - Google Patents

一种基于宽带谱处理的机械系统故障检测方法 Download PDF

Info

Publication number
CN112033656A
CN112033656A CN202010878023.8A CN202010878023A CN112033656A CN 112033656 A CN112033656 A CN 112033656A CN 202010878023 A CN202010878023 A CN 202010878023A CN 112033656 A CN112033656 A CN 112033656A
Authority
CN
China
Prior art keywords
voiceprint
signal
fault
normal state
library
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010878023.8A
Other languages
English (en)
Inventor
白兴宇
华生辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010878023.8A priority Critical patent/CN112033656A/zh
Publication of CN112033656A publication Critical patent/CN112033656A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于宽带谱处理的机械系统故障检测方法。该方法包括以下步骤：步骤S1：声学传感器采集机械系统运行状态声纹信号s(n)；步骤S2：对采集的信号s(n)进行噪声抑制处理ss(n)；步骤S3：对正常状态信号进行延时采集经过步骤S2组成正常状态声纹库N_S(n)；步骤S4：基于N_S(n)对ss(n)进行声纹匹配，匹配则更新正常状态声纹库N_S(n)，不匹配则更新故障状态声纹库及故障标签编辑；步骤S5：发现故障则进行预警提示，并返回步骤S1，若无故障直接返回步骤S1。本发明不依赖于故障信号的先验知识，对信号的信息利用率高，提高了信号的信噪比，检测结果更加准确。

Description

一种基于宽带谱处理的机械系统故障检测方法
技术领域
本发明属于信号处理领域，具体涉及一种基于宽带谱处理的机械系统故障检测方法。
背景技术
机械系统的故障诊断早期主要依赖于相关人员的经验，通过机械设备运转时所产生的振动、声音等特征来判断机械设备是否存在故障。直到20世纪60年代以后，机械系统故障诊断才真正作为一门系统学科逐渐发展起来。该技术采用信号分析与诊断方法对机械系统的运行状态进行监测和评估，并建立与之相配套的机械设备维修体制，从而能有效地减少事故的发生，保障设备的正常运行与安全生产，还可以从根本上解决设备定期维修中的维修不足和过剩维修的问题。
随着信号处理、人工智能、模式识别等技术的发展，各种新的融合方法也不断的被引入到故障检测中。常见的机械系统故障检测方法包括经验模态分解、独立分量分析、小波分析等。上述方法对干扰噪声的影响比较敏感，直接影响了检测结果的准确性，并且对信号的信息利用率不高。由于实际的机械系统工作环境比较复杂，背景噪声的干扰以及机器各零部件信号的相互作用，导致在信号采集的过程中想要检测和拾取真正有用的信号还是比较困难的，这也是机械设备早期故障不容易被发现的原因。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于宽带谱处理的机械系统故障检测方法，以解决现有技术中对信号的信息利用率不高、抗干扰能力差的问题。
为实现上述目的，本发明提供一种基于宽带谱处理的机械系统故障检测方法，该方法包括以下步骤：
步骤S1：声学传感器采集机械系统运行状态声纹信号s(n)。
步骤S2：对采集的信号s(n)进行噪声抑制处理ss(n)。
步骤S3：对正常状态信号进行延时采集，经过步骤S2组成正常状态声纹库N_S(n)。
步骤S4：基于N_S(n)对ss(n)进行声纹匹配，匹配则更新正常状态声纹库N_S(n)，不匹配则更新故障状态声纹及故障标签编辑。
步骤S5：发现故障则进行预警提示，并返回步骤S1，若无故障直接返回步骤S1。
本发明的有益效果是：一方面本发明是基于宽带谱处理的机械系统故障检测方法，提高了信号的信息利用率，抗干扰能力强，检测结果更加准确。另一方面该方法不需要知道故障信号的先验知识，利用机械设备正常运行声纹信号与当前运行状态声纹信号之间的差异，从而判断出机械设备是否存在故障，以此来监测机器设备的运行状态；最后本发明通过数据通信模块对故障声纹信号数据进行存储记录，对该检测方法的后续优化积累了原始数据。
附图说明
图1是基于宽带谱处理的机械系统故障检测方法原理图。
图2是机械设备运行状态声纹信号匹配比对原理图。
图3a是降噪信号波形图。
图3b是降噪信号频谱图。
图4是机械设备运行状态声纹信号比对仿真图。
具体实施方式
以下将结合附图对本发明提供的技术方案作进一步说明。
本发明提出了一种基于宽带谱处理的机械系统故障检测方法。该方法利用声学传感器对机械系统运行状态的声纹信号进行拾取，通过背景噪声抑制、声纹匹配比对等模式识别技术来进行机械系统故障声纹信息的检测、提取和识别，进而实现对机械系统运行状态的监测和故障检测。图1为该检测方法的原理图。
一、背景干扰噪声抑制方法
假设采集信号为s(t)，噪声为n(t)，机械设备运行状态声纹信号为x(t)，则：
s(t)＝x(t)+n(t) (1)
其自相关函数为:
Figure BDA0002653218360000031
求自相关实际上是看信号的不同部分的相似程度，当然得到的结果就只剩下周期性部分，白噪声得到抑制。所以利用这一原理进行噪声抑制
由于现实条件下的干扰噪声的组成成分非常复杂，不仅含有平稳噪声部分，还含有非平稳噪声部分，上述的自相关法对非平稳噪声的抑制效果并不理想，所以对非平稳噪声的抑制，使用小波变换(WT)对其进行噪声抑制，因为小波变换具有良好的时频局部化特性，对非平稳信号具有较好的分析能力。
设函数
Figure BDA0002653218360000032
的傅里叶变换
Figure BDA0002653218360000033
满足条件：
Figure BDA0002653218360000034
把基本函数
Figure BDA0002653218360000035
通过伸缩变换和平移变换后得到如下函数：
Figure BDA0002653218360000036
称
Figure BDA0002653218360000037
为分析小波或连续小波，其中a为伸缩因子，b为平移因子，a,b∈R,a≠0。则连续小波变换为：
Figure BDA0002653218360000041
连续小波的逆变换为：
Figure BDA0002653218360000042
其中
Figure BDA0002653218360000043
当a＝2-j,b＝2-jk的时候，此时连续小波就变成了二进离散小波，其中j为整数。其关系如下：
Figure BDA0002653218360000044
对应的二进制小波变换定义为：
Figure BDA0002653218360000045
其对应的逆变换为：
Figure BDA0002653218360000046
二、机械设备运行状态声纹信号的匹配比对
通过比较正常状态信号间的欧氏距离来寻找最佳阈值，然后以这个阈值来作为衡量标准，以此来识别故障信号的存在，若检测信号在此阈值范围之内则为正常信号，否则即为故障信号。
欧式距离表达式如下：
Figure BDA0002653218360000047
式中n为空间的维数，dst(X,Y)表示两个n维矢量X和Y之间的欧氏距离，xi和yi分别表示序列X和Y的第i个值。
设正常状态声纹库为N_S(n)，每个样本与其它样本间的欧氏距离和为d，则d的表达式如下：
Figure BDA0002653218360000051
式中N为背景声纹库的样本个数。
定义距离序列为D＝{d1,d2,…,dn}，然后基于D求出最大值dmax，以此作为检测阈值，其判决形式如下：
Figure BDA0002653218360000052
该阈值检测方法的流程图如图2所示。
三、性能分析
在仿真中用频率为100Hz、360Hz的正弦波信号模拟了机器正常运转状态声纹信号，并在其中加入了频率为1000Hz的正弦波和白噪声作为干扰噪声，信噪比为-5db，采样率为5120Hz，采样点数为2048，以此来验证该背景噪声抑制算法的性能。
从图3a和图3b中，可以看出把自相关法噪声抑制跟小波去噪相结合，干扰噪声得到了很好的抑制，有用信号的时域特征跟频域特征更加清晰了，从仿真结果可以看出，降噪后信号的特征频率为100Hz和360Hz，分别与原始信号100Hz和360Hz对应，降噪后信号的信噪比为15db，证明了该噪声抑制方法对干扰噪声的抑制有着较好的效果。
对于机械设备运行状态声纹信号的检测，用欧式距离来度量样本之间的相似性。计算出样本库中每个样本与其它样本间的欧氏距离和，通过多次比较选取最佳的检测阈值，以此来检测故障信号。在仿真中用频率为100Hz、360Hz的正弦波信号来模拟正常状态声纹信号，模拟了30个样本，用频率为430Hz的正弦波信号来模拟故障声纹信号，并混合在正常状态声纹信号中作为检测信号。以此来验证该阈值检测方法的性能。
从图4可以看出用正常信号1与正常信号2作为检测信号，其与正常状态声纹库间的欧式距离和在允许误差范围内可看作没有超过检测阈值，而用含有故障信号的背景声纹信号作为检测信号，其与正常状态声纹库的欧式距离和远远超过允许误差范围，明显超过了检测阈值，即视为故障信号，证明了该方法的有效性。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.一种基于宽带谱处理的机械系统故障检测方法，其特征在于，包括以下步骤：
步骤S1：声学传感器采集机械系统运行状态声纹信号s(n)；
步骤S2：对采集的s(n)进行噪声抑制处理得到ss(n)；
步骤S3：对正常状态信号进行延时采集，经过步骤S2组成正常状态声纹库N_S(n)；
步骤S4：基于N_S(n)对ss(n)进行声纹匹配，匹配则更新正常状态声纹库N_S(n)，不匹配则更新故障状态声纹库及故障标签编辑；
步骤S5：发现故障则进行预警提示，并返回步骤S1，若无故障直接返回步骤S1。
2.根据权利要求1所述的一种基于宽带谱处理的机械系统故障检测方法，其特征在于，所述噪声抑制，首先运用自相关法对其进行第一次降噪，然后再结合小波降噪方法对其进行第二次降噪。
3.根据权利要求1所述的一种基于宽带谱处理的机械系统故障检测方法，其特征在于，所述的正常状态声纹库N_S(n)是可变的，经过步骤S4，若判断出检测信号为正常状态声纹信号，则更新正常状态声纹库N_S(n)。
4.据权利要求1所述的一种基于宽带谱处理的机械系统故障检测方法，其特征在于，对于机械设备运行状态声纹信号的识别检测根据正常状态声纹库N_S(n)设定的检测阈值，这里用欧式距离作为度量标准，若待检信号在检测阈值内，则视为正常状态声纹信号，然后更新正常状态声纹库N_S(n)，继续监测；若超出检测阈值，则视为故障声纹信号。
5.根据权利要求1所述的一种基于宽带谱处理的机械系统故障检测方法，其特征在于，经过步骤S4 ，若判断出检测信号为故障声纹信号，则将该故障声纹信号与故障声纹库进行比对，若已存在该信号则不记录，若不存在，则记录该信号并更新故障声纹库，进行预警提示。
CN202010878023.8A 2020-08-27 2020-08-27 一种基于宽带谱处理的机械系统故障检测方法 Pending CN112033656A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010878023.8A CN112033656A (zh) 2020-08-27 2020-08-27 一种基于宽带谱处理的机械系统故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010878023.8A CN112033656A (zh) 2020-08-27 2020-08-27 一种基于宽带谱处理的机械系统故障检测方法

Publications (1)

Publication Number Publication Date
CN112033656A true CN112033656A (zh) 2020-12-04

Family

ID=73585850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010878023.8A Pending CN112033656A (zh) 2020-08-27 2020-08-27 一种基于宽带谱处理的机械系统故障检测方法

Country Status (1)

Country Link
CN (1) CN112033656A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436645A (zh) * 2021-06-09 2021-09-24 杭州电子科技大学 复杂噪声环境下的机电系统故障在线监测声学处理方法
CN113674447A (zh) * 2021-07-09 2021-11-19 深圳市慧友安电子技术有限公司 一种工业设备声纹故障检测系统及方法
CN113889147A (zh) * 2021-10-09 2022-01-04 杭州电子科技大学 一种基于动态时间弯曲算法的机械系统声纹信号匹配方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102095560A (zh) * 2010-11-09 2011-06-15 中国人民解放军重庆通信学院 基于噪声测试的机械故障判别系统及方法
CN102840979A (zh) * 2012-09-04 2012-12-26 国电联合动力技术有限公司 一种风电机组传动链故障检测方法及装置
JP2013013075A (ja) * 2011-06-27 2013-01-17 General Electric Co <Ge> 変電所の障害監視および診断法
CN103940363A (zh) * 2014-04-30 2014-07-23 中国科学院半导体研究所 基于小波互相关技术的高精度光纤应变低频传感解调方法
CN104198183A (zh) * 2014-09-17 2014-12-10 重庆大学 风电机组传动链振动噪声抑制及其早期故障特征提取方法
CN107631877A (zh) * 2017-08-11 2018-01-26 南京航空航天大学 一种针对机匣振动信号的滚动轴承故障协同诊断方法
CN107748314A (zh) * 2017-10-18 2018-03-02 国网重庆市电力公司北碚供电分公司 基于声波震荡检测的变压器故障分析系统
CN108847246A (zh) * 2018-06-15 2018-11-20 上海与德科技有限公司 一种动画制作方法、装置、终端及可读介质
CN109557412A (zh) * 2018-11-27 2019-04-02 华翔翔能电气股份有限公司 一种变压器故障的声纹识别方法及系统
US20190281398A1 (en) * 2018-03-12 2019-09-12 Panasonic Intellectual Property Management Co., Ltd. Noise reduction device, noise reduction system, and fault detection method for noise reduction device
CN110319923A (zh) * 2019-07-08 2019-10-11 杭州电子科技大学 一种应用于声学的检测装置
CN110617982A (zh) * 2019-09-19 2019-12-27 苏州时辰智能机电设备有限公司 一种基于声纹信号的旋转机械设备故障识别方法
CN110808059A (zh) * 2019-10-10 2020-02-18 天津大学 一种基于谱减法和小波变换的语音降噪方法
CN111537919A (zh) * 2020-05-14 2020-08-14 莫毓昌 一种基于声纹特征的变压器故障诊断方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102095560A (zh) * 2010-11-09 2011-06-15 中国人民解放军重庆通信学院 基于噪声测试的机械故障判别系统及方法
JP2013013075A (ja) * 2011-06-27 2013-01-17 General Electric Co <Ge> 変電所の障害監視および診断法
CN102840979A (zh) * 2012-09-04 2012-12-26 国电联合动力技术有限公司 一种风电机组传动链故障检测方法及装置
CN103940363A (zh) * 2014-04-30 2014-07-23 中国科学院半导体研究所 基于小波互相关技术的高精度光纤应变低频传感解调方法
CN104198183A (zh) * 2014-09-17 2014-12-10 重庆大学 风电机组传动链振动噪声抑制及其早期故障特征提取方法
CN107631877A (zh) * 2017-08-11 2018-01-26 南京航空航天大学 一种针对机匣振动信号的滚动轴承故障协同诊断方法
CN107748314A (zh) * 2017-10-18 2018-03-02 国网重庆市电力公司北碚供电分公司 基于声波震荡检测的变压器故障分析系统
US20190281398A1 (en) * 2018-03-12 2019-09-12 Panasonic Intellectual Property Management Co., Ltd. Noise reduction device, noise reduction system, and fault detection method for noise reduction device
CN108847246A (zh) * 2018-06-15 2018-11-20 上海与德科技有限公司 一种动画制作方法、装置、终端及可读介质
CN109557412A (zh) * 2018-11-27 2019-04-02 华翔翔能电气股份有限公司 一种变压器故障的声纹识别方法及系统
CN110319923A (zh) * 2019-07-08 2019-10-11 杭州电子科技大学 一种应用于声学的检测装置
CN110617982A (zh) * 2019-09-19 2019-12-27 苏州时辰智能机电设备有限公司 一种基于声纹信号的旋转机械设备故障识别方法
CN110808059A (zh) * 2019-10-10 2020-02-18 天津大学 一种基于谱减法和小波变换的语音降噪方法
CN111537919A (zh) * 2020-05-14 2020-08-14 莫毓昌 一种基于声纹特征的变压器故障诊断方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
ZHANGTING YU 等: "The research on transformer fault diagnosis method based on vibration and noise voiceprint imaging technology", 《PROCEEDINGS OF THE 2019 14TH IEEE CONFERENCE ON INDUSTRIAL ELECTRONICS AND APPLICATIONS》 *
余长厅 等: "基于声纹及振动的变压器故障诊断技术研究", 《高压电器》 *
刘剑: "相关函数在噪声去除方面的优劣点分析", 《科技经济市场》 *
李波 等: "基于DSP的声纹识别技术的研究", 《辽宁工业大学学报（自然科学版）》 *
牛礼民: "测试技术与信号处理课程案例式教学探索", 《大学教育》 *
王东明 等: "基于统计特性的小波噪声抑制在低剂量CT中的应用", 《中国图象图形学报》 *
王喆 等: "一种用于GIS本体机械缺陷诊断和定位的在线异声监测装置", 《电子测量技术》 *
韩吉声 等: "稠油热采井下光纤压力传感信号的小波降噪方法", 《激光与光电子学进展》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436645A (zh) * 2021-06-09 2021-09-24 杭州电子科技大学 复杂噪声环境下的机电系统故障在线监测声学处理方法
CN113674447A (zh) * 2021-07-09 2021-11-19 深圳市慧友安电子技术有限公司 一种工业设备声纹故障检测系统及方法
CN113889147A (zh) * 2021-10-09 2022-01-04 杭州电子科技大学 一种基于动态时间弯曲算法的机械系统声纹信号匹配方法

Similar Documents

Publication Publication Date Title
CN112033656A (zh) 一种基于宽带谱处理的机械系统故障检测方法
CN112101174A (zh) 一种基于LOF-Kurtogram的机械故障诊断方法
CA2401685C (en) Complex signal decomposition and modeling
CN109668733B (zh) 变分非线性模式分解变转速轴承故障诊断方法
Ikram et al. Digital audio forensics using background noise
CN113345399A (zh) 一种强噪声环境下的机器设备声音监测方法
CN113472390B (zh) 一种基于深度学习的跳频信号参数估计方法
CN108594156B (zh) 一种改进的电流互感器饱和特性识别方法
CN118013191A (zh) 基于lsm滤波、ceemdan联合小波检测绝缘子的去噪方法
Li et al. A Reliable Strategy for Improving Automatic First‐Arrival Picking of High‐Noise Three‐Component Microseismic Data
CN111929489B (zh) 故障电弧电流的检测方法及系统
CN113436645A (zh) 复杂噪声环境下的机电系统故障在线监测声学处理方法
CN112560674A (zh) 一种声音信号质量的检测方法及系统
CN117169346A (zh) 一种基于小波包能量谱分析的高空建筑损伤识别方法
CN116907029A (zh) 检测室外机内风扇异常的方法、控制装置以及空调室外机
CN116364108A (zh) 变压器声纹检测方法及装置、电子设备、存储介质
CN114781466A (zh) 基于旋转机械振动信号谐波基频的故障诊断方法及系统
CN114114400A (zh) 微地震事件有效信号拾取方法
CN115064182A (zh) 自适应梅尔滤波器在强噪声环境下风机故障特征识别方法
CN113889147A (zh) 一种基于动态时间弯曲算法的机械系统声纹信号匹配方法
CN114518511A (zh) 一种特征辅助的局部放电点定位方法
CN114200232A (zh) 一种输电线路故障行波波头检测方法及系统
CN114970647B (zh) 基于概率神经网络的电磁数据识别方法及系统
CN111273101A (zh) 一种故障电弧检测方法、装置及存储介质
CN112929053B (zh) 一种跳频信号特征提取与参数估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201204

WD01 Invention patent application deemed withdrawn after publication