一種基于寬帶譜處理的機械系統故障檢測方法

白興宇，華生輝，姜 煜，張 敏

(杭州電子科技大學 電子信息學院,浙江 杭州 310018)

早期的機械系統故障診斷主要依賴于經驗，相關人員通過機械設備運轉時所產生的振動、聲音等特征來判斷機械設備是否存在故障。直到20世紀60年代以后，機械系統故障診斷才真正作為一門系統學科逐漸發展起來。機械系統故障診斷技術采用信號分析與診斷方法對機械系統的運行狀態進行監測和評估，并建立與之相配套的機械設備維修體制，從而有效減少事故發生，保障設備的正常運行與安全生產，還可以從根本上解決設備定期維修中的維修不足和過剩維修的問題[1]。隨著信號處理、人工智能、模式識別等技術的發展，各種新的融合方法也不斷被引入到故障檢測中。文獻[2]利用自適應譜減法對聲發射信號進行了預先消噪，并結合支持向量機實現了對軸承故障的診斷。文獻[3]利用MATLAB Script節點技術將LabVIEW和MATLAB的優勢相結合，開發了一套軸承故障診斷系統。常見的機械系統故障檢測方法包括經驗模態分解[4-6]、獨立分量分析[7-9]、小波分析[10-14]等。文獻[15]將經驗模態分解和獨立分量分析方法相結合應用在轉盤軸承故障診斷中，取得了較好的效果。文獻[16]利用小波分析和反向傳播算法(Back Propagation，BP)神經網絡相結合的方法對旋轉機械的故障進行識別，并通過實驗驗證了該方法在旋轉機械故障診斷中的可行性。但是上述方法易受到噪聲干擾，影響檢測結果的準確性，且對信號的信息利用率不高。由于實際情況下的機械系統工作環境比較復雜，干擾噪聲的影響以及機器各零部件信號的相互作用導致在信號采集的過程中想要檢測和拾取真正有用的信號較為困難，這也是機械設備早期故障不容易被發現的原因[17-19]。

針對機械系統運行狀態監測的問題，本文提出了一種基于寬帶譜處理的機械系統故障檢測方法。該方法基于干擾噪聲抑制和聲紋比對技術，根據干擾噪聲源的特點，采用自相關去噪與小波去噪相結合的方法，對干擾噪聲進行有效抑制，并采用歐式距離分類器對采集到的聲紋信號進行分類判決。該方法對信號的信息利用率高，抗干擾能力強，能有效降低誤檢率。為了驗證該方法的有效性，本文采用數字仿真分析了該算法在低信噪比環境下的檢測性能。

1 機械系統故障檢測原理

基于寬帶譜處理的機械系統故障檢測以對機械系統運行聲紋信號的監測為基礎，綜合利用聲紋提取和模式識別等現代信號處理方法，通過對機械系統運行狀態的聲紋變化檢測和跟蹤來實現對機械設備故障的檢測和識別。

1.1 提取機械設備運行狀態聲紋信號

在實際采集到的機械設備運行狀態聲紋信號中混合著較強的干擾噪聲，導致在實際過程中想要檢測和拾取真正有用的信號比較困難。特別是早期故障的特征信號相對微弱，易被強干擾噪聲掩蓋，影響提取設備運行狀態特征信息的效率，這也是早期故障不容易被發現的原因。機械系統聲紋信號的數學模型為

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

(1)

式中，s(t)是用聲學傳感器采集到的信號，其混合著較強的干擾噪聲n(t)。為了能夠較好地提取到機械設備運行狀態聲紋信號x(t)，需要對干擾噪聲n(t)進行抑制，以使所提取到的運行狀態聲紋信號x(t)能夠最大程度表征設備運行的狀態特征信息。本文對正常運行狀態聲紋信號進行延時采集與處理，并且進行數據存儲，建立正常狀態聲紋庫N_S(n)，以便為后續匹配比對積累數據。

1.2 機械設備運行狀態聲紋信號的識別檢測

對機械設備運行狀態聲紋信號進行檢測識別時，將聲學傳感器每次采集的聲紋信號經過噪聲抑制處理后進行累積存儲，建立正常狀態聲紋庫N_S(n)。當正常狀態聲紋庫存儲達標后，用檢測信號與正常狀態聲紋庫N_S(n)進行匹配比對，若匹配，則視為正常狀態聲紋信號，即機械設備正常運轉，更新正常狀態聲紋庫N_S(n)繼續監測；若不匹配，則視為故障狀態聲紋信號，即機械設備發生故障，更新故障聲紋庫及故障標簽編輯并進行異常提示，然后繼續監測。

本算法的核心部分是背景干擾噪聲抑制和機械設備運行狀態聲紋信號的匹配比對，因此本文著重對這兩部分進行了分析論證。

綜上所述，基于寬帶譜處理的機械系統故障檢測方法原理圖如圖1所示。

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

2 機械系統故障檢測方法實現

2.1 背景干擾噪聲抑制

一臺完好設備所采集到的信號頻帶較寬，其中絕大部分是噪聲，將頻帶較寬的噪聲稱作白噪聲。一臺磨損的設備，當相接觸的各個部件之間產程間隙后就必然發生碰撞，而旋轉設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即是機械設備運行狀態聲紋信號，被掩蓋在大量白噪聲中，尤其是在故障的初級階段。其自相關函數如式(2)所示。

(2)

本文中假設背景噪聲信號由某些特定頻率信號跟白噪聲所組成，而白噪聲則包含了所有的頻率，沒有周期性。求自相關實際上是分析信號不同部分的相似程度，當然得到的結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行噪聲抑制，從而提高信噪比。

由于現實條件下干擾噪聲的組成成分非常復雜，不僅含有平穩噪聲部分，還含有非平穩噪聲部分。上述自相關法對非平穩干擾噪聲的抑制效果并不理想。因為小波變換具有良好的時頻局部化特性，對非平穩信號具有較好的分析能力，故本文考慮用小波變換對非平穩干擾噪聲進行抑制。

設函數φ(t)∈L2(R)的傅里葉變換滿足條件

(3)

將基本函數φ(t)通過伸縮變換和平移變換后得到如下函數

(4)

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

(5)

式中，〈·〉為內積運算符。

連續小波的逆變換為

(6)

其中

(7)

當a和b滿足以下表達形式時

(8)

此時連續小波就變成了二進離散小波，其中j為整數。其關系為

(9)

對應的二進制小波變換定義為

(10)

其對應的逆變換為式(11)。

(11)

2.2 機械設備運行狀態聲紋信號的匹配比對

機械設備運行狀態聲紋信號的檢測原理是通過比較機械系統正常運行狀態聲紋信號與當前運行狀態聲紋信號之間的差異，從而判斷出機械設備是否存在故障。本文通過比較正常狀態信號間的歐氏距離來尋找最佳閾值，并以這個閾值作為衡量標準來識別故障信號的存在。若檢測信號在此閾值范圍之內，則為正常聲紋信號；否則即為故障聲紋信號。

歐式距離表達式如下

(12)

式中，dst(X,Y)表示兩個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個值。

設正常狀態聲紋庫為N_S(n)，每個樣本與其它樣本間的歐氏距離和為d，則d的表達式為

(13)

式中，n為背景聲紋庫的樣本數。

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

(14)

其原理框圖如圖2所示。

圖2 機械設備運行狀態聲紋信號的匹配比對原理圖Figure 2.Schematic diagram of voiceprint signal matching and comparison in the operation state of mechanical equipment

3 數值仿真

為了驗證本文算法性能，本文利用MATLAB進行仿真。在仿真中，用頻率為100 Hz、360 Hz的正弦波信號模擬機器正常運轉狀態聲紋信號，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，采樣點數為2 048。結合自相關去噪和小波去噪對其進行噪聲抑制，小波基為db7，進行3層小波分解，對其小波系數進行重構來達到降噪目的。仿真結果如圖3所示。

(a)

從圖3可以看出，將自相關去噪與小波去噪相結合可有效抑制干擾噪聲，使機械設備運行狀態聲紋信號的時域特征跟頻域特征更加清晰。從仿真結果可以看出，降噪后信號特征頻率為100 Hz和360 Hz，分別與原始信號100 Hz和360 Hz對應；降噪后信號的信噪比為15 dB。該結果證明了本方法在對后續故障信號進行檢測的過程中降低了干擾噪聲的影響，增加了故障聲紋信號的可識別性。

對于機械設備運行狀態聲紋信號的檢測，本文用歐式距離來度量樣本之間的相似性。首先計算出樣本庫中每個樣本與其它樣本間的歐氏距離和，然后通過多次比較選取最佳的檢測閾值，以此來檢測機械設備運行狀態聲紋信號。本次仿真采用頻率為100 Hz和360 Hz的正弦波信號來模擬正常狀態聲紋信號，用頻率為430 Hz的正弦波信號來模擬故障聲紋信號，并將其混合在正常狀態聲紋信號中作為檢測信號，仿真結果如圖4所示。

(a)

從圖4可以看出，使用正常信號1與正常信號2作為檢測信號，其與正常狀態聲紋庫間的歐式距離和在允許誤差范圍內，可看作沒有超過檢測閾值。用含有故障信號的聲紋信號作為檢測信號，其與正常狀態聲紋庫的歐式距離和超過允許誤差范圍，超過了檢測閾值，視為故障聲紋信號，可進行數據存儲，積累故障信號原始數據，并且進行異常提示。

4 結束語

在分析現有機械設備故障檢測方法的基礎上，本文針對機械系統運行狀態監測問題，提出了一種基于寬帶譜處理的機械系統故障檢測方法。該方法對采集到的機械系統運行狀態聲紋信號進行預處理，結合自相關去噪和小波去噪降低干擾噪聲的影響。該方法還利用信號間的歐氏距離作為相似性衡量指標，從而發現故障聲紋信號的存在，以此來監測機器設備的運行狀態。通過仿真實驗證明，該方法抗干擾能力強，在低信噪比下有著良好的檢測性能，對信號的信息利用率高，檢測結果更加準確，具有較好的工程實用價值。