一种基于宽带谱处理的机械系统故障检测方法

白兴宇，华生辉，姜 煜，张 敏

(杭州电子科技大学 电子信息学院,浙江 杭州 310018)

早期的机械系统故障诊断主要依赖于经验，相关人员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。机械系统故障诊断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，从而有效减少事故发生，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[1]。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被引入到故障检测中。文献[2]利用自适应谱减法对声发射信号进行了预先消噪，并结合支持向量机实现了对轴承故障的诊断。文献[3]利用MATLAB Script节点技术将LabVIEW和MATLAB的优势相结合，开发了一套轴承故障诊断系统。常见的机械系统故障检测方法包括经验模态分解[4-6]、独立分量分析[7-9]、小波分析[10-14]等。文献[15]将经验模态分解和独立分量分析方法相结合应用在转盘轴承故障诊断中，取得了较好的效果。文献[16]利用小波分析和反向传播算法(Back Propagation，BP)神经网络相结合的方法对旋转机械的故障进行识别，并通过实验验证了该方法在旋转机械故障诊断中的可行性。但是上述方法易受到噪声干扰，影响检测结果的准确性，且对信号的信息利用率不高。由于实际情况下的机械系统工作环境比较复杂，干扰噪声的影响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较为困难，这也是机械设备早期故障不容易被发现的原因[17-19]。

针对机械系统运行状态监测的问题，本文提出了一种基于宽带谱处理的机械系统故障检测方法。该方法基于干扰噪声抑制和声纹比对技术，根据干扰噪声源的特点，采用自相关去噪与小波去噪相结合的方法，对干扰噪声进行有效抑制，并采用欧式距离分类器对采集到的声纹信号进行分类判决。该方法对信号的信息利用率高，抗干扰能力强，能有效降低误检率。为了验证该方法的有效性，本文采用数字仿真分析了该算法在低信噪比环境下的检测性能。

1 机械系统故障检测原理

基于宽带谱处理的机械系统故障检测以对机械系统运行声纹信号的监测为基础，综合利用声纹提取和模式识别等现代信号处理方法，通过对机械系统运行状态的声纹变化检测和跟踪来实现对机械设备故障的检测和识别。

1.1 提取机械设备运行状态声纹信号

在实际采集到的机械设备运行状态声纹信号中混合着较强的干扰噪声，导致在实际过程中想要检测和拾取真正有用的信号比较困难。特别是早期故障的特征信号相对微弱，易被强干扰噪声掩盖，影响提取设备运行状态特征信息的效率，这也是早期故障不容易被发现的原因。机械系统声纹信号的数学模型为

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

(1)

式中，s(t)是用声学传感器采集到的信号，其混合着较强的干扰噪声n(t)。为了能够较好地提取到机械设备运行状态声纹信号x(t)，需要对干扰噪声n(t)进行抑制，以使所提取到的运行状态声纹信号x(t)能够最大程度表征设备运行的状态特征信息。本文对正常运行状态声纹信号进行延时采集与处理，并且进行数据存储，建立正常状态声纹库N_S(n)，以便为后续匹配比对积累数据。

1.2 机械设备运行状态声纹信号的识别检测

对机械设备运行状态声纹信号进行检测识别时，将声学传感器每次采集的声纹信号经过噪声抑制处理后进行累积存储，建立正常状态声纹库N_S(n)。当正常状态声纹库存储达标后，用检测信号与正常状态声纹库N_S(n)进行匹配比对，若匹配，则视为正常状态声纹信号，即机械设备正常运转，更新正常状态声纹库N_S(n)继续监测；若不匹配，则视为故障状态声纹信号，即机械设备发生故障，更新故障声纹库及故障标签编辑并进行异常提示，然后继续监测。

本算法的核心部分是背景干扰噪声抑制和机械设备运行状态声纹信号的匹配比对，因此本文着重对这两部分进行了分析论证。

综上所述，基于宽带谱处理的机械系统故障检测方法原理图如图1所示。

图1 基于宽带谱处理的机械系统故障检测方法原理图Figure 1.Schematic diagram of fault detection method for mechanical system based on wideband spectrum processing

2 机械系统故障检测方法实现

2.1 背景干扰噪声抑制

一台完好设备所采集到的信号频带较宽，其中绝大部分是噪声，将频带较宽的噪声称作白噪声。一台磨损的设备，当相接触的各个部件之间产程间隙后就必然发生碰撞，而旋转设备每次碰撞的部分基本上是固定的，即这种碰撞是周期性的。这些周期性的碰撞信号即是机械设备运行状态声纹信号，被掩盖在大量白噪声中，尤其是在故障的初级阶段。其自相关函数如式(2)所示。

(2)

本文中假设背景噪声信号由某些特定频率信号跟白噪声所组成，而白噪声则包含了所有的频率，没有周期性。求自相关实际上是分析信号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。因此，本文利用这一原理进行噪声抑制，从而提高信噪比。

由于现实条件下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。上述自相关法对非平稳干扰噪声的抑制效果并不理想。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，故本文考虑用小波变换对非平稳干扰噪声进行抑制。

设函数φ(t)∈L2(R)的傅里叶变换满足条件

(3)

将基本函数φ(t)通过伸缩变换和平移变换后得到如下函数

(4)

称{φa,b}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

(5)

式中，〈·〉为内积运算符。

连续小波的逆变换为

(6)

其中

(7)

当a和b满足以下表达形式时

(8)

此时连续小波就变成了二进离散小波，其中j为整数。其关系为

(9)

对应的二进制小波变换定义为

(10)

其对应的逆变换为式(11)。

(11)

2.2 机械设备运行状态声纹信号的匹配比对

机械设备运行状态声纹信号的检测原理是通过比较机械系统正常运行状态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。本文通过比较正常状态信号间的欧氏距离来寻找最佳阈值，并以这个阈值作为衡量标准来识别故障信号的存在。若检测信号在此阈值范围之内，则为正常声纹信号；否则即为故障声纹信号。

欧式距离表达式如下

(12)

式中，dst(X,Y)表示两个N维矢量X和Y之间的欧几里得距离；x(i)和y(i)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的表达式为

(13)

式中，n为背景声纹库的样本数。

定义距离序列为D={d1,d2,…,dn}，基于D求出最大值dmax，以此作为检测阈值，其判决形式为

(14)

其原理框图如图2所示。

图2 机械设备运行状态声纹信号的匹配比对原理图Figure 2.Schematic diagram of voiceprint signal matching and comparison in the operation state of mechanical equipment

3 数值仿真

为了验证本文算法性能，本文利用MATLAB进行仿真。在仿真中，用频率为100 Hz、360 Hz的正弦波信号模拟机器正常运转状态声纹信号，并在其中加入频率为1 000 Hz的正弦波和白噪声作为干扰噪声，信噪比为-5 dB，采样率为5 120 Hz，采样点数为2 048。结合自相关去噪和小波去噪对其进行噪声抑制，小波基为db7，进行3层小波分解，对其小波系数进行重构来达到降噪目的。仿真结果如图3所示。

(a)

从图3可以看出，将自相关去噪与小波去噪相结合可有效抑制干扰噪声，使机械设备运行状态声纹信号的时域特征跟频域特征更加清晰。从仿真结果可以看出，降噪后信号特征频率为100 Hz和360 Hz，分别与原始信号100 Hz和360 Hz对应；降噪后信号的信噪比为15 dB。该结果证明了本方法在对后续故障信号进行检测的过程中降低了干扰噪声的影响，增加了故障声纹信号的可识别性。

对于机械设备运行状态声纹信号的检测，本文用欧式距离来度量样本之间的相似性。首先计算出样本库中每个样本与其它样本间的欧氏距离和，然后通过多次比较选取最佳的检测阈值，以此来检测机械设备运行状态声纹信号。本次仿真采用频率为100 Hz和360 Hz的正弦波信号来模拟正常状态声纹信号，用频率为430 Hz的正弦波信号来模拟故障声纹信号，并将其混合在正常状态声纹信号中作为检测信号，仿真结果如图4所示。

(a)

从图4可以看出，使用正常信号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。用含有故障信号的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超过允许误差范围，超过了检测阈值，视为故障声纹信号，可进行数据存储，积累故障信号原始数据，并且进行异常提示。

4 结束语

在分析现有机械设备故障检测方法的基础上，本文针对机械系统运行状态监测问题，提出了一种基于宽带谱处理的机械系统故障检测方法。该方法对采集到的机械系统运行状态声纹信号进行预处理，结合自相关去噪和小波去噪降低干扰噪声的影响。该方法还利用信号间的欧氏距离作为相似性衡量指标，从而发现故障声纹信号的存在，以此来监测机器设备的运行状态。通过仿真实验证明，该方法抗干扰能力强，在低信噪比下有着良好的检测性能，对信号的信息利用率高，检测结果更加准确，具有较好的工程实用价值。