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展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可以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、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互相混杂，无法被有效辨识[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2022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，可以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，传统的盲别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，不能有效进展机械故障特征的识别与提取，而盲解卷积算法那么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根底，基于全局寻优才能较强的人工鱼群算法，构建针对故障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；结合机械零部件构造参数构建参考信号，进而通过单元参考信号约束半盲提取算法，逐段进展复分量盲别离；利用改进KL间隔 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龋 1频域盲解卷积根本模型 基于文献＼[3＼]的阐述，可将频域盲解卷积算法的根本步骤整理如下 通过加窗短时傅里叶变换〔STFT〕将拾取到的时域观测信号转换到频域中；此时，时域卷积混合就被转换成为对应频域上各频段的瞬时混合，从而引入复数盲别离算法对源信号进展估计针对子信号输出次序不确定性问题，将估计的复数信号分频段进展重排序，通过加窗逆短时傅里叶变换〔ISTFT〕将信号转换回时域，最终得到估计信号 机械系统产生的信号多种多样，加之设备所处环境中的背景噪声干扰，使得频域盲解卷积算法应用于实际复杂声场中针对机械故障特征的提取时存在很多问题[12-16]： 1〕机械声场较为本文由论文联盟.Ll.搜集整理复杂且具有多源干扰，故障特征声易吞没在较强的高斯噪声、复杂周期信号及其他非平稳信号之中，无法被有效识别； 2〕声学传感器〔传声器〕不同于振动传感器，其安装位置与故障源间隔 较远，声信号在传输过程中容易因长卷积而发生衰减，以致算法求解的复杂度不断增加； 3〕使用频域盲解卷积算法提取故障特征信号时，循环局部卷积误差和次序不确定性等固有问题均会影响别离性能； 4〕传统频域盲信号处理算法往往无法直接适用于机械故障声振信号的提龋 2参考信号约束频域半盲提取故障声信号 针对前文所述问题，通过对原有频域盲解卷积算法的各项步骤进展改造优化，降低背景噪声及凸显特征频率范围，将其应用到现实声场故障特征提取之中。
2.1构造改进多尺度形态滤波器 2.1.1形态滤波简介 近年来，可以提取信号细节和抑制干扰噪声形态滤波也被逐渐应用于机械声振信号背景降噪[17]其滤波器构造都是基于差值滤波器或者形态开-闭〔〕和闭-开〔〕平均组合，且多为单一构造元素[18]然而，实际工业声场中往往不止存在某一种干扰噪声，且信号中的噪声通常是随机的，需要使用多尺度的不同构造元素构建形态滤波器，以防止较严重的滤波器输出统计偏移 2.1.2人工鱼群算法优化构造元素 形态滤波的构造元素构成包括形状、幅值和尺寸等多个方面实验结果说明，半圆形构造元素可以较好地滤除随机噪声，三角形构造元素对于脉冲噪声的滤波效果较好为了防止目的寻优过早地进入局部收敛，特采用基于集群体智能思想的人工鱼群算法进展全局寻优，将经过均值化处理后的观测信号中相邻峰值间隔的最大值和最小值通过极值寻优，确定构造元素的长度；随后，根据信号峰值的最大值和最小值确定高度范围；最后，将相应的构造元素尺寸分别代入半圆形和三角形构造公式，计算出对应的构造元素集合整个算法流程如图1所示 图1人工鱼群算法寻优流程 Fig.1Flfiprvedulti-salerphlgialfilteringalgrith 图1中：N为人工鱼群大小；{Xi}为人工鱼个体的状态位置；Yi=f〔Xi〕为第i条人工鱼当前所在位置的实物浓度；Visual为人工鱼的感知间隔 ；Step为人工鱼挪动的最大步长；delta为拥挤度；n为当前觅食行为次数；gen为迭代次数；axgen为最大迭代次数。
2.1.3改进多尺度形态滤波 闭运算可以较完好地提取信号中的正脉冲，平均组合形态滤波器那么可以同时抑制信号中的正负脉冲噪声；但由于在形态联级中使用一样尺寸的构造元素，容易导致滤波器输出统计偏移较为严重[17]，因此需构建多尺寸、多构造联级而成的构造元素闭-开组合形态滤波器式〔1〕中：和分别表示膨胀和腐蚀运算 y1〔n〕=〔fggg〕〔n〕， y2〔n〕=〔fgggg〕〔n〕， y〔n〕=[y1〔n〕+y2〔n〕]/2〔1〕 整体改进多尺度形态滤波算法流程如下： 1〕对观测信号x〔t〕进展均值化处理，同时构建初始化多尺度元g； 2〕计算观测信号的局部极大值和极小值，确定构造元素的高度和长度集合； 3〕将计算的高度和长度代入三角形和半圆形构造元素公式，构造构造元素集合； 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展寻优，使用y〔n〕对观测信号x〔t〕进展滤波处理，直至得到最终去噪信号详细流程见图2 图2改进多尺度形态滤波算法流程 Fig.2Flfiprvedulti-salerphlgial filteringalgrith 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构造参数，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展相似性度量，进而提取有限数量的估计信号，此即称为半盲提龋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〕[E{G〔y〕}-E{G〔r〕}]2， g〔〕=〔y，r〕-0 约束条件： g〔〕0，h〔〕=E{y2}-1=0〔2〕 式中：J〔y〕为IA算法的负熵目的函数；〔y，r〕表示观测信号与参考信号的相似性测度；为区分估计信号与其他信号的阈值，其选取为渐变适应过程，在保证约束目的函数有解的前提下同时防止陷入局部最优 将式〔2〕写为无约束拉格朗日函数： L〔，〕=J〔y〕-12ax2[+rg〔〕，0]-2-h〔〕-12‖h〔〕‖2〔3〕 式中：和为拉格朗日乘子；为尺度惩罚参数通过对式〔3〕的极值进展求解，即可得到牛顿迭代算法： k+1=k-R-1xxLk/〔k〕，〔4〕 Lk=E{xGy〔y〕}-0.5E{xgy〔k〕}-E{xy}， 〔k〕=E{xGy2〔y〕}-0.5E{xgy2〔k〕}-〔5〕 式中：为学习率；Rxx为混合信号的协方差矩阵；Gy，Gy2和gy2〔k〕分别表示Gy与gy〔k〕的一阶导数和二阶导数；和由式〔6〕求得： k+1=ax{0，k+g〔k〕}， k+1=k+h〔〕。
〔6〕 当信号经过白化与中心化处理之后，R-1xx=1，那么式〔4〕可写为如下形式： k+1=k-Lk/〔k〕〔7〕 2.3解决次序不确定性问题 间隔 是衡量2个信号相似性的测度，间隔 越大，说明2个信号相似性越小；间隔 越小，那么说明2个信号相似度越大间隔 互参数法的根本原理是通过比较间隔 ，将每个频率段的输出调整至同一通道对应着同一源信号 高阶统计量信息较二阶统计量如相关系数等更能明晰地反映信号的统计特性，改进KL间隔 可被用以更好地描绘相邻2个频率段内2个复值信号对应概率密度之间的间隔 ： KL〔pj〔〕，pi〔+1〕〕==1pj〔，〕lgpj〔，〕pi〔+1，〕〔8〕 式中：pj〔〕=[pj〔，1〕，pj〔，2〕，，pj〔，〕]；pj〔，〕=pj，fre〔，〕|Yuj〔，〕|2r=1|Yuj〔，r〕|2；pj，fre〔，〕为Yuj〔，〕在[Yuj〔，1〕，Yuj〔，2〕，，Yuj〔，〕]中出现的概率，其能更为准确地反映信号的复数信息 图3相似度聚类效果比照 Fig.3parisnfsiilaritylusteringeffets 为了验证改进KL间隔 在复分量相似测度计算上的优势，特进展如下仿真：分别利用改进KL间隔 及常被用于计算谱聚类的余弦测度〔相似度〕，对18组复分量进展相似度聚类计算。
从聚类散点图〔见图3〕可以看出，利用改进KL间隔 求解的间隔 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% 2.4算法整体步骤 综合前文所述，现将参考信号约束频域半盲提取算法整体执行步骤归纳如下： 1〕初始化零部件构造参数，根据构造参数计算特征频率，构造参考信号r〔t〕，随后对观测信号x〔t〕进展中心化处理； 2〕利用改进多尺度形态滤波器对x〔t〕进展噪声抑制，得到滤波后的信号〔t〕； 3〕使用STFT将信号〔t〕及r〔t〕转换到频域中，得到其在频域的表现形式X〔，t〕，R〔，t〕； 4〕利用单元参考信号约束半盲提取算法，使用复分量间改进KL间隔 进展相似度测量，对X〔，t〕进展逐段复数盲提取，得到与参考信号R〔，t〕相似度最高的各频段复值估计信号Y〔，t〕； 5〕通过ISTFT将信号转换回时域，最终得到时域估计信号Y〔t〕，求解估计信号的包络解调谱，对特征频率进展分析，进展故障判断 3实验验证 为验证本文提出算法的实际效能，于现实声场环境中构建实验装置，以轴承故障特征信号为约束进展半盲提取实验本次实验使用故障类型未知的NU205滚动轴承作为诊断对象，其相关物理参数如表1所示。
表1故障滚动轴承参数 Tab.1Paraetersftherllingbearingithfault 型号节圆直径/滚动体直径/滚动体个数接触角度/〔〕NU205397.5120 将轴承外圈固定，内圈随轴旋转使用NIRI9082及相关控制模块，配合NI-9234四通道采集模块和3个声望PA4161/4英寸TEDS传声器〔频率响应范围为20Hz～20kHz〕组成嵌入式采集装置利用LabVIE开发平台编写测试程序进展信号采集，由于轴承故障频率多集中在低频段，故采样频率设置为8192Hz，算法由atlab进展编写工况及轴承故障特征频率如表2所示 表2实验工况及轴承故障特征频率 Tab.2peratinnditinandbearingfailurefrequeniesinexperient 转速/〔rin-1〕旋转频率/Hz外圈特征频率/Hz内圈特征频率/Hz80013.3364.6195.38 图4试验台及传声器位置关系图 Fig.4Psitinhartftest-rigandirphnes 所有传声器均距地面高度1摆放并指向轴承座方向，其中传声器1与传声器2互呈90，传声器3垂直试验台摆放。
传声器探头间隔 试验台边缘的直线间隔 分别为0.64，1.81，1.5，并未采用抵近测量原那么及吸音板等辅助材料，以期尽。