白興宇，茍宇濤，姜 煜，劉明禹

(杭州電子科技大學(xué) 電子信息學(xué)院，浙江 杭州 310018)

隨著科學(xué)技術(shù)的進(jìn)步，機(jī)械設(shè)備不斷向大型化、高速化、連續(xù)化、集中化和自動化的方向發(fā)展，其組成和結(jié)構(gòu)也日益復(fù)雜，不同設(shè)備之間的聯(lián)系也越來越密切，一旦設(shè)備的某個部分在運行過程中出現(xiàn)故障，且故障發(fā)展并積累到一定程度時，就會引發(fā)機(jī)械系統(tǒng)重大事故，因此越早發(fā)現(xiàn)故障，越有助于機(jī)械設(shè)備安全可靠運行。但是由于機(jī)械設(shè)備早期故障特征較弱，以及實際運行過程中復(fù)雜背景噪聲疊加，使得提取和識別早期故障信號變得十分困難[1]。因此，先進(jìn)的微弱信號檢測技術(shù)和背景噪聲抑制技術(shù)對于提高識別機(jī)械設(shè)備故障的準(zhǔn)確性具有十分重要的作用。

隨著信號處理、人工智能、模式識別等技術(shù)的發(fā)展，各種新的融合方法也不斷地被引入到機(jī)電故障監(jiān)測中。文獻(xiàn)[2]對背景噪聲的系統(tǒng)進(jìn)行去噪處理，結(jié)合小波去噪提出改進(jìn)的閾值去噪方法。文獻(xiàn)[3]對譜減法語音增強(qiáng)算法進(jìn)行了改進(jìn)，重點對聲紋識別特征參數(shù)進(jìn)行了提取，詳細(xì)分析了高斯混合模型參數(shù)估計。常見的機(jī)電故障檢測方法包括經(jīng)驗?zāi)B(tài)分解[4-6]、獨立分量分析[7-9]、小波分析[10-14]等。文獻(xiàn)[15]將峰值檢測專利技術(shù)在實際的滾動軸承故障診斷中進(jìn)行了應(yīng)用，證明了峰值檢測技術(shù)在軸承故障診斷中的突出作用。文獻(xiàn)[16]通過對峰值檢測技術(shù)的應(yīng)用，發(fā)現(xiàn)機(jī)器小幅不平穩(wěn)運轉(zhuǎn)不會對診斷結(jié)果產(chǎn)生影響，效果較為突出。在實際復(fù)雜的操作環(huán)境中，機(jī)電各個部件以及背景噪聲的影響使得采集真正有用的信號非常困難，這也導(dǎo)致機(jī)電早期故障不易被發(fā)現(xiàn)[17-18]。

針對復(fù)雜背景噪聲環(huán)境下的機(jī)電系統(tǒng)故障檢測問題，本文提出了一種基于聲學(xué)處理的噪聲抑制和故障監(jiān)測方法。該方法首先通過聲學(xué)傳感器拾取機(jī)電系統(tǒng)運行過程的聲紋信號，再通過背景噪聲抑制技術(shù)去除機(jī)電系統(tǒng)運行過程中背景噪聲，結(jié)合峰值檢測技術(shù)，同時通過測量信號間動態(tài)時間彎曲距離對信號分類判型，最終實現(xiàn)對復(fù)雜噪聲下的機(jī)電系統(tǒng)故障的在線監(jiān)測和識別。該算法將基于動態(tài)時間彎曲算法的聲紋信息匹配技術(shù)與峰值檢測技術(shù)以及基于數(shù)據(jù)跟蹤的自相關(guān)處理技術(shù)進(jìn)行有機(jī)結(jié)合，有效解決了復(fù)雜噪聲環(huán)境下的機(jī)電系統(tǒng)故障檢測問題。為驗證該算法的有效性，本文采用數(shù)值仿真分析了該算法在低信噪比情況下的噪聲抑制能力、峰值檢測的應(yīng)用效果以及故障信號判型效果。

1 復(fù)雜噪聲環(huán)境下機(jī)電系統(tǒng)故障在線監(jiān)測聲學(xué)處理方法原理

傳統(tǒng)故障檢測方法僅能發(fā)現(xiàn)和判斷已經(jīng)發(fā)生且較為嚴(yán)重的典型機(jī)電設(shè)備故障，其對一些隱性故障的預(yù)判能力相對不足，難以辨別復(fù)雜噪聲環(huán)境下的故障信號特征頻率及其倍頻?；诖?，本文利用具有良好信息拾取能力的聲學(xué)傳感器，結(jié)合自相關(guān)噪聲抑制技術(shù)、峰值檢測技術(shù)以及聲紋信號匹配比對技術(shù)，通過對機(jī)電系統(tǒng)運行狀態(tài)下產(chǎn)生的聲紋信號采集、跟蹤和背景噪聲抑制，實現(xiàn)了對機(jī)電設(shè)備故障的在線監(jiān)測。本文設(shè)計的一種復(fù)雜噪聲環(huán)境下的機(jī)電系統(tǒng)故障在線監(jiān)測聲學(xué)處理方法總體原理框圖如圖1所示。

圖1 復(fù)雜噪聲環(huán)境下的機(jī)電系統(tǒng)故障聲學(xué)處理方法總體原理框圖Figure 1. Schematic diagram of acoustic treatment method for mechanical and electrical system faults incomplex noise environment

1.1 復(fù)雜背景干擾噪聲抑制

在工程實踐中，機(jī)電設(shè)備運行狀態(tài)的信號包含有用的特征信號與背景干擾噪聲信號。在故障早期，真正的有效信號較為微弱，容易淹沒在復(fù)雜的強(qiáng)背景干擾噪聲中。為了能較好地提取到有用的聲學(xué)信號，首先需要對背景干擾噪聲進(jìn)行抑制，使提取到的機(jī)電設(shè)備運行狀態(tài)聲學(xué)信號能夠最大程度地表征機(jī)電設(shè)備運行狀態(tài)的特征信息。自相關(guān)濾波技術(shù)進(jìn)行噪聲抑制效果較好，該方法可在輸入信號與噪聲的統(tǒng)計特性未知或變化的情況下，自動估計出所需的統(tǒng)計特性，并以此為依據(jù)自動調(diào)整參數(shù)，以達(dá)到最佳的降噪效果。

自相關(guān)函數(shù)描述的是同一信號在不同時刻的相互依賴關(guān)系，其定義如式(1)所示。

(1)

在實際生活中背景噪聲多種多樣，主要包括帶通噪聲、沖擊噪聲和白噪聲。白噪聲在現(xiàn)實中十分常見，其既是時域上的隨機(jī)信號也是頻域上的隨機(jī)信號。標(biāo)準(zhǔn)的白噪聲應(yīng)該是方差恒定不變的數(shù)值，均值為0，即E[x(n)]=0，E[x(n)2]=б2。

機(jī)電系統(tǒng)正常運行過程產(chǎn)生的目標(biāo)信號具有較強(qiáng)的相關(guān)性，復(fù)雜的背景噪聲相關(guān)性較弱，而自相關(guān)處理方法實際上是根據(jù)信號的相關(guān)詳細(xì)程度濾除信號里不相關(guān)的部分，因此自相關(guān)處理技術(shù)可濾除機(jī)電系統(tǒng)正常運行狀態(tài)下的背景噪聲信號，適用于機(jī)電系統(tǒng)運行過程的背景噪聲抑制。正弦信號或者其他確定性信號在所有的時間位移上都有自相關(guān)函數(shù)，本文采取特定頻率的正弦信號和白噪聲信號來模擬實際運行過程中的正常信號和噪聲信號。運用自相關(guān)處理技術(shù)降噪后，噪聲信號的自相關(guān)函數(shù)隨τ的增大趨于零，使得信噪比提升，故此方法具有顯著的降噪效果。

1.2 機(jī)電系統(tǒng)運行狀態(tài)聲紋信號的峰值檢測

峰值檢測技術(shù)作為一項由國外發(fā)展而來的振動信號分析技術(shù)，是一種在某時間間隔內(nèi)對信號時域波形峰值進(jìn)行捕捉的信號處理與檢測方法。當(dāng)機(jī)電系統(tǒng)中的金屬發(fā)生相互碰撞時，會產(chǎn)生一種應(yīng)力波，而峰值檢測則可以采集和檢測這些短暫出現(xiàn)的應(yīng)力波，通過對其峰值以及出現(xiàn)頻率的提取，轉(zhuǎn)換成頻譜進(jìn)行故障分析?；诜逯禉z測技術(shù)的機(jī)電故障檢測實現(xiàn)原理如圖2所示。

圖2 基于峰值檢測技術(shù)的故障診斷原理圖Figure 2. The fault diagnosis schematic diagram based on PeakVue technology

由圖2可以看出通過傳感器采集及高通濾波器進(jìn)行濾波后，方可得到峰值檢測方法分析的目標(biāo)信號。高通濾波器主要是為了使信號集中于沖擊信號所在頻段、分離沖擊信號和普通振動信號，此分析方法的核心就在于峰值。一般情況下，頻率帶寬決定所選時間間隔，峰值就在原始振動信號中選定某一時間間隔中出現(xiàn)。峰值檢測技術(shù)就是通過提取某時間間隔的峰值，再進(jìn)行包絡(luò)檢波以及傅里葉變換，最終實現(xiàn)對振動信號的故障分析。

由于工作過程中實際操作以及環(huán)境的復(fù)雜性，峰值檢測技術(shù)的實際應(yīng)用情況并不理想，復(fù)雜環(huán)境下包含太多的噪聲，使得目標(biāo)信息很難在眾多的峰值中被分辨出來。在過多干擾噪聲的影響下，無法有效應(yīng)用峰值檢測技術(shù)。因此，本文將峰值檢測技術(shù)與復(fù)雜噪聲下背景干擾噪聲抑制技術(shù)相結(jié)合，當(dāng)在實際的復(fù)雜背景下工作時，先用背景噪聲抑制技術(shù)濾除大量復(fù)雜噪聲，再用峰值檢測技術(shù)提取目標(biāo)信號的峰值，這一過程使得噪聲信號被更大程度濾除，可提取到更有利用價值及參考性的峰值。綜上所述，復(fù)雜噪聲環(huán)境下的機(jī)電系統(tǒng)故障聲學(xué)處理方法具體原理流程圖如圖3所示。

圖3 復(fù)雜噪聲環(huán)境下的機(jī)電系統(tǒng)故障聲學(xué)處理方法原理流程圖Figure 3. Schematic diagram of acoustic treatment method for mechanical and electrical system faults in complex noise environment

由圖3可以看出該方法主要基于聲學(xué)信號拾取和處理，通過背景噪聲抑制和峰值檢測后建立正常狀態(tài)聲紋庫和故障狀態(tài)聲紋庫，再通過聲紋匹配對比技術(shù)實現(xiàn)對信號的分類判型，進(jìn)而實現(xiàn)對機(jī)電系統(tǒng)運行狀態(tài)和隱形故障的有效監(jiān)測和判型。此算法可以有效地解決降噪后的信號處理問題及峰值檢測技術(shù)在復(fù)雜背景噪聲環(huán)境下的實際適用問題，在復(fù)雜噪聲情況下也能檢測出機(jī)電早期故障，并且能夠準(zhǔn)確預(yù)測出嚴(yán)重程度，提高了信號的利用率。

2 復(fù)雜噪聲環(huán)境下機(jī)電系統(tǒng)故障在線監(jiān)測聲學(xué)處理方法實現(xiàn)

2.1 峰值檢測技術(shù)的應(yīng)用

峰值檢測技術(shù)主要基于希爾伯特變換法來實現(xiàn)。希爾伯特變換對分析信號的瞬時幅度和頻率和對信號包絡(luò)的快速提取有較好的效果，因此本文采用希爾伯特變換實現(xiàn)峰值檢測。根據(jù)希爾伯特的物理意義可知，當(dāng)包絡(luò)信號經(jīng)過希爾伯特變換后，其峰值剛好與變換后的信號正向過零點相對應(yīng)，因此可將包絡(luò)信號峰值檢測轉(zhuǎn)換為正向過零點檢測，包絡(luò)信號的峰值改變并不會影響信號正向過零點檢測，并且不需要設(shè)置任何幅度閾值。實信號x(t)的希爾伯特變換的定義為

(2)

式中，“*”表示卷積運算符。根據(jù)上式可知，信號x(t)的希爾伯特變換實際上是信號的卷積。希爾伯特變換的頻率定義為如下

(3)

式中，x(f)是信號x(t)的傅里葉變換；j是虛數(shù)單位。由上述兩式可知，信號x(t)的希爾伯特變換為

(4)

式中，IFT表示傅里葉逆變換。結(jié)合上式可發(fā)現(xiàn)，對于實信號的峰值檢測可以借助希爾伯特變換運用傅里葉變換進(jìn)行快速計算。

在此思想上，本文運用希爾伯特變換實現(xiàn)峰值檢測技術(shù)在識別故障信號上的應(yīng)用，建立正常狀態(tài)聲紋庫，為聲紋信號的匹配識別準(zhǔn)備條件。

2.2 機(jī)電設(shè)備運行狀態(tài)聲紋信號的匹配比對

本文中聲紋信號匹配技術(shù)以動態(tài)時間彎曲算法為基礎(chǔ)。動態(tài)時間彎曲算法基于動態(tài)規(guī)劃思想，是一種計算時間序列數(shù)據(jù)之間相似度的算法。該算法可以通過對時間序列時間點的彎曲，使得兩條時間序列中的波峰、波谷準(zhǔn)確匹配。動態(tài)時間彎曲算法還具備很多歐氏距離不存在的優(yōu)勢，其可以對長度不等的時間序列進(jìn)行距離度量。動態(tài)時間彎曲不需要滿足三角不等式約束條件，可以根據(jù)時間序列數(shù)據(jù)特點進(jìn)行異步匹配，且其對于時間序列數(shù)據(jù)的異常點和噪聲等缺點有良好的適應(yīng)性。

機(jī)電設(shè)備聲紋信號的監(jiān)測識別是通過比較機(jī)電設(shè)備當(dāng)前運行狀態(tài)與過去運行狀態(tài)之間的差異來實現(xiàn)的?；诖?，對聲學(xué)傳感器采集到的正常聲學(xué)信號進(jìn)行寬帶背景干擾噪聲抑制和峰值檢測，并建立正常狀態(tài)聲紋庫。以此作為參考，采用動態(tài)時間彎曲算法分別測量目標(biāo)檢測聲紋信號和正常聲紋信號與正常狀態(tài)聲紋庫的匹配距離，并對其相似度進(jìn)行比較，實現(xiàn)對檢測信號的分類識別。本文設(shè)計的匹配比對算法原理框圖如圖4所示。

圖4 機(jī)電設(shè)備運行狀態(tài)聲紋信號的匹配比對原理圖Figure 4. Schematic diagram of voiceprint signal matching and comparison in operation state of electromechanical equipment

由圖4可以看出，該算法可通過計算正常聲紋信號與正常狀態(tài)聲紋庫的匹配距離序列D和目標(biāo)檢測信號與正常狀態(tài)聲紋庫的匹配距離序列S，從而求得匹配距離均值d和s。若s>d，則說明兩個信號相似度低，則將目標(biāo)檢測信號判定為故障信號；若s≤d，則說明兩個信號相似度高，則判定為正常信號。

3 數(shù)值仿真

機(jī)電系統(tǒng)設(shè)備運行一旦出現(xiàn)故障，便伴隨著巨大的經(jīng)濟(jì)損失與災(zāi)難，且事故一旦發(fā)生，便沒有分析其信號的必要，故實際操作中可被采集到的故障樣本數(shù)據(jù)較少。為了驗證算法性能，本文利用MATLAB進(jìn)行了仿真。機(jī)電設(shè)備運行狀態(tài)聲紋信號的數(shù)學(xué)模型可用多個頻率、幅值不同的正弦波復(fù)合而成。仿真中用正弦波信號模擬機(jī)電系統(tǒng)正常運行狀態(tài)下的聲紋信號，模擬復(fù)雜干擾為高斯白噪聲及一些正弦信號。本文設(shè)置采樣頻率為4 096 Hz，采樣點數(shù)為2 048，為驗證自相關(guān)處理方法在不同噪聲環(huán)境下的降噪效果，本文設(shè)置不同的信噪比環(huán)境進(jìn)行對比，并使用該方法對不同的含噪信號進(jìn)行降噪處理。所獲得的仿真結(jié)果如圖5～圖7所示。

圖5 含噪信號1降噪時域波形圖Figure 5. Noise signal 1 denoising time domain waveform

圖6 含噪信號2降噪時域波形圖Figure 6. Noise signal 2 denoising time domain waveform

圖7 含噪信號3降噪時域波形圖Figure 7. Noise signal 3 denoising time domain waveform

由圖5～圖7可以看出信號經(jīng)自相關(guān)去噪方法之后，干擾噪聲可被有效抑制，處理后的信號時域波形特征更為簡潔清晰。降噪前信號的信噪比分別為0.802 6 dB、-2.230 2 dB、2.673 1 dB，降噪后聲紋信號的信噪比分別為8.1 806 dB、3.664 2 dB、6.323 3 dB，由此可以看出針對不同的噪聲環(huán)境，該方法抑制干擾噪聲均有良好的作用效果。綜上分析，該方法對復(fù)雜噪聲情況下的抑制效果較為明顯，證明本方法對干擾噪聲的抑制效果較好且抗干擾能力較強(qiáng)，具有良好的可靠性。

對于機(jī)電設(shè)備運行狀態(tài)的檢測，本文結(jié)合峰值檢測技術(shù)對信號進(jìn)行提取。在實際情況下高通濾波器截止頻率選擇1 000 Hz或2 000 Hz。為便于觀察，本次仿真假設(shè)高通濾波器截止頻率設(shè)為1 000 Hz，頻帶寬度設(shè)為10 Hz，采樣時間間隔即為39 ms，并用正弦信號模擬高通濾波器分離出的高頻信號和應(yīng)力波信號。本文給出了含噪信號1及其降噪后的峰值檢測時域波形圖，仿真圖如圖8和圖9所示。

圖8 含噪信號1峰值檢測時域波形圖Figure 8. Peak detection time domain waveform of noise signal 1

圖9 含噪信號1降噪后峰值檢測時域波形圖Figure 9. Noise signal 1 time domain waveform of peak detection after denoising

通過圖8和圖9的仿真圖可以看出峰值檢測仍能精準(zhǔn)提取幅值頻率較低的峰值，說明峰值檢測技術(shù)對于一些微弱的峰值信號靈敏度較高，因此可結(jié)合背景噪聲抑制技術(shù)精準(zhǔn)提取早期故障信號，具有實踐意義。

對于機(jī)電設(shè)備運行狀態(tài)聲紋信號的匹配識別，本文采用動態(tài)時間彎曲距離來度量樣本之間的相似性。通過比較聲紋信號的動態(tài)時間彎曲距離均值來區(qū)分正常信號與故障信號。本次仿真將模擬聲紋信號平均分為了30等份，每份信號的長度為400，每種聲紋信號模擬了30個樣本，其中，“*”型曲線表示正常聲紋信號與參考信號之間的動態(tài)時間彎曲距離，菱形曲線表示故障聲紋信號1與參考信號之間的動態(tài)時間彎曲距離，“×”型曲線表示故障聲紋信號2與參考信號之間的動態(tài)時間彎曲距離，仿真結(jié)果如圖10所示。

圖10 機(jī)電設(shè)備運行狀態(tài)不同聲紋信號動態(tài)時間彎度距離Figure 10. Dynamic time curvature distance of different voice print signals of mechanical and electrical equipment in operation state

動態(tài)時間彎曲距離是對時間序列數(shù)據(jù)進(jìn)行處理，故對其無單位要求。由圖10可以看出，經(jīng)測得正常聲紋信號的動態(tài)時間彎曲均值為51.788，故障聲紋信號1的動態(tài)時間彎曲均值為91.552，故障聲紋信號2的動態(tài)時間彎曲均值為119.318。由不同信號間的均值差異可以看出，依據(jù)動態(tài)時間彎曲計算匹配距離并比較均值的方法可將正常聲紋信號與故障聲紋信號明顯區(qū)分開，并且對不同故障聲紋信號的區(qū)分效果也較為明顯。

均方根值、絕對值平均值表征信號的能量，可反映出信號的有效值。為了進(jìn)一步說明本文整體算法處理信號的性能，本文在不同信噪比環(huán)境下，采用上文所提的降噪、峰值檢測以及信號匹配等方法對過程處理前后的信號絕對值平均值、均方根值進(jìn)行比較。在保證相同的背景環(huán)境下，處理前后信號對比曲線如圖11和圖12所示。

通過圖11和圖12的仿真圖可以看出，處理前后信號絕對值平均值、均方根值都隨著信噪比增加而降低且處理后信號值較低，說明處理后信號對有效信號的提取率更高。處理前信號在SNR=-13 dB環(huán)境下的絕對值平均值、均方根值分別為4.896 2、6.168 5，處理后數(shù)值為1.864 6、2.873 4；在SNR=-8 dB環(huán)境下處理前絕對值平均值、均方根值分別為2.910 7、3.634 7，處理后為1.222 8、1.550 1，說明在不同的信噪比環(huán)境下，該算法都具備較好的信號處理能力，即使在低信噪比下即復(fù)雜噪聲環(huán)境的情況下，該方法的處理效果也比較明顯。

圖11 處理前后信號絕對值平均值對比Figure 11. Comparison of the mean absolute value of signal before and after processing

圖12 處理前后信號均方根值對比Figure 12. Comparison of root mean square values before and after processing

綜合仿真結(jié)果及分析，表明本文所提復(fù)雜噪聲環(huán)境下機(jī)電系統(tǒng)故障監(jiān)測的聲學(xué)處理方法有較好的抗干擾能力，在信噪比低的環(huán)境下對有效信號的提取和檢測效果性能良好，具有較好的可靠性，適用于復(fù)雜噪聲環(huán)境下對信號的處理。

4 結(jié)束語

本文針對傳統(tǒng)故障分析的局限性，提出了一種復(fù)雜噪聲環(huán)境下機(jī)電系統(tǒng)故障在線監(jiān)測的聲學(xué)處理方法。該方法基于聲學(xué)信號拾取和處理，通過對機(jī)電設(shè)備正常運行狀態(tài)下的聲學(xué)信號進(jìn)行拾取、數(shù)據(jù)跟蹤、基于自相關(guān)處理的背景噪聲抑制和峰值檢測技術(shù)建立聲紋庫；然后通過聲紋信號的匹配比對技術(shù)，實現(xiàn)故障信號的識別和分類，進(jìn)而實現(xiàn)在復(fù)雜背景噪聲環(huán)境下對機(jī)電系統(tǒng)故障的在線監(jiān)測和有效判型。通過仿真實驗證明，該方法有較強(qiáng)的抗干擾能力，可提高信號的利用率，有效降低誤檢率，使得檢測結(jié)果更加準(zhǔn)確。