CN106596088A - 基于近场声源聚焦定位的碰摩声发射故障位置识别方法 - Google Patents

Abstract

本发明公开了一种基于近场声源聚焦定位的碰摩声发射故障位置识别方法，对碰摩声发射试验装置采集的声发射信号子带分解提取特征信号；利用子空间频率聚焦方法对声发射特征信号频率聚焦，实现多重相干信号的解相干处理；最后采用空间谱估计方法，进一步对声源精确定位。利用本方法可以解决宽带声发射信号的快衰落、相干和多模态问题，从而有效判别出碰摩故障源位置。本发明可以准确地识别出碰摩声发射信号的产生位置，精确度和复杂度指标均优于现有定位算法，是一种有效的碰摩故障位置检测方法。

Description

基于近场声源聚焦定位的碰摩声发射故障位置识别方法

技术领域

本发明属于无损检测领域，涉及一种声发射信号的定位方法，具体涉及一种计算碰摩声发射故障位置的信号处理方法。

背景技术

碰摩是旋转机械常见的非线性振动故障，有效识别出碰摩部位对于诊断故障原因和事故预警具有重要意义。和振动信号相比，声发射(acoustic emission，AE)信号对微弱碰摩敏感，在碰摩检测中具有独特的优越性。

目前利用声发射源定位碰摩部位的研究主要集中于时差定位和空间谱估计理论。时差定位法在实验室研究中取得了良好的定位效果。但在实际操作中，计算到时差受到噪声、接收门限、有效波速、频散效应和能量衰减等因素的影响，直接影响故障源定位的准确性。此外，该方法在统计定位结果时，所得的多条特征曲线往往相交汇聚困难。

空间谱估计是一种渐进无偏的空间位置参量估计方法，能够实现声源的相对准确定位。能够对旋转机械中的碰摩故障点进行有效识别。针对声发射信号在传播过程中的频散效应，提取声发射信号中的S₀和A₀，结合近场波束形成算法，实现对信号源方位角和距离的准确估计。但是，该方法仅可以对单一信号源定位，而且没有考虑到噪声的影响。

基于特征分解的多重信号分类算法(MUSIC)能够实现在噪声背景下的多信号源的高分辨检测。但都是基于远场传输模型的假设得到的，往往解决的都是探测目标方向角的问题。由于碰摩声发射信号的能量较弱，在传输过程中随着距离的增加衰减较大。因此，仅限于传感器附近的声源能被检测接收，远场传输模型不再适用。

此外，传感器实际接收到的碰摩声发射信号往往是若干个相干宽带声源的混叠。前后向空间平滑方法(N-FSS)，牺牲有效阵列孔径来实现信号源的去相关；改进的近场MUSIC算法(N-IMUSIC)，修正阵列输出的信号协方差矩阵，从而有效估计出声发射源方位；但这类方法对声发射源定位不能得到满意结果，主要原因在于改进的MUSIC算法适用于对窄带声源定位估计，而宽带声发射信号的信息未被充分利用。

因此，基于AE技术的碰摩故障源识别还没能发挥应有的作用。研究更加有效的AE信号源定位方法，是推动AE技术在线诊断旋转机械碰摩故障应用的关键。

发明内容

技术问题：本发明针对碰摩故障声发射信号的带宽高，衰落快、相干和多模态问题，提供一种基于近场声源聚焦定位的碰摩声发射故障位置识别方法，用于碰摩故障源的定位检测。

技术方案：本发明的基于近场声源聚焦定位的碰摩声发射故障位置识别方法，包括以下步骤：

(1)通过碰摩声发射试验装置获得声发射信号；

(2)对所述声发射信号进行模态分解并提取其特征信号，具体流程为：

根据薄板中声发射信号的模态分解方法，分别求解不同频率点f对应的群速度c_g和相速度c，基于求解结果得到频率f与AE的传播群速度c_g的关系曲线和频率f与AE的相速度c的关系曲线；

根据声发射频率f与AE的传播群速度c_g的关系曲线中零阶扩展波S₀和弯曲波A₀的模态特性确定特征信号的截止频率，进而提取出特征信号，即零阶扩展波S₀和弯曲波A₀，滤除高阶模态波干扰；特征信号

(3)对所述步骤(2)提取的特征信号进行近场聚焦变换，实现去相关处理，具体流程为：

利用傅里叶变换对特征信号进行窄带分解，得到J个离散频率点的信号向量P(f_j)，j＝1，2，...，J，其中j为离散频率点序号，J为离散频率点总数；同时根据聚焦误差最小的条件寻找最优参考频率f₀，其中f₀为聚焦频率，f₀∈f_j；

利用矩阵正交分解方法，分别正交分解J个离散频率点的信号向量P(f_j)，得到各列相互正交的m×p的矩阵和其中m为传感器的数量，p为所求声发射源的数量；

求解得到聚焦矩阵，然后通过聚焦变换，将信号能量从每个离散频率点聚焦变换到聚焦频率点上，得到每个聚焦后的信号能量，最后对所有聚焦后的信号能量求和，得到近场聚焦变换后的信号总能量；

(4)对所述步骤(3)中近场聚焦变换后的信号总能量进行空间谱估计，计算得到声发射源位置。

进一步的，本发明方法中，步骤(3)中，采用快速傅里叶变换对特征信号进行窄带分解，即将快速傅里叶变换得到的每个离散频率点的信号向量作为分解后的窄带信号。

进一步的，本发明方法中，步骤(3)中的聚焦矩阵，采用双边相关变换，求解聚焦频率f₀得到，因此无需对碰摩声源计算定位初值。

进一步的，本发明方法中，步骤(1)中，碰摩声发射试验装置中接收声发射信号的传感器布置方式为均匀线阵。

进一步的，本发明方法中，步骤(4)中，采用多重信号分类算法进行空间谱估计，具体流程为：

根据协方差计算公式，计算得到聚焦后的信号总能量的数据协方差矩阵R(f₀)，对所述协方差矩阵R(f₀)进行特征值分解，将其特征值按降序排列，对应的阵列特征向量空间分别为信号子空间和噪声子空间，根据噪声特征矢量和信号矢量正交关系，得到阵列空间谱估计，即声发射源的幅度峰值对应的方位角和距离联合估计，该结果就是碰摩声发射故障位置。

进一步的，本发明方法中，步骤(4)中，采用波束形成的方式进行空间谱估计。

本发明的基于近场声源聚焦定位的碰摩声发射故障位置识别方法中，所述的用于模态分解并提取声发射信号的特征信号的方法，即：小波包分解重构，特征频段内的信号向量，考虑到信号的带宽较宽，对特征信号进行快速傅里叶(FFT)变换，得到每个频率点的子带信号向量用于聚焦变换。

所述的基于近场声源聚焦定位的碰摩声发射故障位置识别方法中，所述的聚焦变换为双边相关变换，只需要求解聚焦频率f₀，无需对碰摩声源计算定位初值；考虑到多声源位置估计，采用多重信号分类算法对空间谱估计，得到对解相干后的信号进行多声源位置的识别

所述的基于近场声源聚焦定位的碰摩声发射故障位置识别方法中，所述的信号传输模型为近场传输模型，信号源位球面波；阵列流形采用均匀线阵；声发射源的定位结果分别为信号对参考阵元入射角θ和信号源到参考阵元的距离r。

有益效果：本发明与现有技术相比，具有以下优点：

1.算法计算效率分析：

本发明提出的N-TCSM方法以及近场相干信号子空间方法(N-SCSM)，均需要计算聚焦矩阵，该计算需要进行J次奇异值分解，J∈[(1+f_min×N/f_s)，(1+f_max×N/f_s)]，其中f_min和f_max分别为信号的最低频率和最高频率，N为采样点数，f_s为采样频率。因此，N-TCSM方法和N-SCSM方法的运算量较N-FSS算法和N-IMUSIC算法有所增加；但由于N-TCSM算法是对个频点间无噪声的信号协方差矩阵间的旋转，相对于N-SCSM聚焦方法采用波束形成估计信号的初始值，无须对声发射源位置的进行初值估计。其定位计算效率上有了明显的提高。为验证四种方法在计算量上的差异，计算所选用的计算机为：内存8GB，处理器Intel(R)Core(TM)i5-3230M CPU 2.6GHz，测试结果如表1所示。

表1四种方法计算时间比较

2.定位精度分析

仿真实验采用4阵元的均匀线阵，阵元间距为0.5倍波长，设置采样频率2MHz，10段撞击数据，每段采样点数为2¹⁴个，对应频率分辨率为0.125kHz，方位角搜索范围为0°～180°，搜索步长为1°，距离搜索范围为0～180mm，距离步长为1mm。两个碰摩声源的方位坐标为(90°，40mm)和(19.46°，120mm)；分别使用近场基于信号子空间变换(N-SCSM)算法利用近场修正MUSIC(N-IMUSIC)方法获得声源方位的初始估计，聚焦频率为37.5kHz，迭代次数为一次；近场前向空间平滑(N-FSS)算法将均匀线阵划分为相互重叠的2个子阵，对应每个子阵中3个阵元，在下面仿真过程中以上参数均不改变。

考虑不同的定位算法对近场相干碰摩声发射信号源的定位性能，评估结果如图9所示。分别使用N-IMUSIC算法、N-FSS算法、N-SCSM算法和N-TCSM算法，扫描空间谱峰值得到的近处单声源方位估计结果与真实位置误差均较小，表明四种近场定位算法均能够准确估计出距离参考阵元最近的单声源位置。

由于N-TCSM算法和N-SCSM算法均采用频率聚焦变换，通过频率聚焦变换将傅里叶变换后的J个频点的窄带信号，聚焦为一个聚焦频率点f₀的窄带信号，能够充分利用宽带声发射信号频带内多个频点上的信息。因此，图9(a)和图9(b)中可以看出，在理想情况，N-TCSM算法和N-SCSM算法对相干多声源方位估计较好。双信源均形成明显谱峰，旁瓣干扰较小，具有较好的波束分辨能力，尤其改善对后达波的定位识别能力。可见，N-TCSM算法和N-SCSM算法均利用频率聚焦能够提高对近场空间相干声源的解相干能力，从而改善相干声源位置的辨识能力。此外，由于T-TCSM不需要计算声源位置初值，而N-SCSM算法需要计算信号位置初值，当初值与真实的声源位置偏差时，导致波束空间分辨能力显著下降，因此N-TCSM的定位精度略高于N-SCSM。

3.本发明的定位方法，采用近场声源传播模型，所得结果为声源对应的方位角和距离，而远场声源传播模型，所得结果为声源对应的方位角。所以，该算法相对其它远场声源聚焦定位方法，能准确辨别近场声发射信号源的方位角的和距离；

附图说明

图1——基于子空间聚焦的多重相干声发射源定位流程图；

图2——碰摩声发射试验装置，其中图2(a)为转子碰摩试验台结构，图2(b)为转子碰摩定位试验台结构；

图3——参考阵元采集的信号，其中图3(a)为时域波形，图3(b)为频率分布；

图4——碰摩声发射信号的模态分析

图5——预处理结果，其中图5(a)为时域波形，图5(b)为频率分布；

图6——近场传输模型

图7——不同信噪比条件下四种算法的分辨概率；

图8——不同信噪比下的四种算法定位性能比较，其中图8(a)为第一碰摩源估计结果比较，图8(b)为第二碰摩源估计结果比较；

图9——近场与远场模型定位性能比，其中图9(a)为远场模型碰摩源估计结果，图9(b)为近场碰摩源估计结果；

图10——四种近场碰摩相干声源定位方法结果比较，其中图10(a)为N-TCSM算法，图10(b)为N-SCSM算法，图10(c)为N-FSS算法，图10(d)为N-IMUSIC算法。

具体实施方式

下面结合实施例和说明书附图对本发明作进一步的说明。

图1是基于子空间聚焦的多重相干声发射源定位流程图。以下结合附图和实施例，对本发明所述的技术方案作进一步的阐述。

1.转子碰摩声发射信号的获得

本发明所采用的实验***如图2所示，由转子碰摩试验台，盖状导波板，调速器，声发射采集***组成。转子碰摩试验台是由三个具有滑动轴承的轴承座用于支撑转子，两个碰摩圆盘，碰摩螺钉组成。碰摩螺钉可以通过盖状导波板上螺孔指向转轴中心，并与圆盘侧面相接触，导波板底部有四个固定孔，通过螺钉固定在试验台上。当转子以一定转速旋转时，调节碰摩螺钉与碰摩圆盘发生碰摩，产生的碰摩声发射信号经由导波板被声发射传感器所接收，用于声源定位。可以通过调节碰摩螺钉旋入深度来模拟不同强度的碰摩。调速器实现电机0-10000r/min范围的无极调速；为了降低由于介质不连续而引起的声发射波形畸变，在接触面之间填充耦合剂。盖状导波板的材料为45号钢，单侧面尺寸为500mm×200mm×10mm，其侧面上有多个螺孔，可以模拟多个位置产生碰摩，孔间距离严格保持与碰摩圆盘之间距离一致。声发射信号采集***是由Polar9300e便携式工控机，美国PAC公司生产的两块PCI-2声发射采集卡、频率范围60～1000kHz的UT-1000宽频AE传感器和20/40/60dR三档可调前置放大器组成。四个传感器由磁力夹固定在导波板单侧的底部，设置最左面的传感器位置为定位原点。声发射采集卡具有18位A/D分辨率，设置声发射信号采样频率为2.048×10⁶bit/s、滤波器频带为0-200kHz、AE放大器增益为40dR。

说明书附图3(a)为时间域内参考阵元S₁收到的一个快拍双声源信号，图中信号幅度随时间变化明显，附图3(b)为该信号的频谱图，图中能量分布在0-100kHz频率范围内。图3(a)中可以看出，由于干扰信号和噪声的存在，导致双信号源的波峰不明显，因此不利于双信号源定位。

2.碰摩声发射的特征信号提取

为了消除干扰信号和噪声，结合已广泛应用的声发射模态分析方法，根据实验条件，设定钢板厚度为10mm，根据板的物理特性，设定板内纵波波速c_p和横波波速c_s分别为5790m/s和3200m/s，根据模态分析如式(2-1)所示，理论分别求解频率f与AE的传播群速度c_g和相速度c的关系曲线。其中，p和q是临时变量，k是波数，ω是角频率，h是0.5倍板厚。

计算得出声发射波在该钢板中传播的群速度-频率曲线，如说明书附图4所示。根据图4可知，当信号频率小于三相点处100kHz时，本实验中可以采集到的声发射模态，分别为(S₀、A₀和A₁)。考虑到本发明针对碰摩初期故障源识别，结合课题组之前的研究结果：在碰摩初期，动静部件之间发生碰撞，板中产生的模态波主要为弯曲波，且能量主要集中在20kHz-50kHz。从图4可看出，当信号频率小于50kHz时，用于定位碰摩初期声发射源信号的主要成分为A₀。因此确定提取特征信号的截止频率为50kHz，进而保留了S₀和A₀模态波并同时滤除了A₁模态波干扰，用于提高定位准确性。

按照提取特征信号的截止频率50kHz，结合小波分解与重构方法，采用Sym12小波基函数对说明书附图3(a)中的碰摩故障声发射信号分解，选取第三层第二段窄带信号，频带分布25.88kHz-50.75kHz，作为分离后的特征信号如图5所示，用于空间谱估计定位中。图5(a)中可以看出，所提取特征信号的波峰变化明显；由此，进一步说明所提取的碰摩声发射特征信号，可以有效保留S₀和A₀模态波并同时滤除了其它模态波干扰，用于提高定位准确性。

3.近场碰摩声发射源的近场聚焦定位

碰摩声发射的特征信号波在近场传输模型中，阵列空间导向矢量阵不仅与信号对参考阵元入射角θ₁有关，还与信号源到参考阵元的距离r₁有关。如图6所示，线性阵列中有m个阵元S，其中S₂、S₃…、S_m与参考阵元S₁之间的时间差为：

步骤3-1：特征信号波的窄带分解，假设存在P个宽带声发射信号源(p＜m)，每个阵元的频率响应范围为[f_L，f_H]，接收到的信号X(t)在时域上以ΔT为采样间隔，分成互不重叠的L段快拍数据X_l(t)(l＝1，2，...，L)。对每段数据作J点DFT，按照离散频率点f_j(j＝1，2，...J)求平均X(f_j)：

其中：

X(f_j)＝[x₁(f_j)，x₂(f_j)，...，x_m(f_j)]^T

A(r，θ，f_j)＝[a₁(r₁，θ₁，f_j)，a₂(r₂，θ₂，f_j)，...，a_m(r_p，θ_p，f_j)]^T

s(f_j)＝[s₁(f_j)，s₂(f_j)，...，s_p(f_j)]^T

N(f_j)＝[n₁(f_j)，n₂(f_j)，...，n_m(f_j)]^T

式(3-2)中S_l(f)和N_l(f)为DFT变换后的每段快拍信号向量和噪声向量。A_l(r，θ，f_j)是满秩p的m×p维方向矩阵。X(f_j)，A(r，θ，f_j)和S(f_j)分别为L段快拍S_l(f)，A_l(r，θ，f)和N_l(f)在每个频率点的均值。观测信号向量的自相关矩阵在f_j频率点为：

R(f_j)＝X(f_j)X^H(f_j)

＝A(r，θ，f_j)R_s(f_j)A^H(r，θ，f_j)+σ²I (3-3)

步骤3-2：求解聚焦频率和聚焦矩阵，考虑到信号相关性，R(f_j)矩阵内元素无法相加求和。因此，根据双边相关变换算法的思想，利用各频率点无噪声数据的关系来选取聚焦矩阵的原则，采用频率聚焦变换，将各离散频率的A_l(r，θ，f_j)变换到同一个聚焦频率的A_l(r，θf₀)，如式(3-4)，H(f_j)为聚焦矩阵：

H(f_j)A(r，θ，f_j)＝A(r，θ，f₀)j＝1，2，...，J (3-4)

由此，R(f)矩阵可以得出如式(3-5)

其中：

R_s(f_j)＝S(f_j)S^H(f_j)；R_n(f_j)＝N(f_j)N^H(f_j)；

因此，最优聚焦矩阵H(f_j)是求解R(f)矩阵的关键。根据公式(3-4)两边取协方差矩阵，可得如式(3-6)：

在归一化约束条件下，最佳聚焦矩阵可由下式确定：

求解公式(3-7)的一个解如式(3-8)：

其中，和分别是各列相互正交的m×p的矩阵，其前p列分别是P(f₀)和P(f_j)的特征向量。式(3-8)可以得出，每个聚焦矩阵与参考频率点f₀和其对应的聚焦矩阵R_s(f₀)有关。因此，接下来寻找最优参考频率f₀。

假设ε为所有数据的聚焦误差，即：

由于f₀和H(f_j)的关联性，定义σ_j(P₀)和σ_j(P_j)分别表示矩阵P(f₀)和P(f_j)的奇异值，P(f_j)与聚焦频率无关，因此聚焦误差可以改写为：

在忽略常数的情况下，可以得到使聚焦误差ε最小的条件是：

根据公式(3-11)所示，对聚焦频率f₀的求解，转化为一维优化问题，通过搜索的方法可以很容易获得最优参考频率f₀，并进一步根据公式(3-8)求出聚焦矩阵。利用聚焦矩阵对阵列接收数据进行聚焦变换，得到聚焦频率点处的数据协方差阵。

步骤3-3：空间谱定位双故障声源，聚焦后的协方差矩阵R(f₀)特征值分解，将其特征值λ_i按降序排列，对应的阵列特征向量空间U＝{u₁，u₂，..，u_m}。定义U_s＝{u₁，u₂，..，u_p}，U_N＝{u_p+1，u_p+2，..，u_m}张成的矢量空间分别为信号子空间和噪声子空间，根据噪声特征矢量和信号矢量正交关系A^H(r，θ，f₀)U_N＝0，得到阵列空间谱函数，从而确定近场声源方位角和距离的联合位置估计，如(4-1)式所示，其中||·||_F是F_范数，A(r，θ，f₀)为阵列在聚焦频率点上所有可能位置的方向向量。在实际计算中，是对多个碰摩声源的位置求解，因此通过r和θ范围的二维搜索，计算该区域的空间谱估计P(r，θ)，其幅度峰值P_max(r，θ)对应的方向角和距离二维联合估计(r，θ)为故障声源位置。

4.对定位结果进行有效性分析

(1)判决待识别碰摩声发射源所属的传播模型

在对碰摩声发射信号源传播模型的分析中，结合目标监测范围，估计待识别的信号源到传感器参考阵元S₁的距离r₁。若r₁满足式(4-1)，则待识别的碰摩声发射源属于近场传播模型。否则，属于远场传播模型。其中，λ为信号波长，K＝(m-1)×d为阵列的最大孔径，d为阵元间隔，m为阵元数量。

最后，近场传输模型下的碰摩声发射源作为带识别的故障源，用于近场声源聚焦定位的碰摩声发射故障识别方法中。

(2)对定位结果进行有效性分析

在对碰摩声发射信号源定位分析中，有必要对定位的结果进行有效性分析，以实对现对碰摩故障源的准确识别。讨论算法对声源的分辨概率，类似于测向成功概率的推导过程，因此需要首先明确正确分辨的定义。这里定义：每种算法进行100次独立试验，对于单次试验，空间谱曲线在信源方向附近产生明显的谱峰，声源的真实方向θ₁、θ₂与估计出的信号源的方向以及真实距离r₁、r₂，及估计距离满足关系式(4-2)成立时，称该实验中两信号源能够正确分辨。对于平均误差，取值为两信号源能够正确分辨时，笛卡尔坐标系下定位偏差的平均值。

5.实验分析

测试时分别在转子为350r/min时，同时采集单侧导波板上两处位于(90°，40mm)和(19.46°，120mm)的碰摩声源。实验采用4阵元的均匀线阵，阵元间距为0.5倍波长，设置采样频率2MHz，快拍数10，每个快拍的采样点数为2¹¹个，对应频率分辨率为0.5kHz，方位角搜索范围为0°～160°，搜索步长为1°，距离搜索范围为0～180mm，距离步长为1mm。分别使用近场基于信号子空间变换(N-SCSM)算法利用近场修正MUSIC(N-IMUSIC)方法获得声源方位的初始估计，聚焦频率为0.5倍中频，迭代次数为一次；近场前向空间平滑(N-FSS)算法将均匀线阵划分为相互重叠的2个子阵，对应每个子阵中3个阵元。

(1)近场与远场模型定位性能结果分析

本实验验证，近场与远场模型对两个相干碰摩声发射信号源的定位性能。图9(a)为远场模型下基于双边相关变换的子空间聚焦定位结果，空间谱图中只有双声源的方位角度估计结果，其方位谱峰尖锐，对远处和近处声源的估计误差分别为3°和8°。可以看出，远场模型同时对双声源进行定位时，只能辨识信号源的方位角，结合距离得到的位置估计误差较大。图9(b)为近场模型下基于双边相关变换的子空间聚焦定位结果，空间谱图中为双声源的方位角度和距离的联合估计结果，谱峰明显，远处和近处声源的估计结果出现了不同程度的偏差，分别为(2°，5mm)和(5°，13mm)，可见近场模型同时对双声源进行定位时，较远场模型方法能准确辨别信号源的方位角的和距离；因此，在对碰摩声发射源做精确定位时，远场模型不适用。

(2)理想情况下的声源方位估计结果分析

理想情况指的是无添加噪声的情况，本实验验证，在无添加噪声的情况下，不同的定位算法对近场相干碰摩声发射信号源的定位性能，评估结果如图10所示。在该仿真实验中，分别使用N-IMUSIC算法、N-FSS算法、N-SCSM算法和N-TCSM算法，扫描空间谱峰值得到的近处单声源方位估计结果与真实位置误差均较小，表明四种近场定位算法均能够准确估计出距离参考阵元最近的单声源位置。

图10(a)和图10(b)中可以看出，在理想情况，N-TCSM算法和N-SCSM算法对相干多声源方位估计较好。双信源均形成明显谱峰，旁瓣干扰较小，具有较好的波束分辨能力，尤其改善对后达波的定位识别能力。可见，近场相干信号子空间方法(N-SCSM)利用频率聚焦能够提高对近场空间相干声源的解相干能力，从而改善相干声源位置的辨识能力。其中N-TCSM的定位精度略高于N-SCSM，是由于T-TCSM不需要计算信号位置初值，同时计算得到的聚焦频率接近最优聚焦频率。而在N-SCSM算法中当初值与真实的声源位置偏差时，聚焦频率偏离最优聚焦频率时，导致波束空间分辨能力显著下降。

图10(c)的N-IMUSIC算法和图10(d)的N-FSS算法均具有一定空间相干声源的解相干能力，近处声源形成明显谱峰，较远处信号源的空间谱被展宽，峰值不再明显，较多旁瓣波纹干扰对声源方位的分辨能力；其中，N-FSS算法通过牺牲有效阵列孔径，增加子阵数目，较N-IMUSIC算法具有更好的分辨相干声源的能力。由此得出，使用窄带波束域N-MUSIC算法进行方位估计，未充分利用频带内多个频点上的信息，对估计结果有一定影响。

(3)非理想情况下的声源方位估计结果分析

非理想情况是指添加不同程度噪声背景的情况，本实验验证，在添加不同程度噪声背景的情况下，不同的定位算法对近场相干碰摩声发射信号源的定位性能，分辨概率的测试结果由图7可以明显看出，四种定位算法中，当信噪比较高时都具有较好的估计效果；在信噪比为0dB时，N-TCSM方法的分辨概率为44％，相比近场修正MUSIC(N-IMUSIC)方法和近场前向空间平滑(N-FSS)算法提高20％和27％，相比近场基于信号子空间变换(N-SCSM)算法降低3％，可见N-TCSM方法和N-SCSM方法估计的信噪比门限较低；在信噪比为20dB时，N-TCSM方法的分辨概率分别为92％，相比N-IMUSIC方法和N-FSS方法提高17％和12％，相比N-SCSM方法降低2％，可见，N-TCSM方法和N-SCSM方法均对相干信号的分辨能力较好，优于N-FSS和N-IMUSIC算法。

平均误差的测试结果如图8所示，信噪比对四种算法的定位效果均有直接的影响，定位精度与信噪比成正比；当信噪比达到20dB左右时，N-TCSM对碰摩源1和碰摩源2位置的偏差分别为12.70mm和18.56mm，相比N-FSS方法减小5.50mm和15.48mm，N-IMUSIC方法减小6.37mm和19.99mm，N-SCSM方法增加4.85mm和1.99mm，可见N-TCSM和N-SCSM算法能够准确定位近处声源，同时远处声源的定位精度也得到大幅提升。这是由于在进行位置估计时，在观测区域中充分利用了宽带信号多个频点的信息，因此，其估计性能较好。但是，N-SCSM算法的性能是建立在准确的预估计结果之上，预估计角度和距离的精确度，以及聚焦频率直接影响声源定位估计的性能，而N-TCSM算法避免计算声源位置初值，计算得的聚焦频率接近最优聚焦频率，有效改善相干声源位置的辨识能力。

上述实施例仅是本发明的优选实施方式，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，还可以做出若干改进和等同替换，这些对本发明权利要求进行改进和等同替换后的技术方案，均落入本发明的保护范围。

Claims (6)

1.一种基于近场声源聚焦定位的碰摩声发射故障位置识别方法，其特征在于，该方法包括以下步骤：

(1)通过碰摩声发射试验装置获得声发射信号；

(2)对所述声发射信号进行模态分解并提取其特征信号，具体流程为：

根据薄板中声发射信号的模态分解方法，分别求解不同频率点f对应的群速度c_g和相速度c，基于求解结果得到频率f与AE的传播群速度c_g的关系曲线和频率f与AE的相速度c的关系曲线；

根据声发射频率f与AE的传播群速度c_g的关系曲线中零阶扩展波S₀和弯曲波A₀的模态特性确定特征信号的截止频率，进而提取出特征信号，即零阶扩展波S₀和弯曲波A₀，滤除高阶模态波干扰；

(3)对所述步骤(2)提取的特征信号进行近场聚焦变换，实现去相关处理，具体流程为：

利用傅里叶变换对特征信号进行窄带分解，得到J个离散频率点的信号向量P(f_j)，j＝1，2，...，J，其中j为离散频率点序号，J为离散频率点总数；同时根据聚焦误差最小的条件寻找最优参考频率f₀，其中f₀为聚焦频率，f₀∈f_j；

利用矩阵正交分解方法，分别正交分解J个离散频率点的信号向量P(f_j)，得到各列相互正交的m×p的矩阵和其中m为传感器的数量，p为所求声发射源的数量；

求解得到聚焦矩阵，然后通过聚焦变换，将信号能量从每个离散频率点聚焦变换到聚焦频率点上，得到每个聚焦后的信号能量，最后对所有聚焦后的信号能量求和，得到近场聚焦变换后的信号总能量；

(4)对所述步骤(3)中近场聚焦变换后的信号总能量进行空间谱估计，计算得到声发射源位置。

2.根据权利要求1所述的一种基于近场声源聚焦定位的碰摩声发射故障位置识别方法中，其特征在于，所述步骤(3)中，采用快速傅里叶变换对特征信号进行窄带分解，即将快速傅里叶变换得到的每个离散频率点的信号向量作为分解后的窄带信号。

3.根据权利要求1所述的基于近场声源聚焦定位的碰摩声发射故障位置识别方法中，其特征在于，所述步骤(3)中的聚焦矩阵，采用双边相关变换，求解聚焦频率f₀得到。

4.根据权利要求1、2或3所述的基于近场声源聚焦定位的碰摩声发射故障位置识别方法中，其特征在于，所述步骤(1)中，碰摩声发射试验装置中接收声发射信号的传感器布置方式为均匀线阵。

5.根据权利要求1、2或3所述的基于近场声源聚焦定位的碰摩声发射故障位置识别方法中，其特征在于，所述步骤(4)中，采用多重信号分类算法进行空间谱估计，具体流程为：

根据协方差计算公式，计算得到聚焦后的信号总能量的数据协方差矩阵R(f₀)，对所述协方差矩阵R(f₀)进行特征值分解，将其特征值按降序排列，对应的阵列特征向量空间分别为信号子空间和噪声子空间，根据噪声特征矢量和信号矢量正交关系，得到阵列空间谱估计，即声发射源的幅度峰值对应的方位角和距离联合估计，该结果就是碰摩声发射故障位置。

6.根据权利要求1、2或3所述的基于近场声源聚焦定位的碰摩声发射故障位置识别方法中，其特征在于，所述步骤(4)中，采用波束形成的方式进行空间谱估计。