CN109855874B - 一种声音辅助振动微弱信号增强检测的随机共振滤波器 - Google Patents
一种声音辅助振动微弱信号增强检测的随机共振滤波器 Download PDFInfo
- Publication number
- CN109855874B CN109855874B CN201811521768.8A CN201811521768A CN109855874B CN 109855874 B CN109855874 B CN 109855874B CN 201811521768 A CN201811521768 A CN 201811521768A CN 109855874 B CN109855874 B CN 109855874B
- Authority
- CN
- China
- Prior art keywords
- signal
- vibration
- sound
- signals
- bearing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种声音辅助振动微弱信号增强检测的随机共振滤波器,实施步骤包括:(1)采集轴承振动和声音信号并进行归一化,通过共振解调得到振动和声音包络信号;(2)建立与振动信号长度相等的滑动窗,沿声音包络信号时间轴进行滑动,构造振动和声音包络信号的融合信号;(3)构造评价指标,移动滑动窗并不断计算指标值,当指标值最大时获得最优融合信号;(4)将最优融合信号输入随机共振滤波器,调整参数得到最优输出并计算频谱,从频谱中诊断轴承故障。本发明提供了一种新的多传感器信息融合方法,能够在振动信号低信噪比的情况下利用声音的能量对振动微弱信号增强,实现轴承微弱故障特征频率在强背景噪声下的增强,提高轴承故障诊断准确率。
Description
技术领域
本发明涉及振动微弱信号增强检测技术领域,具体涉及一种声音辅助振动微弱信号增强检测的随机共振滤波器。
背景技术
轴承的状态监测和故障诊断是保障机械关键设备安全运行和减少停机损失的重要途径。基于振动信号分析的轴承故障诊断方法具有准确度高,易于操作,能够连续监测等优点而被广泛应用。轴承的故障诊断通常包含三个连续的步骤:信号采集和预处理,特征提取,故障模式识别。由于传感器采集的振动信号通常包含较强的背景噪声,因此信号的滤波和增强对于保证故障诊断的精度具有重要的意义。
随机共振是一种能够利用噪声增强微弱周期信号的非线性滤波器。通过调整合适的***参数,噪声和微弱周期信号能够实现最优匹配,从而实现微弱信号的增强检测。由于随机共振滤波器独特的优点,其被应用于轴承振动微弱信号的增强检测和故障诊断中。振动信号通过安装在轴承座上的加速度传感器采集,其噪声强度和分布在信号采集完成之后是确定的,因此只能通过调整合适的随机共振滤波器模型和势阱参数去实现最优的信号增强。但是,如果噪声的强度远高于随机共振***的触发阈值,则无论如何调整***参数都难以实现有效的微弱信号增强。
由此可知,如果采用随机共振滤波器对单通道的振动信号进行处理,则振动微弱信号的增强效果和故障诊断的精确度有限,为解决此问题,研究基于多通道信号的随机共振滤波器以提高振动微弱信号的检测效果值得进一步的探讨。
发明内容
本发明的目的在于提供一种声音辅助振动微弱信号增强检测的随机共振滤波器,并将其用于轴承故障诊断。通过采用振动和声音双通道信号信息融合技术,提高振动微弱信号增强检测的效果和轴承故障诊断的精度。
本发明技术解决方案:一种声音辅助振动微弱信号增强检测的随机共振滤波器,该滤波器的实现步骤如下:
步骤1、分别采用加速度计和麦克风传感器采集轴承的振动和声音信号,将振动和声音信号进行归一化预处理,归一化之后的离散振动和声音信号分别表示为Yv[i],i=1,2,...,Mv和Ys[j],j=1,2,...,Ms,Mv和Ms分别为振动和声音信号的采样点数,随后通过共振解调技术得到振动包络信号EYv[i],i=1,2,...,Mv,以及声音包络信号EYs[j],j=1,2,...,Ms;
步骤2、建立与振动信号长度相等的滑动窗Wk[i],i=1,2,...,Mv,Wk[i]沿声音包络信号EYs[j]的时间轴进行滑动,即Wk[i]=EYs[k+i-1],i=1,2,...,Mv,k=1,2,…,Ms-Mv+1,随后构造一个振动和声音包络信号的融合信号Fk[i]=Wk[i]+EYv[i],i=1,2,...,Mv;
步骤3、为了获得最优的融合信号Fk[i]opt,构造一个评价指标RPk,移动滑动窗并不断计算RPk,当RPk的值最大时,则获得最优的融合信号,RPk的计算公式为:
RPk=RMS(Fk[i])×PSNR(Fk[i],EYv[i]),i=1,2,...,Mv,
式中RMS为融合信号Fk[i]的均方根值,由下式计算:
PSNR为融合信号Fk[i]与原振动包络信号EYv[i]的峰值信噪比,由下式计算:
其中Fk[i]max为融合信号Fk[i]的最大幅值;
步骤4、初始化随机共振滤波器参数,将最优的融合信号Fk[i]opt输入随机共振滤波器,调整滤波器的参数得到最优输出x[i]opt,随后计算x[i]opt的频谱,从频谱中诊断轴承是否有故障。
本发明的优点和积极效果为:
(1)本发明所提供的声音辅助振动微弱信号增强检测的随机共振滤波器利用声音信号增强振动微弱信号,提供了一种新的多传感器信息融合的方法。
(2)本发明所提供的声音辅助振动微弱信号增强检测的随机共振滤波器能够在振动信号低信噪比的情况下利用声音的能量对振动信号进行有效增强。
(3)本发明所提供的声音辅助振动微弱信号增强检测的随机共振滤波器用于轴承故障诊断,能够实现轴承振动微弱故障特征频率在强背景噪声下的增强,提高轴承故障诊断准确率。
附图说明
图1为本发明滤波器的实现流程图;
图2为轴承外圈故障振动信号及频谱;
图3为轴承外圈故障振动包络信号及频谱;
图4为滑动窗移动时计算得到的融合信号的RPk指标值趋势与信噪比(SNR)趋势对比图;
图5为利用本发明随机共振滤波器通过声音增强轴承外圈故障振动微弱信号的最优输出及频谱;
图6为轴承内圈故障振动信号及频谱;
图7为轴承内圈故障振动包络信号及频谱;
图8为利用本发明随机共振滤波器通过声音增强轴承内圈故障振动微弱信号的最优输出及频谱。
具体实施方式
下面结合附图及具体实施方式对本发明进行进一步说明。
实施例一:
根据本发明附图1所示的实现流程图,滤波器的实施步骤如下:
步骤1、分别采用加速度计和麦克风传感器采集轴承的振动和声音信号,将振动和声音信号进行归一化预处理,归一化之后的离散振动和声音信号分别表示为Yv[i],i=1,2,...,Mv和Ys[j],j=1,2,...,Ms,Mv和Ms分别为振动和声音信号的采样点数,随后通过共振解调技术得到振动包络信号EYv[i],i=1,2,...,Mv,以及声音包络信号EYs[j],j=1,2,...,Ms;
步骤2、建立与振动信号长度相等的滑动窗Wk[i],i=1,2,...,Mv,Wk[i]沿声音包络信号EYs[j]的时间轴进行滑动,即Wk[i]=EYs[k+i-1],i=1,2,...,Mv,k=1,2,…,Ms-Mv+1,随后构造一个振动和声音包络信号的融合信号Fk[i]=Wk[i]+EYv[i],i=1,2,...,Mv;
步骤3、为了获得最优的融合信号Fk[i]opt,构造一个评价指标RPk,移动滑动窗并不断计算RPk,当RPk的值最大时,则获得最优的融合信号,RPk的计算公式为:
RPk=RMS(Fk[i])×PSNR(Fk[i],EYv[i]),i=1,2,...,Mv,
式中RMS为融合信号Fk[i]的均方根值,由下式计算:
PSNR为融合信号Fk[i]与原振动包络信号EYv[i]的峰值信噪比,由下式计算:
其中Fk[i]max为融合信号Fk[i]的最大幅值;
步骤4、初始化随机共振滤波器参数,将最优的融合信号Fk[i]opt输入随机共振滤波器,调整滤波器的参数得到最优输出x[i]opt,随后计算x[i]opt的频谱,从频谱中诊断轴承是否有故障。
实施例二:
为了验证本发明提出的滤波器的有效性,对轴承故障信号进行分析。实验轴承型号为6205轴承,轴承的振动与声音信号分别由安装在轴承座上的加速度传感器和麦克风传感器进行采集,采样频率设置为20kHz,轴承转速为1300rpm。根据轴承的参数和转速可以算出当轴承发生外圈故障时其故障特征频率fBPFO为78.1Hz,当轴承发生内圈故障时其故障特征频率fBPFI为117.2Hz。首先对轴承外圈故障振动信号进行分析,轴承振动信号及其频谱如附图2所示,从波形图中可见轴承振动信号特征不明显,从频谱图中也难以看出和故障有关的频率成分。对振动信号进行共振解调分析,得到的包络信号和包络谱如图3所示,从包络谱中可以看到78.1Hz的故障频率,如图中箭头所指出。但是fBPFO周围的噪声很明显,影响对轴承故障的准确判断。
根据本发明滤波器的实施步骤2,建立一个与振动信号长度相等的滑动窗并沿声音包络信号的时间轴进行滑动,随后构造一个振动和声音包络信号的融合信号。根据本发明滤波器的实施步骤3,构造一个评价指标RPk,移动滑动窗并不断计算RPk,结果如图4上所示。当t=0.375秒时,RPk达到最大值,则此刻的融合信号为最优融合信号。为了进一步验证RPk指标的有效性,将该指标与信噪比(SNR)指标进行对比,SNR由下式计算:
式中P[j]为融合后信号的功率谱,FCF为故障特征频率,Δf为频率分辨率,NFFT为快速傅里叶变换的数据长度。信噪比随着滑动窗移动的趋势如图4下所示。对比图4上下可见,本发明构造的RPk指标与SNR指标具有类似的变化趋势,值得注意的是,SNR的计算需要知道精确的轴承故障频率(FCF)信息,而本发明构造的RPk指标完全是自适应的。因此通过RPk指标可以在故障频率未知的情况下构造出最优的声音和振动融合信号。
随后,根据本发明滤波器实现步骤4,将最优的融合信号输入随机共振***,调整***参数得到最优的滤波信号输出及频谱如图5所示。从频谱中可见,故障特征频率fBPFO=78.1Hz十分突出,其他噪声分量跟fBPFO相比能量很低,因而能够准确地判断出轴承存在外圈故障,以上实施例验证了本发明的随机共振滤波器的效果。
实施例三:
为进一步验证本发明滤波器的有效性,对轴承内圈故障信号进行处理。内圈故障振动信号的波形和频谱如图6所示,从波形和频谱中都可以发现信号的噪声干扰很大,无法从信号中得到有用的信息来诊断轴承故障。对振动信号进行包络解调,其包络信号和包络谱如图7所示,从频谱中可以发现故障特征频率fBPFI=117.2Hz几乎被淹没在了背景噪声中。采用本发明的随机共振滤波器对包络信号进行处理,在轴承的声音信号的辅助下,振动微弱信号得到增强,结果如图8所示。
实施例四:
为了验证本发明的声音辅助振动微弱信号增强检测滤波器的优越性,将本发明的滤波器和传统的只处理振动信号的随机共振滤波器进行对比试验。试验共进行200组,其中外圈和内圈故障信号各测试100组。若经过随机共振滤波器处理后信号的信噪比得到提升,则认为该组试验成功,反之,若滤波后信号信噪比不变或者降低,则认为该组试验失败。试验的结果如表1所示,可见,本发明的滤波器的试验成功次数明显高于传统的随机共振滤波器的成功次数。该结果表明通过合适的声音信号辅助,振动微弱信号在随机共振滤波器框架下能得到更好地增强,从而提高了轴承故障诊断的准确性。
表1定量分析对比试验结果
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管为说明目的公开了本发明的实施例和附图,但是本领域的技术人员可以理解:在不脱离本发明及所附的权利要求的精神和范围内,各种替换、变化和修改都是可能的。因此,本发明不应局限于本发明实施例和附图所公开的内容。
Claims (1)
1.一种声音辅助振动微弱信号增强检测的随机共振滤波器,其特征在于:该滤波器的实施步骤包括:
步骤1、分别采用加速度计和麦克风传感器采集轴承的振动和声音信号,将振动和声音信号进行归一化预处理,归一化之后的离散振动和声音信号分别表示为Yv[i],i=1,2,...,Mv和Ys[j],j=1,2,...,Ms,Mv和Ms分别为振动和声音信号的采样点数,随后通过共振解调技术得到振动包络信号EYv[i],i=1,2,...,Mv,以及声音包络信号EYs[j],j=1,2,...,Ms;
步骤2、建立与振动信号长度相等的滑动窗Wk[i],i=1,2,...,Mv,Wk[i]沿声音包络信号EYs[j]的时间轴进行滑动,即Wk[i]=EYs[k+i-1],i=1,2,...,Mv,k=1,2,…,Ms-Mv+1,随后构造一个振动和声音包络信号的融合信号Fk[i]=Wk[i]+EYv[i],i=1,2,...,Mv;
步骤3、为了获得最优的融合信号Fk[i]opt,构造一个评价指标RPk,移动滑动窗并不断计算RPk,当RPk的值最大时,则获得最优的融合信号;所述的评价指标RPk的计算公式为:
RPk=RMS(Fk[i])×PSNR(Fk[i],EYv[i]),i=1,2,...,Mv,
式中RMS为融合信号Fk[i]的均方根值,由下式计算:
PSNR为融合信号Fk[i]与原振动包络信号EYv[i]的峰值信噪比,由下式计算:
其中Fk[i]max为融合信号Fk[i]的最大幅值;
步骤4、初始化随机共振滤波器参数,将最优的融合信号Fk[i]opt输入随机共振滤波器,调整滤波器的参数得到最优输出x[i]opt,随后计算x[i]opt的频谱,从频谱中诊断轴承是否有故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811521768.8A CN109855874B (zh) | 2018-12-13 | 2018-12-13 | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811521768.8A CN109855874B (zh) | 2018-12-13 | 2018-12-13 | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109855874A CN109855874A (zh) | 2019-06-07 |
CN109855874B true CN109855874B (zh) | 2020-07-28 |
Family
ID=66891089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811521768.8A Active CN109855874B (zh) | 2018-12-13 | 2018-12-13 | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109855874B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110375983B (zh) * | 2019-07-30 | 2021-05-25 | 中国石油化工股份有限公司 | 基于时间序列分析的阀门故障实时诊断***及诊断方法 |
CN111678698B (zh) * | 2020-06-17 | 2022-03-04 | 沈阳建筑大学 | 一种基于声振信号融合的滚动轴承故障检测方法 |
CN112781709A (zh) * | 2020-12-24 | 2021-05-11 | 上海核工程研究设计院有限公司 | 变速工况下设备振动信号早期故障分析和特征提取方法 |
CN113375930B (zh) * | 2021-06-11 | 2022-05-24 | 宁波大学 | 左右势阱粒子跃迁速率差异诱发共振增强机械瞬态特征提取方法 |
CN114674420A (zh) * | 2022-05-12 | 2022-06-28 | 宁波东力传动设备有限公司 | 一种齿轮箱振动的辨识方法 |
CN115236656B (zh) * | 2022-09-22 | 2022-12-06 | 中国电子科技集团公司第十研究所 | 用于飞机避障的多源传感器目标关联方法、设备及介质 |
CN116304848B (zh) * | 2023-05-26 | 2023-08-22 | 广东石油化工学院 | 一种滚动轴承故障诊断***及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044072A (zh) * | 2010-11-29 | 2011-05-04 | 北京航空航天大学 | 基于统计模型的sar图像融合处理方法 |
CN107036817A (zh) * | 2017-04-05 | 2017-08-11 | 哈尔滨理工大学 | 基于磷虾群算法的svr滚动轴承性能衰退预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102308190A (zh) * | 2008-12-22 | 2012-01-04 | S.P.M.仪器公司 | 分析具有旋转部件的机器的状态的方法和*** |
CN105303181A (zh) * | 2015-11-04 | 2016-02-03 | 燕山大学 | 一种基于滑动窗的随机共振微弱冲击特征增强提取方法 |
CN106441889B (zh) * | 2016-09-14 | 2018-09-21 | 安徽大学 | 一种基于自适应随机共振滤波器的微弱信号检测方法 |
CN106525426B (zh) * | 2016-12-06 | 2018-02-09 | 安徽大学 | 一种基于互补随机共振滤波器的微弱信号增强检测方法 |
CN107084854B (zh) * | 2017-04-17 | 2019-02-05 | 四川大学 | 基于灰狼优化算法的自适应随机共振早期故障诊断方法 |
CN107340055B (zh) * | 2017-06-29 | 2019-06-21 | 西北工业大学 | 一种基于多测度融合的随机共振微弱信号检测方法 |
-
2018
- 2018-12-13 CN CN201811521768.8A patent/CN109855874B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044072A (zh) * | 2010-11-29 | 2011-05-04 | 北京航空航天大学 | 基于统计模型的sar图像融合处理方法 |
CN107036817A (zh) * | 2017-04-05 | 2017-08-11 | 哈尔滨理工大学 | 基于磷虾群算法的svr滚动轴承性能衰退预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109855874A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109855874B (zh) | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 | |
CN112101174A (zh) | 一种基于LOF-Kurtogram的机械故障诊断方法 | |
He et al. | A joint adaptive wavelet filter and morphological signal processing method for weak mechanical impulse extraction | |
CN110987434A (zh) | 一种基于去噪技术的滚动轴承早期故障诊断方法 | |
CN109932179A (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
Liao et al. | An automatic filtering method based on an improved genetic algorithm—with application to rolling bearing fault signal extraction | |
CN110617982A (zh) | 一种基于声纹信号的旋转机械设备故障识别方法 | |
CN107478729B (zh) | 流体机械叶片多裂纹的声发射检测方法 | |
CN108398260B (zh) | 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法 | |
CN114486263B (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
CN109934136B (zh) | 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法 | |
Tang et al. | Bearing fault diagnosis based on the maximum squared-enveloped multipoint kurtosis morphological deconvolution | |
CN114739671A (zh) | 一种基于改进广义s变换的轴承故障诊断方法 | |
CN112345247B (zh) | 一种滚动轴承的故障诊断方法及装置 | |
Hua et al. | Matching linear Chirplet strategy-based synchroextracting transform and its application to rotating machinery fault diagnosis | |
CN112033656A (zh) | 一种基于宽带谱处理的机械***故障检测方法 | |
Tang et al. | An acoustic emission event filtering method for low-speed bearing outer race defect localization | |
CN114486252B (zh) | 一种矢量模极大值包络的滚动轴承故障诊断方法 | |
Zhuang et al. | Rolling bearing fault diagnosis by aperiodic stochastic resonance under variable speed conditions | |
Zhu et al. | Extraction of periodic signal without external reference by time-domain average scanning | |
CN114923689A (zh) | 一种基于局部特征尺度分解的滚动轴承故障诊断方法 | |
CN115326396A (zh) | 一种轴承故障的诊断方法及装置 | |
Liu et al. | A novel method for the optimal frequency band selection of rolling element bearing faults diagnosis based on frequency domain multipoint kurtogram | |
CN111623986A (zh) | 基于同步压缩变换与时频匹配的信号特征提取方法及*** | |
CN113567123B (zh) | 旋转机械冲击类故障自动诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |