一种声学差动智能轴承变尺度自适应去噪方法及声学智能轴承与流程

1.本发明涉及机械部件监测和故障诊断技术领域，具体涉及一种声学差动智能轴承变尺度自适应去噪方法及声学智能轴承。


背景技术：

2.轴承是旋转器械的关键部分，支撑其重量和高速旋转。由于长期处于重载、交变应力、复杂环境的恶劣工况下，轴承结构极易产生变形和损耗，进而导致设备失效停车，甚至引发经济损失和人员伤亡。因而，对轴承的健康状态进行监测及诊断对维护设备正常运行有重大意义，具有极大的经济效益和社会效益。当前设备智能化是实现工业现代化的重要途径，引起了各个国家的高度重视，具有自感知、自决策及自调控功能的轴承单元——智能轴承逐步成为研究热点。
3.现阶段智能轴承多采用集成转速、温度及振动传感器的方法感知轴承运行状态，忽略了声音这一信息源的利用。事实上，声信号包含着丰富的轴承状态信息，且相对于温度和振动信号有着早期预警和灵敏度高的独到优势，在列车轨边声学检测中得到了广泛应用。然而，由于轨边系统中轮轨结构复杂以及背景噪声等因素的干扰，麦克风采集到的声信号中噪声往往在全频带内表现为多尺度特征。除此之外，声源混叠、信号畸变、信噪比低等诸多难题，进一步限制了轨边系统的实际应用。
4.面向智能轴承状态信息智能化诊断及实时处理需求，通过对轴承状态信号自适应处理实现轴承状态自诊断、自学习是轴承智能化的一个重要需求。其中最小均方(lms)算法是一种常用的自适应滤波技术，其原理通过利用期望信号同参考信号的误差最小化，实现期望信号中关键数据的挖掘与自学习，实现复杂噪声下微弱信号的增强。自适应滤波可以利用前一时刻已得的滤波器参数的结果，自动调节当前时刻的滤波参数，以适应信号和噪声未知的或随时间变化的统计特性，从而实现最优滤波。但是，当面临非平稳、多尺度噪声和低信噪比时，lms算法并不能完全滤除。
5.特别地，变分模态分解(vmd)能自适应地感知和挖掘信号中的敏感模态，将宽带噪声分解至多个模态尺度之内，降低噪声的非平稳性。但是，vmd严重依靠预定义参数，参数给定不合理将导致关键故障信息的丢失与冗余噪声的引入，不利于微弱故障的精确感知与智能诊断。


技术实现要素：

6.为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种声学差动智能轴承变尺度自适应去噪方法及声学智能轴承。
7.为了实现本发明的上述目的，本发明提供了一种声学差动智能轴承变尺度自适应去噪方法，于轴承外圈端面采集期望声音信号x1(n)，于轴箱盖上采集参考声音信号x2(n)；
8.对期望声音信号x1(n)进行自适应变分模态分解，确定最优分解层数k
opt
和带宽惩
罚系数α
opt
；
9.根据得到的最优分解层数k
opt
与带宽惩罚系数α
opt
计算最优模态中心频率并以此设计维纳滤波器组，采用维纳滤波器组对期望声音信号x1(n)和参考声音信号x2(n)进行分解得到多个分解子信号对；
10.利用参考声音信号x2(n)的子信号滤除期望声音信号x1(n)子信号的带内噪声，输出所有去噪模态为最终的模态，将所有去噪模态求和得到重构的降噪信号。
11.该方法适应性强，能有效去除采集的轴承的声音信号中的噪声，特别适用于提高列车轴承轨边声学信号的信噪比。
12.本方法的优选方案：对期望声音信号x1(n)进行自适应变分模态分解的步骤为：
13.初始化vmd分解参数，包括噪声松弛设置tau、分解直流分量设置dc、模态中心频率初始化方式init和收敛准则tol，设置分解层数向量k＝[k1,k2,
…
,k
p
]∈r
p
(p表示分解层数向量k的维数)，带宽惩罚系数向量α＝[α1,α2,
…
,α
q
]∈r
q
(q表示带宽惩罚系数α的维数)，初始化峭度矩阵q＝zeros(p,q)∈r
p
×
q
；
[0014]
选取参数组合(k
i
,α
j
)(1≤i≤p,1≤j≤q)，对期望声音信号x1(n)进行vmd分解得到各模态{u
k
}的频域表达{u
k
(ω)}和对应中心频率{ω
k
}：
[0015]
[{u
k
(ω)},{ω
k
}]＝vmd(x1,k
i
,α
j
,tau,dc,init,tol)
ꢀꢀ
(9)，式中，x1是期望声音信号，{u
k
(ω)}＝{u1(ω),u2(ω),
…
,u
ki
(ω)}是vmd对x1进行分解输出的各模态的频域表达，{ω
k
}＝{ω1,ω2,
…
,ω
ki
}是各模态的中心频率；
[0016]
对{u
k
(ω)}进行傅里叶逆变换，得到各模态的时域表达{u
k
(n)}，在时域内将u
k
(n)相加，重构基于vmd分解的去噪信号
[0017][0018]
其中，ifft(
·
)表示傅里叶逆变换；
[0019]
计算重构信号的峭度并将其写入峭度矩阵；
[0020][0021]
式中，n是数据重构信号的长度；
[0022]
遍历分解参数与带宽惩罚参数的所有组合情况(k
i
，α
j
)(1≤i≤p,1≤j≤q)，计算分解参数与带宽惩罚参数的所有组合情况下的重构信号的峭度，得到峭度矩阵q；
[0023]
搜寻峭度矩阵q中元素最大值，将搜寻峭度矩阵q中元素最大值对应的分解参数(k
opt
,α
opt
)作为最优分解层数和带宽惩罚参数。
[0024]
本方法的优选方案：最优模态中心频率{ω
opt
}的计算步骤为：
[0025]
以最优分解层数k
opt
和带宽惩罚参数α
opt
作为分解参数计算期望声音信号x1(n)的最优模态中心频率{ω
opt
}；
[0026]
[{u
opt
(ω)},{ω
opt
}]＝vmd(x1,k
opt
,α
opt
,tau,dc,init,tol)
ꢀꢀ
(12)，式中x1是期望声音信号，{u
opt
(ω)}＝{u1(ω),u2(ω),
…
,u
kopt
(ω)}为根据最优
分解层数k
opt
和带宽惩罚参数α
opt
确定的最优模态模态的频域表达，{ω
opt
}＝{ω1,ω2,
…
,ω
i
,
…
,ω
kopt
}为最优模态对应中心频率。
[0027]
维纳滤波器组的设计步骤为：
[0028]
以最优模态中心频率{ω
opt
}与带宽惩罚系数α
opt
构造维纳滤波器组{w
i
}＝{w1,w2,
…
,w
i
,
…
,w
kopt
}，其中维纳滤波器w
i
为带通滤波器，其核函数定义为ω是归一化频率。
[0029]
用维纳滤波器组{w
i
}对期望声音信号x1(n)、参考声音信号x2(n)进行维纳滤波，分别得到带噪故障信号的分解子信号{x
1(i)
}、{x
2(i)
}；
[0030][0031]
再对分解子信号对(x
1(i)
、x
2(i)
)(1≤i≤k
opt
)进行lms滤波去除带内噪声，输出最终的模态imf。
[0032]
本方法的优选方案：除分解子信号对的带内噪声的步骤为：
[0033]
设置iir滤波器的长度为m，当前迭代步数k＝m，初始化滤波器系数为w
i
(k)、步长参数μ、迭代步数iter；
[0034]
按式(7)和(8)迭代更新参数滤波器系数w
k
(k)和误差信号e(k)，直到k＝iter，完成迭代，得到最优的滤波器系数w
i*
；
[0035]
e(k)＝x
1(i)
(k)
‑
w
kt
(k)u(k)
ꢀꢀꢀꢀꢀ
(14)，
[0036]
w
i
(k 1)＝w
i
(k) 2μu(k)e(k)
ꢀꢀꢀꢀꢀ
(15)，
[0037]
式中，t表示转置操作，w
i
(k)是第i个iir滤波器在当前迭代的滤波系数，x
1(i)
(k)是期望声音信号的第i个子信号在当前迭代的输入，u(k)＝[x
2(i)
(k),x
2(i)
(k
‑
1),
…
,x
2(i)
(k
‑
m 1)]
t
为参考声音信号的第i个子信号在当前迭代的滤波器输入，e(k)为当前迭代计算的瞬时误差，μ为迭代步长；
[0038]
最终计算分解子信号x
1(i)
与滤波器输出的误差，即为去噪后的模态imf
i
；
[0039][0040]
本发明还提出了一种声学智能轴承，包括轴承本体，所述轴承本体定位于一轴箱体内的轴上，所述轴承本体外表面上设置有声孔一侧面向轴承的第一声音采集模块，所述轴箱体外表面上设置有第二声音采集模块，所述第一声音采集模块和第二声音采集模块输出端均连接至一控制模块的信号输入端，所述控制模块按上述的声学差动智能轴承变尺度自适应去噪方法分析智能轴承的声音信号。
[0041]
本发明的有益效果是：本发明基于vmd遍历分解设计维纳滤波器组，实现期望信号的变尺度感知，由于维纳滤波器的带宽是紧致的，噪声在宽带的非平稳性得到有效抑制，因此可保证较为理想的lms自适应去噪效果。与现有的轨边系统麦克风阵列技术与降噪技术相比，本发明使用的麦克风数量更少，同时可消除带内噪声，方法适应性强，能够有效提高列车轴承轨边声学信号的信噪比。
[0042]
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0043]
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0044]
图1是本方法的声音去噪流程示意图；
[0045]
图2是声学智能轴承的结构示意图。
具体实施方式
[0046]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0047]
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0048]
本发明提供了一种声学差动智能轴承变尺度自适应去噪方法的实施例，通过在轴承本体结构上布置具有物理感知差异的一组微型声学麦克风传感器，构建一种以声学差动特性驱动的智能轴承，考虑声学信号在智能轴承传播特点，形成主麦克风感知信号与次麦克风感知信号组，进一步综合变分模态分解与自适应滤波特性来实现对智能轴承声音信号的去噪，应用于轴承早期微弱信号故障诊断及状态智能监控。
[0049]
本实施例中，声学差动智能轴承结构使用两个微型麦克风采集轴承声信号，其中一个嵌入轴承外圈端面，声孔一侧面向轴承，记为主麦克风，另一个则放置在轴箱盖上，声孔一侧面向轴箱，记为次麦克风。主麦克风采集信号的中间传输界面最少，能最大程度接近故障源，接收到的信号x1(n)可靠程度较高，称之为期望声音信号。相较而言，放置于轴箱上的次麦克风采集信号经过多层介质传输，距离故障源较远信号强度较小，采集到的信号x2(n)主要是整个轴箱系统的噪声，称之为参考声音信号。相较于放置于轨边的声采集系统，集成于轴承本体的麦克风受噪声和多普勒畸变的影响较小，信号处理的复杂程度也随之降低。利用两信号之间的空间差异性，结合变尺度自适应去噪方法，来快速完成轴承检测和诊断。
[0050]
具体地，本发明提供的声学差动智能轴承变尺度自适应去噪方法具体为：
[0051]
于轴承外圈端面采集期望声音信号x1(n)，于轴箱盖上采集参考声音信号x2(n)。具体实施时，如图2所示，可在轴承本体外表面上设置有声孔一侧面向轴承的第一声音采集模块来采集期望声音信号x1(n)，在轴箱体外表面上设置有第二声音采集模块来采集参考声音信号x2(n)。
[0052]
如图1所示，对期望声音信号x1(n)进行自适应变分模态分解，确定最优分解层数k
opt
和带宽惩罚系数α
opt
。
[0053]
具体地，对期望声音信号x1(n)进行自适应变分模态分解的步骤为：
[0054]
初始化vmd分解参数，包括噪声松弛设置tau、分解直流分量设置dc、模态中心频率初始化方式init和收敛准则tol，设置分解层数向量k＝[k1,k2,
…
,k
p
]∈r
p
，p表示分解层数向量k的维数，带宽惩罚系数向量α＝[α1,α2,
…
,α
q
]∈r
q
，q表示带宽惩罚系数α的维数，初始
化峭度矩阵q＝zeros(p,q)∈r
p
×
q
。
[0055]
选取参数组合(k
i
,α
j
)(1≤i≤p,1≤j≤q)，对期望声音信号x1(n)进行vmd分解得到各模态{u
k
}的频域表达{u
k
(ω)}和对应中心频率{ω
k
}：
[0056]
[{u
k
(ω)},{ω
k
}]＝vmd(x1,k
i
,α
j
,tau,dc,init,tol)
ꢀꢀ
(17)，式中，x1是期望声音信号，{u
k
(ω)}＝{u1(ω),u2(ω),
…
,u
ki
(ω)}是vmd对x1进行分解输出的各模态的频域表达，{ω
k
}＝{ω1,ω2,
…
,ω
ki
}是各模态的中心频率；
[0057]
对{u
k
(ω)}进行傅里叶逆变换，得到各模态的时域表达{u
k
(n)}，在时域内将u
k
(n)相加，重构基于vmd分解的去噪信号
[0058][0059]
其中，ifft(
·
)表示傅里叶逆变换。
[0060]
计算重构信号的峭度并将其写入峭度矩阵；
[0061][0062]
式中，n是数据重构信号的长度；
[0063]
遍历分解参数与带宽惩罚参数的所有组合情况(k
i
，α
j
)(1≤i≤p,1≤j≤q)，计算分解参数与带宽惩罚参数的所有组合情况下的重构信号的峭度，得到峭度矩阵q。
[0064]
搜寻峭度矩阵q中元素最大值，将搜寻峭度矩阵q中元素最大值对应的分解参数(k
opt
,α
opt
)作为最优分解层数和带宽惩罚参数。
[0065]
得到最优分解层数k
opt
和带宽惩罚参数α
opt
后，根据得到的最优分解层数k
opt
与带宽惩罚系数α
opt
计算最优模态中心频率{ω
opt
}并以此设计维纳滤波器组，采用维纳滤波器组对期望声音信号x1(n)和参考声音信号x2(n)进行分解得到多个分解子信号对。
[0066]
具体地，最优模态中心频率{ω
opt
}的计算步骤为：
[0067]
以最优分解层数k
opt
和带宽惩罚参数α
opt
作为分解参数计算期望声音信号x1(n)的最优模态中心频率{ω
opt
}；
[0068]
[{u
opt
(ω)},{ω
opt
}]＝vmd(x1,k
opt
,α
opt
,tau,dc,init,tol)
ꢀꢀ
(20)，式中x1是期望声音信号，{u
opt
(ω)}＝{u1(ω),u2(ω),
…
,u
kopt
(ω)}为根据最优分解层数k
opt
和带宽惩罚参数α
opt
确定的最优模态模态的频域表达，{ω
opt
}＝{ω1,ω2,
…
,ω
i
,
…
,ω
kopt
}为最优模态对应中心频率。
[0069]
这里对期望声音信号x1(n)进行最优的vmd分解，而之前的遍历分解只是为了搜寻最优的分解层数k
opt
与带宽惩罚系数α
opt
，即是实现对期望信号的变尺度感知，提取最优的尺度范围，及此处的最优模态中心频率{ω
opt
}和α
opt
。根据边尺度感知得到的最优尺度范围，便可设计维纳滤波器组对期望声音信号x1(n)和参考声音信号x2(n)进行维纳滤波分解。
[0070]
维纳滤波器组的设计步骤为：
[0071]
以最优模态中心频率{ω
opt
}与带宽惩罚系数α
opt
构造维纳滤波器组{w
i
}＝{w1,w2,
…
,w
i
,
…
,w
kopt
}，其中维纳滤波器w
i
为带通滤波器，其核函数定义为
ω是归一化频率。
[0072]
vmd输出的最优模态对应中心频率{ω
opt
}＝{ω1,ω2,
…
,ω
i
,
…
,ω
kopt
}也是归一化后的输出。具体归一化算法此处可查阅提出vmd算法的论文。
[0073]
采用该维纳滤波器组{w
i
}对期望声音信号x1(n)、参考声音信号x2(n)进行维纳滤波，分别得到带噪故障信号的分解子信号{x
1(i)
}、{x
2(i)
}；
[0074][0075]
然后利用参考声音信号x2(n)的子信号滤除期望声音信号x1(n)子信号的带内噪声，输出所有去噪模态为最终的模态，将所有去噪模态求和得到重构的降噪信号。
[0076]
本实施例中，对分解子信号对(x
1(i)
、x
2(i)
)(1≤i≤k
opt
)进行lms滤波去除带内噪声，然后输出最终的模态imf。
[0077]
去除分解子信号对的带内噪声的步骤为：
[0078]
设置iir滤波器的长度为m，当前迭代步数k＝m，初始化滤波器系数为w
i
(k)、步长参数μ、迭代步数iter；
[0079]
按式(7)和(8)迭代更新参数滤波器系数w
k
(k)和误差信号e(k)，直到k＝iter，完成迭代，得到最优的滤波器系数w
i*
；
[0080]
e(k)＝x
1(i)
(k)
‑
w
kt
(k)u(k)
ꢀꢀꢀꢀꢀ
(22)，
[0081]
w
i
(k 1)＝w
i
(k) 2μu(k)e(k)
ꢀꢀꢀꢀꢀ
(23)，
[0082]
式中，t表示转置操作，w
i
(k)是第i个iir滤波器在当前迭代的滤波系数，x
1(i)
(k)是期望声音信号的第i个子信号在当前迭代的输入，u(k)＝[x
2(i)
(k),x
2(i)
(k
‑
1),
…
,x
2(i)
(k
‑
m 1)]
t
为参考声音信号的第i个子信号在当前迭代的滤波器输入，e(k)为当前迭代计算的瞬时误差，μ为迭代步长；
[0083]
最终计算分解子信号x
1(i)
与滤波器输出的误差，即为去噪后的模态imf
i
；
[0084][0085]
将所有模态{imf
i
}求和，得到重构的降噪信号即完成智能轴承声音信号的去噪。
[0086]
本发明还提出了一种声学智能轴承的实施例，如图2所示，其包括轴承本体2，轴承本体2定位于一轴箱体1内的轴3上，轴承本体2外表面上设置有声孔一侧面向轴承的第一声音采集模块4，轴箱体1外表面上设置有第二声音采集模块5，第一声音采集模块4能最大程度接近故障源，且中间传输界面少，接收到的信号可靠程度较高。相较而言，第二声音采集模块5距离故障源较远，且经过多层介质传输，信号强度较小，采集到的信号主要是整个轴箱系统的噪声。对两路具有空间差异性的声音信号进行采集，可以较全面的实现轴承智能监测和诊断。优选的，第一声音采集模块4设置于所述轴承本体2的外圈端面上，第二声音采集模块5设置于轴箱体1的轴箱盖外侧上。第一声音采集模块4和第二声音采集模块5输出端均连接至一控制模块6的信号输入端，控制模块6按上述的声学差动智能轴承变尺度自适应去噪方法分析智能轴承的声音信号。其中，第一声音采集模块4和第二声音采集模块5优选
但不限于使用麦克风。
[0087]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0088]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。