基于简正波能量比理论的故障快速检测方法及系统与流程

1.本发明属于工业声学故障诊断领域，具体涉及一种基于简正波能量比理论的故障快速检测方法及系统。


背景技术：

2.实时监控工业大型设备的工作状态，预防事故的发生，对于现代生产至关重要。传统的红外监测、振动监测与热敏监测等监测解决方案都有明显的弊端，如需要在设备出厂前预装，或者在后期对设备进行改造，部署成本、时间成本和决策成本都较高。而声学监测因为其无创监测、运行成本低、操作简单等因素逐渐成为解决故障诊断问题的核心解决方案之一，声学监测为故障诊断行业提供了一种非接触式的技术路径。
3.现有的声学监测方式主要还以工人实地持械检测和对声传感器采集的信号进行数据处理分析的半自动化检测为主。人工检测的优势是可以针对性地采集目标设备指定位置处的声学信号，从而便于在数据处理分析时抓取关键特征数据，但这种方式的弊端也显而意见，依赖人的操作，不够灵活也无法做到实时监测。现有技术中也有一些自动实时检测的尝试，但根据当前署名发明人的工作发现，现有技术中至少存在以下问题：声源特征提取和故障检测之间的关联性并不紧密，检测的准确度还存在很大改进空间。为适应智能制造的新发展需求，新型的声学智能故障诊断方法和系统的提出就显得尤为重要。


技术实现要素：

4.针对于上述现有技术的不足，本发明的目的在于提供一种基于简正波能量比理论的故障快速检测方法及系统，能够更加精准提取特征实现故障的智能识别检测。
5.为达到上述目的，本发明采用的技术方案如下：
6.一种基于简正波能量比理论的故障快速检测方法，包括以下步骤：
7.根据声源物理特征进行声源信号的模拟重组，得到模拟声源信号；
8.基于模拟声源信号，根据声源位置信息进行声传播过程模拟，得到接收器处的声源重构信号及其声压值；
9.基于声源重构信号声压值，通过简正波能量比理论对信号进行频率加窗去除冗余度处理以及各号简正波能量分布特征提取；
10.以各号简正波能量分布特征、故障物理结构特征为训练集对深度学习模型进行训练，直到模型收敛；
11.根据真实采集的信号提取简正波能量分布特征输入至训练好的深度学习模型中，深度学习模型输出相应的识别结果以及故障物理特征数据。
12.进一步地，所述根据声源物理特征进行声源信号的模拟重组包括：依据实际的声源物理特征寻找对应的声信号特征并进行组合叠加，完成声源的信号f(t)的重组。
13.进一步地，所述根据声源位置信息进行声传播过程模拟，得到接收器处的声源重构信号及其声压值包括：
14.根据声源位置信息，计算简正波初始场，计算公式如下：
[0015][0016]
其中p(r,z)为空间中距离声源水平距离r和垂直距离z处的声压值，声源处声压值计算公式为：该式子表征t时刻时信号f(t)的瞬时声压；ρ(zs)为一常数，其与接收器位置有关；ψm(zs)、ψm(z)为声源处和空间计算点位处的第m阶简正波的本征函数；k
rm
为空间计算点位处第m阶简正波的水平波数；
[0017]
将简正波初始场代入基于抛物方程声传播理论中得到的声压递推公式中，递推得到声音传播后在接收器处接收到的声压，其中声压递推公式如下：
[0018][0019]
其中，k0为初始波数，δr为传播距离，α
j,n
和β
j,n
为pad
é
系数；表示第一类hankel函数。
[0020]
进一步地，所述通过简正波能量比理论对信号进行频率加窗去除冗余度处理以及各号简正波能量分布特征提取包括：利用简正波能量比理论对各号简正波的分布情况进行计算，分析各号简正波的能量分布与频率的敏感性关系；加窗选取对敏感性最高的频段并以该频段的各号简正波能量分布情况为深度学习模型训练的特征值，其中对各号简正波的分布情况进行计算的计算公式如下：
[0021][0022]
其中，p(r0,z，f)为等效声压，其与接收器水平位置r0、接收器垂直位置z、声源频率f相关，zs为声源位置，为接收器垂直位置z处的第l号简正波，i为虚数值，ρ(z)、ρ(zs)为常数其与声速分布和空气密度分布有关，为第一类hankel函数的渐进表达式，为声压分解中的分离常量。
[0023]
进一步地，所述对深度学习模型进行训练包括：将各号简正波能量分布特征集合和故障物理特征数据集输入预先构建的非线性回归模型：
[0024][0025]
其中w
1，j
、分别为隐藏层和输出层权重向量；为故障物理特征数据集；为输入各号简正波能量分布特征集；为零次幂函数系数集；f(
·
)为激活函数；通过对比输出层的值与实际值之间的损失函数，当损失函数趋于稳定时完成训练过程。
[0026]
进一步地，所述故障物理特征包括齿轮磨损度、齿轮偏心角、齿轮误差中的一项或多项。
[0027]
一种基于简正波能量比理论的故障快速检测系统，包括：
[0028]
声源信号模拟模块，用于根据声源物理特征进行声源信号的模拟重组，得到模拟声源信号；
[0029]
声源信号重构模块，根据声源位置信息进行声传播过程模拟，得到接收器处的声源重构信号及其声压值；
[0030]
简正波能量分布特征提取模块，用于基于声源重构信号，通过简正波能量比理论对信号进行频率加窗去除冗余度处理以及各号简正波能量分布特征提取；
[0031]
模型训练模块，用于以各号简正波能量分布特征、故障物理结构特征为训练集对深度学习模型进行训练，直到模型收敛；
[0032]
故障识别模块，用于根据真实采集的信号提取简正波能量分布特征输入至训练好的深度学习模型，深度学习模型输出相应的识别结果以及故障物理特征数据。
[0033]
本发明具有以下有益效果：
[0034]
1、本发明利用声源重构方式来弥补实际采集声信号的不足以及实际信号中其他噪声的干扰，并且声源重构方式建立了声源信号与故障物理特征之间的关系，这有效解决了利用深度学习模型进行故障识别时无法总结、反映目标物体特征的问题。
[0035]
2、本发明利用简正波-抛物耦合声传播模型计算理论，该方法实现声场的快速计算，大大减小了声传播计算中的运算量，提高了声场计算的效率，便于快速获取接收器处的声压情况。
[0036]
3、本发明利用基于简正波能量比理论作为声源信号特征提取的方法，相较于时频特征、声纹特征等更能反映声源信号的频率、频段特征组成。并且该理论还可以通过对敏感频段进行选择性保留，该方法在保留信号的关键信息的同时又减少了信号的数据量，提高了故障诊断方法的处理、计算效率。
[0037]
4、本发明利用深度学习模型实现故障的自动诊断，相较于传统的数字信号谱图识别方式拥有更强的自主学习能力，深度学习模型可以通过数据训练实现自我学习，最终实现故障的智能化诊断。
附图说明
[0038]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。其中，
[0039]
图1为本发明的故障检测方法总体流程图；
[0040]
图2为本发明的各号简正波能量分布特征示意图；
[0041]
图3为本发明的基于深度学习的识别模型结果逻辑图；
[0042]
图4为本发明中的方法与时频分析法的性能对比图。
具体实施方式
[0043]
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
[0044]
本发明所述的一种基于简正波能量比理论的故障快速检测方法，利用声源重构技术提高对声源特征把控；利用简正波—抛物耦合模型实现声场的快速计算；根据简正波能量比理论采用简正波方式对比各号能量实现更加精准频段特征的提取，通过具有自主学习
能力的深度学习模型自主完成故障的智能识别检测。文中所述简正波能量比，亦可称为简正波能量占比。
[0045]
如图1所示，一种基于简正波能量比理论的故障快速检测方法，包括以下步骤：
[0046]
步骤s1、根据声源物理特征进行声源信号的模拟重组，得到模拟声源信号。
[0047]
声源的重构包括了声源信号产生的模拟以及声源信号传播过程的模拟两个方面，在在步骤s1的声源信号模拟中，声源信号的模拟重组需要提前获知声源的物理特性，声源物理特性与声源信号之间存在一一对应关系。声源信号模拟重组的理论基础是声发射理论，其揭示的是故障声发射波的频带范围分布随损坏大小、损坏形状、损坏介质等物理因素的变化情况。因此一种声源故障特征会对应一个独特的信号频率分布情况，其频域特征表现在频率、频段、频率幅值上。例如，声信号包括连续冲击产生的连续谱、间断冲击产生的线谱等，依据实际的声源物理特征寻找对应的声信号特征并且进行组合叠加以完成声源的信号f(t)的重组。
[0048]
步骤s2、基于模拟声源信号，根据声源位置信息以及环境信息对声传播过程进行模拟，输出声源重构信号。
[0049]
步骤s2的声传播过程模拟需要输入声源与接收器之间的距离s，其中距离s以物体中心与接收器距离为估计量，其会影响模拟接收信号的声压情况。该步骤中利用简正波-抛物耦合声传播计算理论得到声源重构信号声压值，该过程包括：1、计算简正波初始场；2、递推得到声音传播后在接收器处接收到的声压。
[0050]
过程1中的归一化简正波初始场计算如下：
[0051][0052]
其中p(r,z)为空间中距离声源水平距离r和垂直距离z处的声压值，声源处声压值计算公式为：该式子表征t时刻时信号f(t)的瞬时声压；ρ(zs)为一常数，其与接收器位置有关；ψm(zs)、ψm(z)为声源处和空间计算点位处的第m阶简正波的本征函数；k
rm
为空间计算点位处第m阶简正波的水平波数。
[0053]
在过程2中，将上述初始场代入基于抛物方程声传播理论中得到的声压递推公式中，公式如下：
[0054][0055]
其中，k0为初始波数，δr为传播距离，α
j,n
和β
j,n
为pad
é
系数；表示第一类汉克尔(hankel)函数，其他系数与简正波初始场计算公式一致。通过不断地递推即可得到接收器处的声压值p(r,z)。
[0056]
步骤s3，基于重构声源信号，通过简正波能量占比理论获取出声源信号的各号简正波能量分布特征。
[0057]
在本发明实施方式中，步骤s3构成了特征提取步骤，其主要包括频段选择以及各号简正波能量分布特征提取两个过程。其中频段选择与接收器水平距离r0、声源接收器高度差z、空气密度ρ(z)以及空气声速分布c(z)有关，将以上参数带入简正波能量占比理论计
算公式(5)中即可得到该环境下不同频率的各号简正波能量分布情况。
[0058]
其中频率的增加与减少可能会导致简正波能量分布情况发生改变，由此特性可以确定简正波能量分布情况会发生变化的频段，利用滤波器过滤简正波能量分布情况对频率没有敏感变化的频段，最后输出筛选的频段信息。滤波器已经有许多研究，例如低通滤波器、lms滤波器等，本文不作赘述。
[0059]
针对特征提取部分，各号简正波的能量分布情况与频率之间存在着很大的对应关系，其中声源频率结构的不同对应的简正波能量分布值也不同，因此利用简正波能量分布特征是一种十分有效的识别特征。简正波能量分布特征由简正波能量占比原理推导而得，简正波能量占比理论计算的是等效声压与各号简正波之间的关系，如图2所示。相应的计算公式为：
[0060][0061]
其中，p(r0,z，f)为等效声压，其与接收器水平位置r0、接收器垂直位置z、声源频率f相关，zs为声源位置，为接收器垂直位置z处的第l号简正波，i为虚数值，ρ(z)、ρ(zs)为常数其与声速分布和空气密度分布有关，为第一类hankel函数的渐进表达式，为声压分解中的分离常量。
[0062]
步骤s4、以各号简正波能量分布特征、声源故障物理特征为训练集来训练深度学习模型，使模型可以收敛，其包括特征设计、模型设计、模型训练三个部分；
[0063]
步骤s3中已经利用简正波能量占比理论实现了声音信号的特征提取，其提取的特征为一组向量集{φ1,φ2,φ3,φ4,φ5,.....φ
l
}，其中φ
l
表示第l号简正波所占的能量归一化数值。并且构建另一组关于故障物理结构特征的特征向量集其中表示第m个故障物理特征，在一个实施例中可以由齿轮磨损度、齿轮偏心角、齿轮误差来组成故障物理特征集合。
[0064]
参照图3，本发明实施方式中采用的深度学习模型的主要目的是通过输入各号简正波能量分布特征最终可以自动匹配与之对应的故障物理特征信息，该问题是一个非线性回归问题。针对非线性回归问题本发明采用一个多输入多输出的双层神经网络模型，其包括一个输入层、一个隐藏层权重组、一个输出层权重组和一个输出层，模型运算包括向前传播以及向后传播两个过程。本模型在输入各号简正波能量分布特征集合的情况下输出故障物理特征数据集其构建的非线性回归模型为：
[0065][0066]
其中分别为隐藏层和输出层权重向量；为故障物理特征数据集；为输入各号简正波能量分布特征集；为零次幂函数系数集；f(
·
)为激活函数，其具体结果见下文。
[0067]
在一个实施例中，故障声音由1个特征决定，各号简正波能量分布特征中取第1号
简正波的能量情况，其相应的深度学习模型结构如图3。输入层x1输入第一号简正波能量值φ1；隐藏层权重组w1/b1具体为w1＝(w
1,1w1,2w1,2w1,4
)、b1＝(b
1,1b1,2b1,3b1,4
)；隐藏层对输出值进行激活函数处理；输出层权重组w2/b2具体为w2＝(w
2,1w2,2w2,3w2,4
)、b2＝(b
2,1
)；输出层权重组和隐藏层权重组的初始数值随机。
[0068]
在上述实施例中，为了完成模型训练需要经过向前传播和向后传播计算两个过程，先前传播计算主要是得到模型损失值，向后计算主要是利用损失值更新模型参数达到模型学习的过程。其中经过隐藏层权重组w1/b1后每个神经元的输入值为z
1,1
＝w
1，1
·
x1 b
1,1
、z
1,2
＝w
1，2
·
x1 b
1,2
、z
1,3
＝w
1,3
·
x1 b
1,3
、z
1,4
＝w
1，4
·
x1 b
1,4
(如图3所示)，这些输入值共同构成隐藏层输入值z1。经过隐藏层并且使用sigmoid函数输出值为a
1-1
＝sigmoid(y
1-1
)、a
1-2
＝sigmoid(y
1-2
)、a
1-3
＝sigmoid(y
1-3
)、a
1-4
＝sigmoid(y
1-4
)；隐藏层输出值a1＝(a
1-1 a
1-2 a
1-3 a
1-4
)，其中sigmoid函数的表达式为经过输出层权重组w2/b2后得到单神经元的输出层z2＝(w
2，1
，w
2，2
，w
2，3
，w
2，4
)
·
(a
1-1
，a
1-2
，a
1-3
，a
1-4
)
t
b
2,1
。通过对比输出层的值与实际值之间的损失函数其中z2为输出值，为真实值，|
·
|为模运算，w和b为权重组的两个数据总集合，并且最终损失函数趋于稳定时既完成了拟合过程。
[0069]
在上述实施例中，向后传播计算过程利用梯度下降算法进行求解。在该过程中w2、b2、w1、b1系数的计算如下：
[0070][0071]
其中，w2、b2、w1、b1分别为输出层权重组和隐藏层权重组的系数值；j(w,b)为损失函数，其为关于w2、b2、w1、b1的函数；z1为隐藏层输入值，z2为神经网络输出值，x为神经网络输入值；t为矩阵转置运算。根据以上计算公式，通过积分运算即可得到相应的w2、b2、w1、b1的值。
[0072]
以上过程中的模型训练数据均为声源重构所得到的模拟数据，该数据能够使匹配结果与故障的物理特征相对应。一般的检测过程为多输入多输出模型，其计算流程与上述实施例相似。下面利用实际环境中对设备监控真实采集的声源数据运用本方法对故障的有无进行识别。
[0073]
步骤s5、输入真实采集的信号进行目标识别；
[0074]
步骤s6、将真实采集到的声音信号经过简正波能量占比理论提取后得到的各号简正波能量分布特征输入模型中；
[0075]
步骤s7、深度学习模型输出相应的识别结果、声源的特征结构。
[0076]
经过模型识别后的输出结果如下：
[0077]
1)无匹配信息，无故障情况，重复以上步骤；
[0078]
2)存在匹配信息，存在故障情况，输出故障类型，输出故障物理参数，重复以上步骤。
[0079]
下面通过一个仿真实验验证本方法的性能。仿真分析了一个正常工作转速为90r/min的机械转子，设置转速值在90
±
20r/min间浮动，以估计值在90
±
5r/min内断定为正常工作，超过这个范围为异常工作。仿真环境设置在-20到20db之间，步长设置为2db，共进行21组仿真对比实验。在仿真过程中，利用时频分析法与基于声源重构的简正波能量占比理论的故障快速检测方法进行对比，图4示出了仿真结果对比情况，通过图4可以看出，在信噪比高的时候，现有技术在进行如高铁等大型设备时，其诊断准确度只为50％到60％，本发明在同等情况下对该类型的故障诊断率在92％左右，较比同类诊断技术，本发明中的技术可以提高30％以上的检测精度，同时还可以看出随着信噪比的减小，两方法之间的效果差距越来越大。并且本方法中利用频率筛选后的3000组数据进行模型训练达到收敛平均需要1500s，而未经筛选处理所训练的模型则需要2300s，本方法大大缩短了模型训练的时间，在针对大量数据时该方法所产生的效果将会更加明显。
[0080]
本发明的实施例还提供一种基于简正波能量比理论的故障快速检测系统，包括：
[0081]
声源信号模拟模块，用于根据声源物理特征进行声源信号的模拟重组，得到模拟声源信号；
[0082]
声源信号重构模块，根据声源位置信息进行声传播过程模拟，得到接收器处的声源重构信号及其声压值；
[0083]
简正波能量分布特征提取模块，用于基于声源重构信号，通过简正波能量比理论对信号进行频率加窗去除冗余度处理以及各号简正波能量分布特征提取；
[0084]
模型训练模块，用于以各号简正波能量分布特征、故障物理结构特征为训练集对深度学习模型进行训练，直到模型收敛；
[0085]
故障识别模块，用于根据真实采集的信号提取简正波能量分布特征输入至训练好的深度学习模型，深度学习模型输出相应的识别结果以及故障物理特征数据。
[0086]
其中，声源信号模拟模块依据实际的声源物理特征寻找对应的声信号特征并进行组合叠加，完成声源的信号f(t)的重组。
[0087]
声源信号重构模块基于利用简正波—抛物耦合声传播模型得到接收器处的声源重构信号以及声压值。声源信号重构模块具体包括简正波初始场计算单元以及声压递推单元，其中，简正波初始场计算单元根据如下公式计算归一化简正波初始场：
[0088][0089]
其中p(r,z)为空间中距离声源水平距离r和垂直距离z处的声压值，声源处声压值计算公式为：该式子表征t时刻时信号f(t)的瞬时声压；ρ(zs)为一常数，其与接收器位置有关；ψm(zs)、ψm(z)为声源处和空间计算点位处的第m阶简正波的
本征函数；k
rm
为空间计算点位处第m阶简正波的水平波数；
[0090]
声压递推单元将简正波初始场代入基于抛物方程声传播理论中得到的声压递推公式，通过不断地递推得到接收器处的声压值p(r,z)，所述声压递推公式如下：
[0091][0092]
其中，k0为初始波数，δr为传播距离，α
j,n
和β
j,n
为pad
é
系数；表示第一类汉克尔(hankel)函数。
[0093]
简正波能量分布特征提取模块包括：简正波分布计算单元，利用简正波能量比理论对各号简正波的能量分布情况进行计算，分析各号简正波的能量分布与频率的敏感性关系；以及特征选取单元，加窗选取对敏感性最高的频段并以该频段的各号简正波能量分布情况为深度学习模型训练的特征值；其中简正波分布计算单元根据以下公式计算各号简正波的分布情况：
[0094][0095]
其中，p(r0,z，f)为等效声压，其与接收器水平位置r0、接收器垂直位置z、声源频率f相关，zs为声源位置，为接收器垂直位置z处的第l号简正波，i为虚数值，ρ(z)、ρ(zs)为常数其与声速分布和空气密度分布有关，为第一类hankel函数的渐进表达式，为声压分解中的分离常量。
[0096]
模型训练模块将各号简正波能量分布特征集合和故障物理特征数据集输入预先构建的非线性回归模型：
[0097][0098]
其中w
1，j
、分别为隐藏层和输出层权重向量；为故障物理特征数据集；为输入各号简正波能量分布特征集；为零次幂函数系数集；f(
·
)为激活函数；通过对比输出层的值与实际值之间的损失函数，并在损失函数趋于稳定时完成拟合过程。
[0099]
在本发明实施方式中，故障物理特征包括齿轮磨损度、齿轮偏心角、齿轮误差中的一项或多项。
[0100]
故障检测模块根据已经训练完成的深度学习计算模型，输入经过简正波占比理论提取的简正波能量分布特征，最终输出相应的故障类型以及故障特征参数。
[0101]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理精神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，本发明的范围由所附权利要求及其等同物限定。