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

技术特征：
1.一种基于简正波能量比理论的故障快速检测方法，其特征在于，包括以下步骤：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；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；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；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；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。2.根据权利要求1所述的基于简正波能量比理论的故障快速检测方法，其特征在于，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。3.根据权利要求1所述的基于简正波能量比理论的故障快速检测方法，其特征在于，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：根据声源位置信息，计算简正波初始场，计算公式如下：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(z
s
)为一常数，其与接收器位置有关；ψ
m
(z
s
)、ψ
m
(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；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：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。4.根据权利要求1所述的基于简正波能量比理论的故障快速检测方法，其特征在于，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：
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，z
s
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(z
s
)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。5.根据权利要求1所述的基于简正波能量比理论的故障快速检测方法，其特征在于，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：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。6.根据权利要求1所述的基于简正波能量比理论的故障快速检测方法，其特征在于，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。7.一种基于简正波能量比理论的故障快速检测系统，其特征在于，包括：声源信号模拟模块，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；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；简正波能量分布特征提取模块，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；模型训练模块，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；故障识别模块，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。8.根据权利要求7所述的基于声源重构和简正波能量比理论的故障检测系统，其特征在于，所述声源信号重构模块基于简正波—抛物耦合模型得到接收器处声源重构信号声压值，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：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(z
s
)为一常
数，其与接收器位置有关；ψ
m
(z
s
)、ψ
m
(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；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：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。9.根据权利要求7所述的基于简正波能量比理论的故障快速检测系统，其特征在于，所述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：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，z
s
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(z
s
)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。10.根据权利要求7所述的基于简正波能量比理论的故障快速检测系统，其特征在于，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：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；其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。

技术总结
本发明公开了一种基于简正波能量比理论的故障快速检测方法及系统，方法包括：根据声源物理特征进行声源信号模拟重组得到模拟声源信号；根据声源位置信息进行声传播过程模拟得到接收器处声源重构信号的声压值；通过输入声源重构信号的声压值利用简正波能量比理论获取声源重构信号的各号简正波能量分布特征；以各号简正波能量分布特征、故障物理特征为训练集对深度学习模型进行训练；利用训练好的深度学习模型识别真实采集信号的故障类型。本发明利用声源重构技术使得故障物理结构能够与声音信号特征一一对应；利用简正波-抛物耦合理论实现声音传播中的声场快速计算；采用简正波能量比理论提取特征，实现快速训练模型和快速故障识别。速故障识别。速故障识别。


技术研发人员：肖瑶 彭泽华 高杨
受保护的技术使用者：瑶声科技（苏州）有限责任公司
技术研发日：2022.02.14
技术公布日：2022/5/17