基于噪声分析的机械故障诊断方法研究

基于噪声分析的机械故障诊断方法研究摘要基于噪声分析的机械故障诊断方法可以非接触地获得机械信号，适用于众多不便于使用振动传感器的场合，如某些高温、高腐蚀环境，是一种常用而有效地故障诊断方法。但在实际应用中，由于不相干噪声和环境噪声的影响，我们需要的待测信号往往被淹没在这些混合噪声中，信号的信噪比较低。盲源分离作为数字信号处理领域的新兴技术，能利用观测信号恢复或提取独立的各个机械信号，在通讯、雷达信号处理、图像处理等众多领域具有重要的实用价值及发展前景，已经成为神经网络学界和信号处理学界的热点研究课题之一。本文分析总结了盲源分离技术的相关研究现状，对盲源分离的原理、算法、相关应用作了探讨和研究。并就汽轮机噪声问题运用了盲源分离技术进行机械故障诊断，试验表明，该方法能将我们需要的故障信号从混合信号中分离出来，成功实现汽轮机部件的故障诊断。关键词：声信号，机械故障诊断，独立分量分析InvestigationofMechanicalFaultDiagnosisBasedonNoiseAnalysisAbstractYoucanobtainanon-contactmethodofmechanicalfaultdiagnosisbasedonnoiseanalysisofmechanicalsignals,notsuitableformanyoccasionstofacilitatetheuseofvibrationsensors,suchascertainhightemperature,highlycorrosiveenvironment,isacommonandeffectivefaultdiagnosismethod.However,inpractice,theeffectsofnoiseandextraneousambientnoise,thesignalundertestoftenneedtobesubmergedinthemixednoise,lowersignaltonoiseratio.Blindsourceseparationasanemergingfieldofdigitalsignalprocessingtechnologytotakeadvantageoftheobservedsignalrecoveryorextractionofvariousmechanicalsignalsindependentlyinmanycommunications,radarsignalprocessing,imageprocessinghasimportantpracticalvalueanddevelopmentprospects,hasbecomeaneuralnetworkoneofthehotresearchtopicinacademiccirclesandsignalprocessing.Inthispapersummarizestheresearchstatusofblindsourceseparationtechniques,theprinciplesofblindsourceseparationalgorithms,relatedapplicationsandresearchwerediscussed.Turbinenoiseproblemsandtousetheblindsourceseparationtechniquesformechanicalfaultdiagnosis,testsshowedthatthemethodweneedfaultsignalcanbeseparatedfromthemixedsignal,faultdiagnosisofsteamturbinecomponentssuccessfully.KeyWords：MechanicalFaultDiagnosis，IndependentComponentAnalysis目录1绪论1.1选题背景1.2国内外研究发展现状1.2.1机械故障诊断技术发展现状1.2.2声学故障诊断发展现状1.2.3盲源分离技术发展现状1.3课题研究内容及意义2噪声分析和采集2.1声学概念2.2噪声的主要参数2.2.1声压2.2.2声强2.2.3声功率2.3噪声的采集2.3.1传声器2.3.2声级计2.4故障的噪声识别方法3盲源分离算法原理3.1独立性3.2盲源分离算法概述3.2.1JADE法3.2.2四阶盲辨识法(FOBI)3.2.3信息极大法(Infomax)3.3预处理3.3.1中心化3.3.2基于主分量的球化4实验5总结与展望5.1总结5.2展望参考文献致谢1绪论1.1选题背景设备异常和故障信息一般以机械的状态信号为载体，机械故障诊断的一个重要步骤就是采用适当的方法来表现被诊断设备的特征信号；机械故障诊断能否成功主要需要做到尽可能真实而充分地采集到足以真实表现被测设备状况的状态信号。我们都知道，振动诊断是目前最常用而有效的故障诊断技术，因为其具有采集信号丰富且信号便于识别和分析。但是，某些安装困难或者某些高温、高腐蚀性等这种操作环境恶劣的场合，振动诊断是不合适的，也就是说有他的局限性。这种情况下，利用噪声分析来进行机械故障诊断就能凸显它的优势所在了，噪声测量的传感器具有能非接触性监测状态信号的特点，解决了振动诊断的不足。但是噪声诊断也有它的局限性，其局限性表现在声信号的监测环境容易受到干扰，要想获得独立的机械设备信号必须采取一定的措施，这很大程度上限制了噪声诊断方法的发展和推广。独立分量分析是一种统计算法，它能通过算法从混杂的混合信号中提取我们所需要的设备状态信号，并获得独立的信号源。这个方法在近20年来发展迅猛，已经在语音是被。电信通讯、医学信号处理等众多领域发挥了作用，成为盲源分离算法的研究热点方向，这也是我选择这一课题的原因所在。现有的我们所了解的噪声诊断技术尚存在一个共同问题，就是如果我们直接将监测到的信号做整体的分析不顾及环境中其他信号源的干扰，我们很难真正获取有效的设备状态信号。这就提醒我们必须采取有效的措施和方法对混合信号进行分离和独立分析。虽然说现在的噪声诊断方法取得了相当的进步，但这个问题不解决，噪声分析法就无法真正有效的实现机械故障的监测和处理。这是噪声诊断的难点，同样也是重点所在。所以说，我们需要很好地对混合信号进行待测信号的分离和独立验证，使之脱离环境干扰信号的混淆，实现我们所需要的可对比性和可操作性。成功建立实际声场模型，并通过模型进行计算获取待测机械声信号是一种常用的常规解决方法。这同时也存在一个问题，建立数学理论上的声场模型是难以实现准确性和有效性。因为声音信号的传播与多种因素有光，比如声源的性质，介质的性质声场的环境因素，这些都会导致声场环境的复杂程度上升，因为环境信号往往存在复杂的噪声发射散射和混响等多种干扰。我们在进行实际的测量过程中，一般需要利用独立分量技术对混合信号进行分离和处理，去除混合信号中其他信号的干扰，从而获得独立的设备状态信号。本课题重点是运用独立分量技术分析理论和方法，通过盲源分离算法，针对汽轮机旋转电机结构，进行基于噪声分析的机械故障诊断方法的研究，以实现对其常见各种故障的监测、分析和诊断。1.2国内外研究发展现状1.2.1机械故障诊断技术发展现状现代故障诊断技术随着现代系统工程、控制论、电工电子技术、计算机技术、通信技术等的发展而逐渐发展起来的，它的研究范围涉足传感器技术、数据采集和信号处理技术、通信技术等众多技术领域，发展成为一门多学科多技术手段交叉的新型综合学科之一。主要含以下几个方面的内容：（1）状态信号检测(传感器技术)；（2）故障特征分析(信号分析和处理)；（3）故障诊断方法(信息表达和融合)；（4）故障机理研究；（5）状态监测以及故障诊断系统的实现。现代的诊断技术主要依靠传感技术、状态信号分析和信号处理技术这些常规诊断方法。在技术上综合利用振动诊断、噪声诊断、频谱诊断和无损检测技术等多种故障诊断技术，随着现代网络技术和信号分析技术的迅速发展，现已初步实现状态信息分析和逻辑诊断模糊诊断统计诊断。随着近几年来各种数据处理软硬件的快速发展，这极大地推动了机械故障技术的发展，使得机械设备的实时在线诊断成为可能之道。数据处理如DDM，M6000等实时诊断系统以及一些众多软件诊断系统，使设备故障诊断实现维修现代化。1.2.2声学故障诊断发展现状人们从利用机械发出的声音进行了最早的最故障诊断。以前人们依赖于个人所具有的经验和知识来进行故障分析和诊断。当设备出现运行状态发生突然变化时，这些有经验的人就知道设备出现了故障，需要人们通过经验得出解决方案，但这种技巧比较难以掌握，不具有推广性。如今，振动诊断已经逐步发展成一门相对成熟的诊断技术，有了相应的诊断系统。而噪声诊断由于测量环境的复杂性导致的信号混合。信号信噪比低，使之长期处于一个发展初期阶段。下面简单介绍几种已有的噪声诊断方法。能量统计法，是目前最基本的也是应用最广的噪声诊断法。能量统计法通过机械运行时释放声能的变化来判别机械是否出现故障或出现异常，从而实现故障诊断。该方法虽然简单，但在实际应用中技巧难以很好的掌握，因为该法还是会受到混合信号的干扰，需要我们的专业人员通过经验对故障最初判断，这也限制了该方法的推广。声发射法，是目前相对比较成熟的噪声诊断方法。声发射法通过设备运行中部件释放的弹性波能量来实现故障的识别和采集。这是一种有效检测部件故障的方法。现在主要应用与机械加工中金属材料状态以及轴承滚子等表面状态。上述这么应用都取得了不错的结果。神经网络和小波分析相关实验，获得了某些设备故障的特定阀值。当前的噪声故障诊断过程都伴随着多台机器一起运行，声场环境十分复杂，干扰源众多。这种情况下要想获得独立的被测信号很难。我们必须采取一定的措施对设备进行分离或停止其他机器运行，从而获取我们所需的独立信号源，再实现有效的故障检测和分析诊断。近十年来，随着独立分量分析算法的发展和推广，我们可以利用独立分离算法对故障诊断中出现的多元信号相互干扰问题有更好的解决方法。我们通过采取盲源分离算法将混合信号进行分离实现信号的独立，在通过原有故障信号的对比就可以对设备故障信号进行判别，从而实现机械故障诊断。1.2.3盲源分离技术发展现状1986年。法国学者ChristianJutten和JeannyHerauh提出了基于Hebb学习律的学习算法和递归神经网络模型，实现了两个独立源混合信号的分离。这在信号处理领域中揭开了新的一章——盲源分离问题研究。在随后的二十年里，学者们提出的盲源分离的问题，已成功的一些算法在一定程度上在某些领域。从算法它，BSS算法分为自适应算法和批量处理算法;从代数函数和标准，它是基于互信息方法的基础上，根据不同的非线性函数为神经网络的高阶统计量和方法的方法。国内学者对盲源分离算法是比较晚的，但理论和应用方面也取得了一定的成绩。首先，张教授张XD清华大学，在他的“时间序列分析-高阶统计方法”一书中首先介绍的盲源分离算法国内研究后盲分离开始多起来分析的理论基础。近年来，中国已经推出了多个项目的盲源分离的理论和应用，建立了一些研究小组。我们知道，在近十年发展迅速，但盲源分离算法仍然存在，我们进一步研究和解决了不少问题。第一个是理论体系还不完善，处理在使用的算法的所有知识，稳定性和收敛一些实际经验证明是不够的。第二个是一个盲源分离算法有很多理论和实践问题有待解决，如有效的分离方法与噪声信号，多维ICA问题，如何更有效地利用各种先验知识，成功地分离或提取的源信号，如何有效地结合神经网络，源信号的个数大于观测信号的ICA方法数。此外，盲源分离应与其他学科，如盲源分离技术结合使用的是模糊系统理论的一个有价值的研究;而盲源分离技术和遗传算法相结合，可以大大降低计算复杂度，提高了收敛速度。我们需要研究如何提高算法研究源信号和使用的统计特性。在硬件实现方面，盲源分离问题也是相当大的发展，如通过FPGA实现。在近二十年的人=年的相关理论和盲分离算法的共同努力下得