[发明专利]基于噪声测试的机械故障判别系统及方法

说明书

技术领域

本发明属于应用噪声信号进行状态监测与故障诊断的领域，如汽车、船舶、工程机械、机车、发电机等，特别适合于无法安装各种传感器的复杂机械设备。

背景技术

针对运转机械进行的机械状态监测与故障诊断技术研究已有较为悠久的历史。利用振动信号作为主要测试分析手段在内燃机上的应用在20年前就开始了，并已经完成了一系列重要的基于振动信号的内燃机测试研究，而相对基于声信号的内燃机测试分析未能引起足够的重视。这主要是因为人们认为通过空气传播的机器声音信号中含有噪声信号，并极其复杂，而避免信号被噪声污染是比较困难的。

尽管如此，利用内燃机的噪声信号进行故障诊断仍有着巨大的吸引力。首先，噪声采集可以距机器表面一定距离进行，是非接触式测量，提供了安全保障，易于实现离机、无损、非接触检测，避免了价格昂贵的耐高温耐高压振动采集设备，测试方便易行，对测试场所基本没有特殊要求；其次，已有研究结果指出：噪声测试结果较表面振动对物理变化更为敏感，即使是极其微小的振声信号的变化，也可以从采集的噪声信号中得到其特性。以上这些特征，有力地推动了利用声信号进行各种研究的技术的发展。

发明内容

基于噪声测试的机械故障判别系统及方法，系统由高频麦克风、声卡、PC机、伸缩支架组成，高频麦克风固定在伸缩支架上并与声卡连接，高频麦克风采样频率应满足Nyquist定理的要求，声卡连接到PC机，本方法基于能量带提取和分形算法相结合，对机械运行时的噪声信号进行采集和运算处理来测试机械故障，测试步骤如下：

a.对机械运转相对平稳时产生的噪声进行采样；

b.对采集的数据进行预处理；

c.信号故障特征提取；

d.特征组分的分形分析。

对机械运转相对平稳时产生的噪声进行采样，测试环境应设置在背景噪声小、无共振、无反射、无混响等外界干扰的环境中，测试点选择信号稳定、信噪比高、对故障敏感的位置，测试距离要保证测量的最佳声能辐射方向和声能的最小测量前衰减，满足声信号有效长度公式的要求；采样频率应满足Nyquist定理的要求，可适当提高采样频率，以得到更多的机械运转状态信息；对于运转比较平稳，不同工作循环差别不是很大的机械可以适当缩短测试时间；对于运转比较粗暴，工作循环差别比较大的机械应尽可能延长测试时间，同时，在机械刚刚启动时不宜立即采集噪声信号，当机械运行一段时间，整个机械运转相对平稳后再进行测试；

对采集的数据进行如下步骤的预处理：

b1.基小波参数的优化，Morlet小波定义式为：ψ(t)＝exp(-β²t²/2)cos(πt)，β是控制Morlet基小波形状的唯一参数，β越大，波形衰减越快，直至逼近一个脉冲信号，同时也使基小波的频率分辨率越高，反之亦然，调整β的实质是对信号时域与频域的分辨率进行折中。由于最小小波熵对应的基小波就是与特征成分最匹配的小波，因此，在一定范围内变化β，选择使得信号小波熵最小的β作为最优值；

b2.阈值函数的确定，利用一种改进的阈值函数，表达式如下：

式中，sgn(□)为符号函数，w_j，k为小波变换系数，β_j为折中系数，δ_j为阈值，N_j为小波尺度j的小波系数长，σ_j为小波尺度j层噪声的标准方差；

b3.分解层数N₀的确定，在对信号进行降噪处理时，分解层数N₀的确定比较重要，过大的N₀势必导致计算量的增大，影响进一步的分析；当N₀比较小时，虽然会减小计算量，易于实现，但最终的消噪效果并不会很理想，因此，分解层数N₀的确定是计算效率与消噪效果的折中考虑；

b4.利用步骤b1中的基函数对信号S₀进行N₀层小波包分解；

b5.对每一个小波包分解系数，选择由步骤b2确定的阈值对系数进行阈值量化处理；

b6.重构第N₀层的小波包分解系数和经过量化处理的系数，获得降噪后的信号S₁。

信号故障特征提按照以下步骤进行：