[发明专利]自激励噪声源干扰下的故障源信号识别提取方法

说明书

本发明提出了一种自激励噪声源干扰下的故障源信号识别提取方法，该方案能通过理论模型将目标故障源信号和传播信道进行关联，然后将理论模变换到频域，在频域内进行处理得到故障源信号。本发明的有益技术效果是：提出了一种自激励噪声源干扰下的故障源信号识别提取方法，该方案考虑了传播信道因素，使故障源信号识别提取的准确性得到提高，同时该方法能应用主流成熟的瞬时线性解乘积类算法进行运行，具有很好的普适性。

技术领域

本发明涉及一种信号处理技术，尤其涉及一种自激励噪声源干扰下的故障源信号识别提取方法。

背景技术

当前，针对自激励声源干扰的信号处理技术以经验模态分解、小波分解、希尔伯特-黄变换以及自适应降噪技术为主。如：第CN109632966A号中国专利在提取岩体目标声发射信号时，利用变分模式分解技术(VMD)对含噪的岩体声信号进行分解处理，然后利用部分有效的子信号重构得到目标声发射信号；第CN112906473A号发明专利申请在对旋转设备进行故障诊断时，提出利用小波分解技术对提取到的振动信号进行分解，以峭度和能量熵来评估子信号用以区分目标信号和自激励噪声，选择出有效的子信号进行重构得到目标源振动信号；第CN108956143A号中国专利利用希尔伯特-黄变换分析中的经验模态分解技术(EMD)对转子-轴承设备中的目标故障信号进行提取，混合信号经EMD技术分解后得到一系列子信号，再利用Volterra模型对每个子信号进行评估，随后以选取出的子信号构建目标故障信号。这些技术大多采用分解混合信号再重构的方式去除自激励噪声的干扰、提取目标信号。中国专利(CN112906632A)提出一种自适应时延目标信号自动提取方法，这种方法构建起通用原子矩阵，将混合信号进行稀疏分解，去除分解信号的冗余信号，再以剩下的子信号重构目标信号。

VMD技术需要人为预设分解尺度N，混合信号被分解成N个不同频带的子信号，其缺点在于没有考虑混合信号中子成分的本身的物理特征，当混合信号成分中有如管道设备泄漏信号这种宽频信号时，分解效果会大大降低；小波分解技术需要人为选择母小波，选择不同的母小波就具有不同的分解效果，这使得对目标信号的提取具有不确定性；EMD技术缺乏严谨的数学理论，分解得到的某一个子信号可能同时包含噪声信号和源信号成分；自适应降噪技术的缺点与小波分解类似，构建不同的原子矩阵，就会有不同的分解结果，使源信号提取充满不确定性。但这些信号分解技术的共同问题在于：忽略了对信号本身传播信道模型的估计，这使得对混合信号的分离效果不太理想。

综上，前述各类方法和理论在识别提取目标源信号虽有一定程度的创新性，但对于工业设备的自激励噪声处理，还仍存在不足和缺陷。

发明内容

针对背景技术中的问题，本发明提出了一种自激励噪声源干扰下的故障源信号识别提取方法，其创新在于：所述故障源信号识别提取方法包括：

1)对传感器采集到的信号进行预白化处理和归一化处理，得到m个预处理后的数据x_i，i＝1...m；根据预处理后的数据构建观测信号矩阵X，X＝[x₁，x₂，...，x_m]；

2)构建包含故障源信号矩阵和传播信道模型矩阵的理论模型F，F＝A(n)*s(n)，A(n)为传播信道模型矩阵，s(n)为故障源信号矩阵；

3)将理论模型F变换到频域，得到乘积模型F(f)，F(f)＝A(f)·s(f)，A(f)为A(n)变换到频域而得，s(f)为s(n)变换到频域而得；

4)采用瞬时线性解乘积算法计算出A(f)的解乘积矩阵A^-1(f)，其中，瞬时线性解乘积算法中的迭代规则由牛顿迭代法根据观测信号矩阵X推导而得；

5)根据下式，计算出s(f)中各分量信号的值：

s(f)＝A^-1(f)·F(f)；