1、基于噪聲分析的機(jī)械故障診斷方法研究摘要 基于噪聲分析的機(jī)械故障診斷方法可以非接觸地獲得機(jī)械信號(hào)，適用于眾多不便于使用振動(dòng)傳感器的場(chǎng)合，如某些高溫、高腐蝕環(huán)境，是一種常用而有效地故障診斷方法。但在實(shí)際應(yīng)用中，由于不相干噪聲和環(huán)境噪聲的影響，我們需要的待測(cè)信號(hào)往往被淹沒在這些混合噪聲中，信號(hào)的信噪比較低。 盲源分離作為數(shù)字信號(hào)處理領(lǐng)域的新興技術(shù)，能利用觀測(cè)信號(hào)恢復(fù)或提取獨(dú)立的各個(gè)機(jī)械信號(hào)，在通訊、雷達(dá)信號(hào)處理、圖像處理等眾多領(lǐng)域具有重要的實(shí)用價(jià)值及發(fā)展前景，已經(jīng)成為神經(jīng)網(wǎng)絡(luò)學(xué)界和信號(hào)處理學(xué)界的熱點(diǎn)研究課題之一。 本文分析總結(jié)了盲源分離技術(shù)的相關(guān)研究現(xiàn)狀，對(duì)盲源分離的原理、算法、相關(guān)應(yīng)用作了探討和研

2、究。并就汽輪機(jī)噪聲問(wèn)題運(yùn)用了盲源分離技術(shù)進(jìn)行機(jī)械故障診斷，試驗(yàn)表明，該方法能將我們需要的故障信號(hào)從混合信號(hào)中分離出來(lái)，成功實(shí)現(xiàn)汽輪機(jī)部件的故障診斷。關(guān)鍵詞：聲信號(hào)，機(jī)械故障診斷，獨(dú)立分量分析Investigation of Mechanical Fault Diagnosis Based on Noise AnalysisAbstract You can obtain a non-contact method of mechanical fault diagnosis based on noise analysis of mechanical signals , not suitable fo

3、r many occasions to facilitate the use of vibration sensors , such as certain high temperature , highly corrosive environment , is a common and effective fault diagnosis method . However, in practice , the effects of noise and extraneous ambient noise , the signal under test often need to be submerg

4、ed in the mixed noise , lower signal to noise ratio .  Blind source separation as an emerging field of digital signal processing technology to take advantage of the observed signal recovery or extraction of various mechanical signals independently in many communications, radar signal proce

5、ssing , image processing has important practical value and development prospects , has become a neural network one of the hot research topic in academic circles and signal processing .  In this paper summarizes the research status of blind source separation techniques , the principles of b

6、lind source separation algorithms, related applications and research were discussed . Turbine noise problems and to use the blind source separation techniques for mechanical fault diagnosis, tests showed that the method we need fault signal can be separated from the mixed signal , fault diagnosis of

7、 steam turbine components successfully .Key Words：Mechanical Fault Diagnosis，Independent Component Analysis目錄1緒論1.1 選題背景1.2 國(guó)內(nèi)外研究發(fā)展現(xiàn)狀1.2.1機(jī)械故障診斷技術(shù)發(fā)展現(xiàn)狀1.2.2 聲學(xué)故障診斷發(fā)展現(xiàn)狀1.2.3 盲源分離技術(shù)發(fā)展現(xiàn)狀1.3課題研究?jī)?nèi)容及意義2 噪聲分析和采集2.1 聲學(xué)概念2.2 噪聲的主要參數(shù)2.2.1聲壓2.2.2聲強(qiáng)2.2.3 聲功率2.3 噪聲的采集2.3.1 傳聲器2.3.2 聲級(jí)計(jì)2.4 故障的噪聲識(shí)別方法3盲源分離算法原理3.1獨(dú)立性

8、3.2盲源分離算法概述3.2.1 JADE法3.2.2四階盲辨識(shí)法(FOBI)3.2.3 信息極大法(Infomax)3.3 預(yù)處理3.3.1 中心化3.3.2 基于主分量的球化4 實(shí)驗(yàn)5總結(jié)與展望5.1 總結(jié)5.2展望參考文獻(xiàn)致謝1 緒論1.1 選題背景設(shè)備異常和故障信息一般以機(jī)械的狀態(tài)信號(hào)為載體，機(jī)械故障診斷的一個(gè)重要步驟就是采用適當(dāng)?shù)姆椒▉?lái)表現(xiàn)被診斷設(shè)備的特征信號(hào)；機(jī)械故障診斷能否成功主要需要做到盡可能真實(shí)而充分地采集到足以真實(shí)表現(xiàn)被測(cè)設(shè)備狀況的狀態(tài)信號(hào)。我們都知道，振動(dòng)診斷是目前最常用而有效的故障診斷技術(shù)，因?yàn)槠渚哂胁杉盘?hào)豐富且信號(hào)便于識(shí)別和分析。但是，某些安裝困難或者某些高溫、高腐

9、蝕性等這種操作環(huán)境惡劣的場(chǎng)合，振動(dòng)診斷是不合適的，也就是說(shuō)有他的局限性。這種情況下，利用噪聲分析來(lái)進(jìn)行機(jī)械故障診斷就能凸顯它的優(yōu)勢(shì)所在了，噪聲測(cè)量的傳感器具有能非接觸性監(jiān)測(cè)狀態(tài)信號(hào)的特點(diǎn)，解決了振動(dòng)診斷的不足。但是噪聲診斷也有它的局限性，其局限性表現(xiàn)在聲信號(hào)的監(jiān)測(cè)環(huán)境容易受到干擾，要想獲得獨(dú)立的機(jī)械設(shè)備信號(hào)必須采取一定的措施，這很大程度上限制了噪聲診斷方法的發(fā)展和推廣。 獨(dú)立分量分析是一種統(tǒng)計(jì)算法，它能通過(guò)算法從混雜的混合信號(hào)中提取我們所需要的設(shè)備狀態(tài)信號(hào)，并獲得獨(dú)立的信號(hào)源。這個(gè)方法在近20年來(lái)發(fā)展迅猛，已經(jīng)在語(yǔ)音是被。電信通訊、醫(yī)學(xué)信號(hào)處理等眾多領(lǐng)域發(fā)揮了作用，成為盲源分離算法的研究熱點(diǎn)方

10、向，這也是我選擇這一課題的原因所在?，F(xiàn)有的我們所了解的噪聲診斷技術(shù)尚存在一個(gè)共同問(wèn)題，就是如果我們直接將監(jiān)測(cè)到的信號(hào)做整體的分析不顧及環(huán)境中其他信號(hào)源的干擾，我們很難真正獲取有效的設(shè)備狀態(tài)信號(hào)。這就提醒我們必須采取有效的措施和方法對(duì)混合信號(hào)進(jìn)行分離和獨(dú)立分析。雖然說(shuō)現(xiàn)在的噪聲診斷方法取得了相當(dāng)?shù)倪M(jìn)步，但這個(gè)問(wèn)題不解決，噪聲分析法就無(wú)法真正有效的實(shí)現(xiàn)機(jī)械故障的監(jiān)測(cè)和處理。這是噪聲診斷的難點(diǎn)，同樣也是重點(diǎn)所在。所以說(shuō)，我們需要很好地對(duì)混合信號(hào)進(jìn)行待測(cè)信號(hào)的分離和獨(dú)立驗(yàn)證，使之脫離環(huán)境 干擾信號(hào)的混淆，實(shí)現(xiàn)我們所需要的可對(duì)比性和可操作性。成功建立實(shí)際聲場(chǎng)模型，并通過(guò)模型進(jìn)行計(jì)算獲取待測(cè)機(jī)械聲信號(hào)是一

11、種常用的常規(guī)解決方法。這同時(shí)也存在一個(gè)問(wèn)題，建立數(shù)學(xué)理論上的聲場(chǎng)模型是難以實(shí)現(xiàn)準(zhǔn)確性和有效性。因?yàn)槁曇粜盘?hào)的傳播與多種因素有光，比如聲源的性質(zhì)，介質(zhì)的性質(zhì)聲場(chǎng)的環(huán)境因素，這些都會(huì)導(dǎo)致聲場(chǎng)環(huán)境的復(fù)雜程度上升，因?yàn)榄h(huán)境信號(hào)往往存在復(fù)雜的噪聲發(fā)射散射和混響等多種干擾。我們?cè)谶M(jìn)行實(shí)際的測(cè)量過(guò)程中，一般需要利用獨(dú)立分量技術(shù)對(duì)混合信號(hào)進(jìn)行分離和處理，去除混合信號(hào)中其他信號(hào)的干擾，從而獲得獨(dú)立的設(shè)備狀態(tài)信號(hào)。本課題重點(diǎn)是運(yùn)用獨(dú)立分量技術(shù)分析理論和方法，通過(guò)盲源分離算法，針對(duì)汽輪機(jī)旋轉(zhuǎn)電機(jī) 結(jié)構(gòu)，進(jìn)行基于噪聲分析的機(jī)械故障診斷方法的研究，以實(shí)現(xiàn)對(duì)其常見各種故障的監(jiān)測(cè)、分析和診斷。1.2 國(guó)內(nèi)外研究發(fā)展現(xiàn)狀1.

12、2.1機(jī)械故障診斷技術(shù)發(fā)展現(xiàn)狀現(xiàn)代故障診斷技術(shù)隨著現(xiàn)代系統(tǒng)工程、控制論、電工電子技術(shù)、計(jì)算機(jī)技術(shù)、通信技術(shù)等的發(fā)展而逐漸發(fā)展起來(lái)的，它的研究范圍涉足傳感器技術(shù)、數(shù)據(jù)采集和信號(hào)處理技術(shù)、通信技術(shù)等眾多技術(shù)領(lǐng)域，發(fā)展成為一門多學(xué)科多技術(shù)手段交叉的新型綜合學(xué)科之一。主要含以下幾個(gè)方面的內(nèi)容：（1）狀態(tài)信號(hào)檢測(cè)(傳感器技術(shù))；（2）故障特征分析(信號(hào)分析和處理)；（3）故障診斷方法(信息表達(dá)和融合)；（4）故障機(jī)理研究；（5）狀態(tài)監(jiān)測(cè)以及故障診斷系統(tǒng)的實(shí)現(xiàn)?，F(xiàn)代的診斷技術(shù)主要依靠傳感技術(shù)、狀態(tài)信號(hào)分析和信號(hào)處理技術(shù)這些常規(guī)診斷方法。在技術(shù)上綜合利用振動(dòng)診斷、噪聲診斷、頻譜診斷和無(wú)損檢測(cè)技術(shù)等多種故障診

13、斷技術(shù)，隨著現(xiàn)代網(wǎng)絡(luò)技術(shù)和信號(hào)分析技術(shù)的迅速發(fā)展，現(xiàn)已初步實(shí)現(xiàn)狀態(tài)信息分析和邏輯診斷模糊診斷統(tǒng)計(jì)診斷。隨著近幾年來(lái)各種數(shù)據(jù)處理軟硬件的快速發(fā)展，這極大地推動(dòng)了機(jī)械故障技術(shù)的發(fā)展，使得機(jī)械設(shè)備的實(shí)時(shí)在線診斷成為可能之道。數(shù)據(jù)處理如DDM，M6000等實(shí)時(shí)診斷系統(tǒng)以及一些眾多軟件診斷系統(tǒng)，使設(shè)備故障診斷實(shí)現(xiàn)維修現(xiàn)代化。1.2.2 聲學(xué)故障診斷發(fā)展現(xiàn)狀人們從利用機(jī)械發(fā)出的聲音進(jìn)行了最早的最故障診斷。以前人們依賴于個(gè)人所具有的經(jīng)驗(yàn)和知識(shí)來(lái)進(jìn)行故障分析和診斷。當(dāng)設(shè)備出現(xiàn)運(yùn)行狀態(tài)發(fā)生突然變化時(shí)，這些有經(jīng)驗(yàn)的人就知道設(shè)備出現(xiàn)了故障，需要人們通過(guò)經(jīng)驗(yàn)得出解決方案，但這種技巧比較難以掌握，不具有推廣性。如今，振

14、動(dòng)診斷已經(jīng)逐步發(fā)展成一門相對(duì)成熟的診斷技術(shù)，有了相應(yīng)的診斷系統(tǒng)。而噪聲診斷由于測(cè)量環(huán)境的復(fù)雜性導(dǎo)致的信號(hào)混合。信號(hào)信噪比低，使之長(zhǎng)期處于一個(gè)發(fā)展初期階段。下面簡(jiǎn)單介紹幾種已有的噪聲診斷方法。能量統(tǒng)計(jì)法，是目前最基本的也是應(yīng)用最廣的噪聲診斷法。能量統(tǒng)計(jì)法通過(guò)機(jī)械運(yùn)行時(shí)釋放聲能的變化來(lái)判別機(jī)械是否出現(xiàn)故障或出現(xiàn)異常，從而實(shí)現(xiàn)故障診斷。該方法雖然簡(jiǎn)單，但在實(shí)際應(yīng)用中技巧難以很好的掌握，因?yàn)樵摲ㄟ€是會(huì)受到混合信號(hào)的干擾，需要我們的專業(yè)人員通過(guò)經(jīng)驗(yàn)對(duì)故障最初判斷，這也限制了該方法的推廣。聲發(fā)射法，是目前相對(duì)比較成熟的噪聲診斷方法。聲發(fā)射法通過(guò)設(shè)備運(yùn)行中部件釋放的彈性波能量來(lái)實(shí)現(xiàn)故障的識(shí)別和采集。這是一種

15、有效檢測(cè)部件故障的方法。現(xiàn)在主要應(yīng)用與機(jī)械加工中金屬材料狀態(tài)以及軸承滾子等表面狀態(tài)。上述這么應(yīng)用都取得了不錯(cuò)的結(jié)果。神經(jīng)網(wǎng)絡(luò)和小波分析相關(guān)實(shí)驗(yàn)，獲得了某些設(shè)備故障的特定閥值。 當(dāng)前的噪聲故障診斷過(guò)程都伴隨著多臺(tái)機(jī)器一起運(yùn)行，聲場(chǎng)環(huán)境十分復(fù)雜，干擾源眾多。這種情況下要想獲得獨(dú)立的被測(cè)信號(hào)很難。我們必須采取一定的措施對(duì)設(shè)備進(jìn)行分離或停止其他機(jī)器運(yùn)行，從而獲取我們所需的獨(dú)立信號(hào)源，再實(shí)現(xiàn)有效的故障檢測(cè)和分析診斷。近十年來(lái)，隨著獨(dú)立分量分析算法的發(fā)展和推廣，我們可以利用獨(dú)立分離算法對(duì)故障診斷中出現(xiàn)的多元信號(hào)相互干擾問(wèn)題有更好的解決方法。我們通過(guò)采取盲源分離算法將混合信號(hào)進(jìn)行分離實(shí)現(xiàn)信號(hào)的獨(dú)立，在通過(guò)原

16、有故障信號(hào)的對(duì)比就可以對(duì)設(shè)備故障信號(hào)進(jìn)行判別，從而實(shí)現(xiàn)機(jī)械故障診斷。1.2.3 盲源分離技術(shù)發(fā)展現(xiàn)狀1986年。法國(guó)學(xué)者Christian Jutten和Jeanny Herauh提出了基于Hebb學(xué)習(xí)律的學(xué)習(xí)算法和遞歸神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了兩個(gè)獨(dú)立源混合信號(hào)的分離。這在信號(hào)處理領(lǐng)域中揭開了新的一章盲源分離問(wèn)題研究。在隨后的二十年里，學(xué)者們提出的盲源分離的問(wèn)題，已成功的一些算法在一定程度上在某些領(lǐng)域。從算法它，BSS算法分為自適應(yīng)算法和批量處理算法;從代數(shù)函數(shù)和標(biāo)準(zhǔn)，它是基于互信息方法的基礎(chǔ)上，根據(jù)不同的非線性函數(shù)為神經(jīng)網(wǎng)絡(luò)的高階統(tǒng)計(jì)量和方法的方法。國(guó)內(nèi)學(xué)者對(duì)盲源分離算法是比較晚的，但理論和應(yīng)用

17、方面也取得了一定的成績(jī)。首先，張教授張XD清華大學(xué)，在他的“時(shí)間序列分析 - 高階統(tǒng)計(jì)方法”一書中首先介紹的盲源分離算法國(guó)內(nèi)研究后盲分離開始多起來(lái)分析的理論基礎(chǔ)。近年來(lái)，中國(guó)已經(jīng)推出了多個(gè)項(xiàng)目的盲源分離的理論和應(yīng)用，建立了一些研究小組。我們知道，在近十年發(fā)展迅速，但盲源分離算法仍然存在，我們進(jìn)一步研究和解決了不少問(wèn)題。第一個(gè)是理論體系還不完善，處理在使用的算法的所有知識(shí)，穩(wěn)定性和收斂一些實(shí)際經(jīng)驗(yàn)證明是不夠的。第二個(gè)是一個(gè)盲源分離算法有很多理論和實(shí)踐問(wèn)題有待解決，如有效的分離方法與噪聲信號(hào)，多維ICA問(wèn)題，如何更有效地利用各種先驗(yàn)知識(shí)，成功地分離或提取的源信號(hào)，如何有效地結(jié)合神經(jīng)網(wǎng)絡(luò)，源信號(hào)的個(gè)

18、數(shù)大于觀測(cè)信號(hào)的ICA方法數(shù)。此外，盲源分離應(yīng)與其他學(xué)科，如盲源分離技術(shù)結(jié)合使用的是模糊系統(tǒng)理論的一個(gè)有價(jià)值的研究;而盲源分離技術(shù)和遺傳算法相結(jié)合，可以大大降低計(jì)算復(fù)雜度，提高了收斂速度。我們需要研究如何提高算法研究源信號(hào)和使用的統(tǒng)計(jì)特性。在硬件實(shí)現(xiàn)方面，盲源分離問(wèn)題也是相當(dāng)大的發(fā)展，如通過(guò)FPGA實(shí)現(xiàn)。在近二十年的人=年的相關(guān)理論和盲分離算法的共同努力下得到了長(zhǎng)足的發(fā)展，基本的理論問(wèn)題，包括盲源分離本身確定的可解性和解決方法已經(jīng)在很大程度上解決方案，并提出了算法是有效的分離能力，運(yùn)算速度，內(nèi)存要求等。但考慮到理論研究和算法的深度盲源分離問(wèn)題都比較難以實(shí)現(xiàn)大電流的研究盲源分離算法仍處于很不成熟

19、的階段，這是難以滿足越來(lái)越多的實(shí)際應(yīng)用需求，許多理論和算法需要進(jìn)一步探討。 本課題主要開展了一下幾個(gè)方面的工作：（1） 就故障診斷技術(shù)及噪聲分析方法進(jìn)行了概括性描述，總結(jié)了國(guó)內(nèi)外研究發(fā)展現(xiàn)狀；（2） 重點(diǎn)介紹了盲源分離技術(shù)的發(fā)展、理論、算法、應(yīng)用并分析了盲源分離技術(shù)的優(yōu)勢(shì)和可行性。（3） 針對(duì)汽輪機(jī)旋轉(zhuǎn)結(jié)構(gòu)的機(jī)械故障，利用盲源分離技術(shù)進(jìn)行噪聲分析及故障診斷。并進(jìn)行了仿真和試驗(yàn)分析。（4） 總結(jié)了論文的主要內(nèi)容和意義，并就研究的問(wèn)題出研究方向的展望。本課題的意義：由于振動(dòng)診斷在某些環(huán)境中具有局限性，而基于噪聲分析的故障診斷技術(shù)在想這些方面具有優(yōu)勢(shì)，但同時(shí)，目前的噪聲分析法存在操作性的難題，主要是

20、實(shí)際操作過(guò)程中，聲場(chǎng)環(huán)境復(fù)雜多變，我們難以獲得我們所需的單一獨(dú)立的設(shè)備信號(hào)。所以本課題研究的盲源分離技術(shù)能有效地解決信號(hào)混合的問(wèn)題，從而實(shí)現(xiàn)有效的、可操作的故障診斷。本課題通過(guò)盲源分離算法對(duì)混合信號(hào)進(jìn)行分解，實(shí)現(xiàn)對(duì)被測(cè)設(shè)備信號(hào)的提取。本課題以汽輪機(jī)電機(jī)的設(shè)備信號(hào)做實(shí)驗(yàn)，對(duì)其設(shè)備信號(hào)進(jìn)行了提取，分析實(shí)驗(yàn)數(shù)據(jù)證明，盲源分離算法對(duì)于信號(hào)的分離提取是有效的。雖然本課題由于實(shí)驗(yàn)數(shù)據(jù)有限，但證明盲源分離技術(shù)對(duì)于以噪聲分析為基礎(chǔ)的機(jī)械故障診斷是一個(gè)很有前景的研究方向，可多做這一方向的研究。本課題重點(diǎn)是我必須先很好的學(xué)會(huì)基于獨(dú)立分量分析原理的盲源分離算法，并在實(shí)驗(yàn)中用獨(dú)立分量分析進(jìn)行實(shí)驗(yàn)數(shù)據(jù)的分析和處理，實(shí)現(xiàn)

21、實(shí)驗(yàn)設(shè)備所需信號(hào)的提取和分析，獲得所需的設(shè)備信號(hào)，證明盲源分離算法對(duì)于以噪聲分析為基礎(chǔ)的機(jī)械故障診斷有效。2 噪聲分析與采集2.1 聲學(xué)概念噪聲是指機(jī)械在振動(dòng)過(guò)程中發(fā)出的不規(guī)則振動(dòng)波。我們一般采用下面幾個(gè)參數(shù)來(lái)形容噪聲。聲壓級(jí)、功率級(jí)以及聲強(qiáng)級(jí)噪聲的強(qiáng)度；頻譜和頻率噪聲的組成成分。2.2 噪聲的主要參數(shù)：.聲壓、聲功率、聲強(qiáng)。2.2.1 聲壓聲波在傳播時(shí)，空氣中各個(gè)質(zhì)點(diǎn)會(huì)隨著振動(dòng)產(chǎn)生壓力波，并引發(fā)壓力增量。聲壓級(jí)（dB）：指聲壓與基準(zhǔn)聲壓之比是以10為底的對(duì)數(shù)的20倍。即基準(zhǔn)聲壓2.2.2聲功率指聲源在1s內(nèi)輻射出來(lái)的總的聲能。聲功率級(jí)；指聲功率與基準(zhǔn)聲功率之比是以10為底的對(duì)數(shù)的10倍。即基

22、準(zhǔn)功率2.2.3聲強(qiáng)指1s內(nèi)通過(guò)垂直于傳播方向上單位面積的聲波能量。聲強(qiáng)級(jí)：指聲強(qiáng)與基準(zhǔn)聲強(qiáng)之比是以10為底的對(duì)數(shù)的10倍。即基準(zhǔn)聲強(qiáng)2.3 噪聲的采集2.3.1 傳聲器：傳聲器的主要作用是，通過(guò)膜片等感受聲壓變化并將其變化轉(zhuǎn)換為膜片振動(dòng)，從而轉(zhuǎn)化為電能，實(shí)現(xiàn)聲壓的測(cè)量。目前有三類傳聲器，即壓強(qiáng)式、壓差式和組合式。壓強(qiáng)式利用膜片感受聲壓；壓差式利用膜片振動(dòng)測(cè)量膜片左右的壓差；壓強(qiáng)壓差組合可感受聲壓和壓差大小。（1）電容傳聲器其實(shí)是以電容器為基礎(chǔ)，利用兩邊電壓和負(fù)荷穩(wěn)定的狀態(tài)來(lái)輸出變電壓的特征值，這一過(guò)程取決于膜片聲壓的大小。電壓傳聲器是一控制能量型的傳感器，具有環(huán)境適應(yīng)能力強(qiáng)，外部結(jié)構(gòu)緊湊，輸

23、出特征穩(wěn)定等優(yōu)點(diǎn)。（2）壓電傳聲器是一種通過(guò)壓電效應(yīng)實(shí)現(xiàn)聲信號(hào)到電信號(hào)轉(zhuǎn)變的傳感器。其結(jié)構(gòu)簡(jiǎn)單小巧而電容量大，且性能相對(duì)穩(wěn)定，是一種常用的傳聲器。2.3.2 聲級(jí)計(jì)：聲級(jí)計(jì)的作用主要是進(jìn)行頻譜分析測(cè)量信號(hào)聲級(jí)以及記下聲信號(hào)的時(shí)間特征、振動(dòng)特征。工作方式先是利用傳聲器將要測(cè)量的聲信號(hào)轉(zhuǎn)變?yōu)殡妷盒盘?hào)方式，然后通過(guò)信號(hào)減弱、信號(hào)放大和計(jì)權(quán)網(wǎng)絡(luò)將聲能信號(hào)用分貝表顯示出來(lái)。A用于仿真40方等響度圖形（大幅減弱聲信號(hào)低頻信號(hào)）B用于仿真70方等響度圖形（部分減弱聲信號(hào)低頻信號(hào)）C用于仿真100方等響度圖形（全部放過(guò)可檢測(cè)聲信號(hào)，可代表總的聲信號(hào)） LB=LC=LA時(shí),目標(biāo)聲信號(hào)聲能處于高頻信號(hào)段。LB=L

24、C>LA時(shí)，目標(biāo)聲信號(hào)聲能處于中頻信號(hào)段。LC>LB>LA時(shí)，目標(biāo)聲信號(hào)聲能處于低頻信號(hào)段。聲級(jí)計(jì)分為普通聲級(jí)計(jì)、精密聲級(jí)計(jì)和脈沖聲級(jí)計(jì)。聲級(jí)計(jì)的校準(zhǔn)我們使用聲級(jí)計(jì)測(cè)量目標(biāo)信號(hào)都需要重點(diǎn)關(guān)注起始及最后的結(jié)果（兩者差值小于1db）。揚(yáng)聲器校準(zhǔn)和或側(cè)發(fā)生器校準(zhǔn)是最常用的兩種校準(zhǔn)的方法2.4 故障的噪聲識(shí)別方法我們通常就噪聲信號(hào)的特征值取極值作為故障診斷的參考量。要識(shí)別故障的性質(zhì)、發(fā)生的部位以及嚴(yán)重程度，還需要提取噪聲信號(hào)作頻譜分析。我們一般通過(guò)對(duì)噪聲進(jìn)行相對(duì)標(biāo)準(zhǔn)，絕對(duì)標(biāo)準(zhǔn)，類比標(biāo)準(zhǔn)三個(gè)方面的判定。絕對(duì)標(biāo)準(zhǔn)用語(yǔ)測(cè)量噪聲信號(hào)的特殊量，相對(duì)標(biāo)準(zhǔn)用來(lái)測(cè)量正常運(yùn)行是的特征值，類比標(biāo)準(zhǔn)用來(lái)比

25、較同類機(jī)械同等工況下的特征值。3盲源分離算法的原理本章將重點(diǎn)介紹有關(guān)ICA的基本理論和原理。ICA算法屬于優(yōu)化算法，它建立在現(xiàn)代高階統(tǒng)計(jì)算法與信息理論算法的理論基礎(chǔ)之上，它通過(guò)信息最大法，最大似然估計(jì)法，高階累計(jì)算法，最大熵算法和中心極限算法實(shí)現(xiàn)目標(biāo)函數(shù)的建立。本章我們將介紹ICA算法的基本理論基礎(chǔ)和相關(guān)概念，為大家做一個(gè)簡(jiǎn)單說(shuō)明。 3.1 獨(dú)立性ICA理論中最核心的概念即統(tǒng)計(jì)獨(dú)立性。其定義如下：設(shè)x1和x2)的聯(lián)合概率密度為p(x1，x2)，變量x1的邊際概率密度為p(x1)，變量x2)的邊際概率密度為p(x2)，即p(x1)= p(x1，x2)dx2p(x2)= p(x1，x2)dx1如果

26、x1和x2的聯(lián)合概率密度p(x1，x2)滿足p(x1,x2)=p(x1)p(x2)則稱隨機(jī)變量x1和x2是相互獨(dú)立的。此定義同樣適用于多隨機(jī)變量情形：如果n個(gè)隨機(jī)變量的聯(lián)合概率密度可以分解為這一個(gè)隨機(jī)變量各自的邊際概率密度的乘積，即P(x1,x2, xn)=p(x1)(x2) p(xn)則這n個(gè)隨機(jī)變量是相互獨(dú)立的。由此可推：設(shè)h(x1)和h(x2)為兩個(gè)已知函數(shù)且隨機(jī)變量x1和x2相互獨(dú)立，我們認(rèn)為：Eh1(x1)h2(x2)=Eh1(x1)Eh2(x2)。如果兩個(gè)隨機(jī)變量他們相互獨(dú)立我們認(rèn)為他們一定不相關(guān)，所以說(shuō)不相關(guān)以為這獨(dú)立性弱。實(shí)際接受到的混合信號(hào)一般同時(shí)具有二階和高階相關(guān)性，這就需

27、要我們通過(guò)線性來(lái)實(shí)現(xiàn)信號(hào)之間不相關(guān)，達(dá)到盲源信號(hào)分離的目的。ICA的常規(guī)做法就是利用迭代算法減少被測(cè)設(shè)備信號(hào)與環(huán)境噪聲之間的相關(guān)性，從來(lái)實(shí)現(xiàn)信號(hào)的分離。此外，也可通過(guò)對(duì)混合信號(hào)進(jìn)行球化處理和高階相關(guān)性消除，實(shí)現(xiàn)約束條件下的高階相關(guān)性。3.2盲源分離算法概述3.2.1 JADE法JADE法,最早由Cardoso提出，全稱為特征矩陣聯(lián)合近似對(duì)角化。其算法步驟是先定義目標(biāo)四維累積量矩陣，然后令z為球化后的N通道觀察矢量Z=z1,z2,ZNT為任意NxN矩陣。Z的四維累積量矩陣的定義是第ij元素Qz(M)ij，有 i,j=1NKijkl(Z)Z的第i，的四維累積量，Qz(M)N×N陣，mkl

28、M矩陣的第k,l元素。JADE法進(jìn)行ICA及A陣辨識(shí)的步驟如下：(1) 球化：求球化陣形，使Z=WX球化。(2)選定矩陣組M=M1,M2, i,j=1Ni，指的是Kijkl(Z)的四維累積量，Qz(M)為一N×N矩陣陣列，M矩陣的k.l元素用mkl表示。JADE法進(jìn)行ICA及A陣辨識(shí)的步驟如下：(1)球化：求球化陣形，使Z=WX球化。(2)選定矩陣組M=M1,M2,MP對(duì)所有MiM，根據(jù)球化數(shù)據(jù)z按定義,求得一組Qz(Mi),i=1p. (3)根據(jù)式(Mi)=VTQZ(Mi)V=Diagk4(s1)v1MivT,k4(sN)vNMivTN尋求能通過(guò)VTQZ(Mi)V將各QZ(Mi)聯(lián)

29、合對(duì)角化的V陣，并使下式的判據(jù)極小。TQZ(Mi)v(4)于是得A陣及ICA分解結(jié)果： , Y=BX=VTWX3.2.2 四階盲辨識(shí)法(FOBI)四階盲辨識(shí)法是JADE法的前身，它利用四階統(tǒng)計(jì)量來(lái)分解我們說(shuō)的獨(dú)立信源，以及辨識(shí)混合矩陣。他實(shí)際是JADE法的前身。雖然此法的應(yīng)用有一定的局限性，但概念清楚，計(jì)算也簡(jiǎn)單的多，且至今仍有人采用。此法也是分兩步進(jìn)行處理的，第一步先把觀察數(shù)據(jù)石球化，得到z，然后進(jìn)入第二步：構(gòu)建球化數(shù)據(jù)的“二階加權(quán)協(xié)方差陣”：=EZ2ZZT 式中Z2=ZTZ是權(quán)重。由 Z=WX=WAS=VS代入（4.4）式得： |Z|2VSSTVT=VE|S|2SSTVT 可以證明由于S中

30、元素互相獨(dú)立，所以（4.6）式中的VE|S|2SST可以化為對(duì)角陣Diag(S4)+N-1.因此: =VDiag(E(S4)+N-1)VT 此式實(shí)際上就是的主分量分解。V是正交歸一的，特征值是E(Si4+N-1, i=1N,它決定于各信源的四階矩。 可見，只要對(duì)z的加權(quán)協(xié)方差陣Q作主分量分解就能得到各信源的四階矩和礦，從而辨識(shí)得混合陣A=W-1V=WTV, S=V-1Z=VTZ。 3.2.3 信息極大法(Infomax)信息極大法中，先將混合矩陣B進(jìn)行求解，得解Y，再將各個(gè)解用非線性函數(shù)表示，記作g(Y)，表達(dá)式如下所示：R=g(Y)=gi(yi),gN(yN)Tdef=r1,rNT。我們通過(guò)

31、調(diào)節(jié)目標(biāo)函數(shù)B使R得總熵H（R）極大同時(shí)表明Y的各個(gè)分量之間的互信息I(y1,yN)變極小，這就是自適應(yīng)處理。B和G在結(jié)構(gòu)上來(lái)看合一起變成單層感知，而R只是我們?yōu)榱诉_(dá)到Y(jié)各個(gè)分量之間獨(dú)立而引進(jìn)的輔助元素，并非我們需要的輸出元素。參數(shù)調(diào)節(jié)以下式為指導(dǎo)： (4.8)式中）=。3.3 FastICA算法 3.3.1預(yù)處理預(yù)處理是指在進(jìn)行ICA處理前，對(duì)信號(hào)進(jìn)行中心化和球化處理或者差分、濾波等處理。這是盲源分離算法必不可少的一部分。(1) 中心化將觀測(cè)信號(hào)X減去其均值EX，即 信號(hào)的中心化是指=0。我們可證明對(duì)源信號(hào)的中心化就是對(duì)觀測(cè)信號(hào)的中心化并使得源信號(hào)平均等于零。所以，中心化并不影響信號(hào)的混合求

32、解不。并且我們還可以在混合求解過(guò)程中加入其均值信號(hào)。(2) 基于主分量的球化ICA優(yōu)化步驟的第一步球化，先進(jìn)行球化，使式子數(shù)據(jù)間二階相關(guān)性去除，再進(jìn)行高階統(tǒng)計(jì)分析。我們?cè)O(shè)M道原始數(shù)據(jù)構(gòu)成一個(gè)M*T的數(shù)據(jù)矩陣陣X(T是每道數(shù)據(jù)的長(zhǎng)度且通常T>M)。令XXdef=C,，稱C為X的協(xié)方差陣(嚴(yán)格的說(shuō)它只是協(xié)方差陣的一個(gè)樣本估計(jì)，因?yàn)樯形慈【??？梢宰C明C可作如下分解： 上式中的矩陣U是正交歸一的方陣，為對(duì)角矩陣陣，=Diag1, 2, , M , 且存在12M0，稱1為C的特征根。把U前乘到數(shù)據(jù)陣X上，得： 上式表示X的主分量分解過(guò)程。矩陣P的各行可看做X的各主分量。我們將作為變換算子與數(shù)據(jù)

33、陣X相乘得到Z=SX=X上式稱為對(duì)X作“球化”?？梢宰C明Z中各行也是相互正交的，而且各行的能量都相等，且等于l。值得指出的是：球化陣不是惟一的。事實(shí)上把任何正交歸一陣EEE=I前乘到X上，所得結(jié)果仍能使X球化，因而也可作為球化陣。3.3.2 FasICA算法原理因?yàn)镕astICA算法以負(fù)熵最大作為一個(gè)搜尋方向，因此先討論一下負(fù)熵判決準(zhǔn)則。由信息論理論可知：在所有等方差的隨機(jī)變量中，高斯變量的熵最大，因而我們可以利用熵來(lái)度量非高斯性，常用熵的修正形式，即負(fù)熵。根據(jù)中心極限定理，若一隨機(jī)變量由許多相互獨(dú)立的隨機(jī)變量之和組成，只要具有有限的均值和方差，則不論其為何種分布，隨機(jī)變量較更接近高斯分布。換

34、言之，較的非高斯性更強(qiáng)。因此，在分離過(guò)程中，可通過(guò)對(duì)分離結(jié)果的非高斯性度量來(lái)表示分離結(jié)果間的相互獨(dú)立性，當(dāng)非高斯性度量達(dá)到最大時(shí)，則表明已完成對(duì)各獨(dú)立分量的分離。負(fù)熵的定義： （3-5）式中，是一與具有相同方差的高斯隨機(jī)變量，為隨機(jī)變量的微分熵 （3-6） 根據(jù)信息理論，在具有相同方差的隨機(jī)變量中，高斯分布的隨機(jī)變量具有最大的微分熵。當(dāng)具有高斯分布時(shí)，；的非高斯性越強(qiáng)，其微分熵越小，值越大，所以可以作為隨機(jī)變量非高斯性的測(cè)度。由于根據(jù)式（2.6）計(jì)算微分熵需要知道的概率密度分布函數(shù)，這顯然不切實(shí)際，于是采用如下近似公式： （3-7）其中，為均值運(yùn)算；為非線性函數(shù)，可取，或或等非線性函數(shù)，這里，

35、通常我們?nèi)??？焖買CA學(xué)習(xí)規(guī)則是找一個(gè)方向以便具有最大的非高斯性。這里，非高斯性用式（2.7）給出的負(fù)熵的近似值來(lái)度量,的方差約束為1，對(duì)于白化數(shù)據(jù)而言，這等于約束的范數(shù)為1。FastICA算法的推導(dǎo)如下。首先，的負(fù)熵的最大近似值能通過(guò)對(duì)進(jìn)行優(yōu)化來(lái)獲得。根據(jù)Kuhn-Tucker條件，在的約束下，的最優(yōu)值能在滿足下式的點(diǎn)上獲得。 （3-8）這里，是一個(gè)恒定值， ,是優(yōu)化后的值。下面我們利用牛頓迭代法解方程（2.8）。用表示式（2.8）左邊的函數(shù)，可得的雅可比矩陣如下： （3-9）為了簡(jiǎn)化矩陣的求逆，可以近似為（2.9）式的第一項(xiàng)。由于數(shù)據(jù)被球化，,所以，。因而雅可比矩陣變成了對(duì)角陣，并且能比較

36、容易地求逆。因而可以得到下面的近似牛頓迭代公式： （3-10）這里，是的新值，規(guī)格化能提高解的穩(wěn)定性。簡(jiǎn)化后就可以得到FastICA算法的迭代公式： (3-11)實(shí)踐中，F(xiàn)astICA算法中用的期望必須用它們的估計(jì)值代替。當(dāng)然最好的估計(jì)是相應(yīng)的樣本平均。理想情況下，所有的有效數(shù)據(jù)都應(yīng)該參與計(jì)算，但這會(huì)降低計(jì)算速度。所以通常用一部分樣本的平均來(lái)估計(jì)，樣本數(shù)目的多少對(duì)最后估計(jì)的精確度有很大影響。迭代中的樣本點(diǎn)應(yīng)該分別選取，假如收斂不理想的話，可以增加樣本的數(shù)量。4實(shí)驗(yàn)聲信號(hào)一般采用非接觸測(cè)量方式來(lái)獲取，從使用上來(lái)講簡(jiǎn)單方便，但所獲取信息的選擇性卻大大降低。在機(jī)械設(shè)備運(yùn)行的現(xiàn)場(chǎng)，具有較高強(qiáng)度的環(huán)境景

37、噪聲，機(jī)器聲常常淹沒其中，同時(shí)鄰近設(shè)備和同一設(shè)備其它部位的聲信號(hào)也會(huì)混入到所采集的信號(hào)中，再加之聲的回波干擾，信號(hào)的信噪比低，故障源辨識(shí)困難。因此，解決聲信號(hào)監(jiān)測(cè)診斷的關(guān)鍵在于兩個(gè)方面：(1)提高有效聲源的辨識(shí)能力；(2)消除噪聲干擾，提高信噪比。基于聲信號(hào)的機(jī)械故障診斷，常常被稱機(jī)器異響診斷。機(jī)器異響就是由于機(jī)器異?；驌p傷而產(chǎn)生的與正常工作聲音不同的聲音。機(jī)器的異響多由零部件或者接觸表面的局部缺損、裂紋、松動(dòng)等引起，從而使出現(xiàn)的異響為撞擊發(fā)出的聲響，如齒輪斷齒或輪齒表面出現(xiàn)凹坑引起的異常嚙合聲、滾動(dòng)軸承的滾動(dòng)體表面有劃痕時(shí)的沖擊聲等，實(shí)質(zhì)上就是不同形式的金屬撞擊聲。由于這種撞擊過(guò)程是短時(shí)完成

38、的，所以故障信號(hào)為隨時(shí)間振蕩衰減的沖擊信號(hào)，沖擊的幅度、振蕩的頻率和衰減速度及沖擊的節(jié)奏與故障的部位或類型直接相關(guān)。而一般接收的異響信號(hào)，沖擊信號(hào)被噪聲嚴(yán)重干擾，常規(guī)方法難于處理?？紤]到聲信號(hào)監(jiān)測(cè)診斷以上兩個(gè)方面的問(wèn)題，針對(duì)機(jī)械異響的特性，本文提出了一種獨(dú)立分量分析和自相關(guān)分析相結(jié)合的方法用來(lái)解決機(jī)械異響診斷，分為兩個(gè)部分：聲源識(shí)別和噪聲消除。在聲源識(shí)別方面，采用獨(dú)立分量分析從觀測(cè)信號(hào)中提取獨(dú)立的聲源信號(hào)，分離特征信號(hào)和干擾信號(hào)，消除背景噪聲對(duì)特征信號(hào)的干擾。在噪聲消除方面，采用自相關(guān)分析提取特征信號(hào)中的周期成分，消除隨機(jī)噪聲的干擾。 5 結(jié)論與展望5.1 結(jié)論 實(shí)際的機(jī)械故障診斷所采集的聲信

39、號(hào)中含有多種分量，故障特征分量往往淹沒在其中，信號(hào)信噪比很低。為了解決機(jī)械故障診斷中傳統(tǒng)的聲信號(hào)分析方法容易受到環(huán)境噪聲影響，信號(hào)信噪比低的難題，本課題提出能有效解決信號(hào)混合提純的盲源分離算法，并通過(guò)汽輪機(jī)電機(jī)試驗(yàn)進(jìn)行驗(yàn)證試驗(yàn)以及實(shí)驗(yàn)數(shù)據(jù)分析，結(jié)果表明盲源分離算法是有效的。特得出以下幾點(diǎn)結(jié)論： （1） 基于噪聲分析的機(jī)械故障診斷可以做到振動(dòng)診斷不能做到的事，例如可以通過(guò)非接觸式獲取機(jī)械狀態(tài)信號(hào)，以及獲取高腐蝕等惡劣環(huán)境中的設(shè)備信號(hào)，是一種十分方便而有效的機(jī)械故障診斷方法。（2） 盲源分離技術(shù)是一種能有效提取目標(biāo)故障信號(hào)，提高信號(hào)信噪比的一種診斷方法，它通過(guò)獨(dú)立分量分析從觀測(cè)信號(hào)中提取獨(dú)立機(jī)械聲

40、源信號(hào)，逐步消除背景噪聲和隨機(jī)噪聲的干擾，實(shí)現(xiàn)被測(cè)信號(hào)的比例擴(kuò)大，有效而顯著提高被測(cè)設(shè)備信號(hào)的信噪比。（3） 分析了噪聲的本質(zhì)，以及介紹了噪聲采集和測(cè)量的儀器 ，闡述了噪聲分析和處理的原理和過(guò)程。（4） 重點(diǎn)分析了基于ICA的幾種盲源分離算法，并通過(guò)仿真實(shí)驗(yàn)?zāi)M了基于噪聲分析的機(jī)械故障診斷過(guò)程和結(jié)果，證明盲源分離技術(shù)能有效提取聲源信號(hào)，顯著提高信號(hào)信噪比。52 展望基于噪聲分析的機(jī)械故障診斷技術(shù)尚處于方興未艾的階段，很有深入研究的價(jià)值，盲源分離技術(shù)還有很大的發(fā)展空間，需要我們不斷完善，將盲源分離技術(shù)用于機(jī)械故障分析很有前景，簡(jiǎn)要提出以下幾點(diǎn)展望：（1） 基于噪聲分析和基于振動(dòng)信號(hào)分析的機(jī)械故障

41、診斷方法各有優(yōu)勢(shì)和不足，在實(shí)際應(yīng)用中可考慮將二者做一些結(jié)合，以便更好的獲取機(jī)械狀態(tài)信號(hào)，達(dá)到最佳的診斷效果。（2） 各種盲源分離算法之間也可做一些結(jié)合方面的研究，多種方法混合解決信號(hào)信噪比低的問(wèn)題，應(yīng)該可以有更有效的方式。（3） 盲源分離技術(shù)是的發(fā)展尚不成熟，有相當(dāng)大的發(fā)展空間和潛力。本文由于時(shí)間和資料的不足，未能對(duì)其算法有更深入的研究和探討，這方面可做更多的工作。 參考文獻(xiàn) 1李功，黃民基于小波包變換的超聲回波信號(hào)特征提取合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2006，29(2)：246-2492 王立欣諸定秋蔡維錚局部放電在線監(jiān)測(cè)中基于小波變換的閾值消噪算法研究電網(wǎng)技術(shù)，2003（04）3 管亮，

42、馮新滬基于小波變換的信號(hào)濾波效果影響因素研究及其 matlab實(shí)踐自動(dòng)化與儀器儀表，2004（6）：43-464 譚善文，秦樹人，湯寶平小波基時(shí)頻特性及其在分析突變信號(hào)中的應(yīng)用重慶大學(xué)學(xué)報(bào)，2001，24（2）：45-475 李增芳,何勇,徐高歡. 基于聲強(qiáng)信號(hào)分析和組合神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷J. 農(nóng)業(yè)機(jī)械學(xué)報(bào). 2008(12)6 徐玉秀,張劍,侯榮濤著.機(jī)械系統(tǒng)動(dòng)力學(xué)分形特征及故障診斷方法M. 國(guó)防工業(yè)出版社, 20067 李敏. 復(fù)雜機(jī)械基于數(shù)據(jù)的建模與故障診斷D. 太原理工大學(xué) 20108張梅軍機(jī)械狀態(tài)檢測(cè)與故障診斷M北京：國(guó)防工業(yè)出版社，2008：241248.9 程軍圣,于德介,

43、楊宇,等.尺度-小波能量譜在滾動(dòng)軸承故障診斷中的應(yīng)用J.振動(dòng)工程學(xué)報(bào), 2004, 17(1): 606-612.10 岳夏. 基于HMM的復(fù)雜條件故障診斷技術(shù)研究D. 華南理工大學(xué) 201211 趙協(xié)廣. 基于小波變換和經(jīng)驗(yàn)?zāi)B(tài)分解的滾動(dòng)軸承故障診斷方法研究D. 山東科技大學(xué) 200912 M E Badaoui,J Antoni,F Guillet.Use of the moving cepstrum integral to detect and localise tooth spalls in gears. Journal of Mechanical Systems . 200113 Song You,Mark Krage,Laci Jalics.Overview of Remote Dia