基于盲源分离的旋转机械干扰消除技术研究

作者:焦卫东;杨世锡;吴昭同 刊名:仪器仪表学报 上传者:孙健

【摘要】实际工厂环境中 ,用于状态监测与故障诊断的信号检测传感器 ,其所采集的机器信号 (振动或声音 )中 ,不可避免地混杂有来自于相邻设备以及周围环境的干扰 ,这对于机器健康状态的准确监测是很不利的。这里研究利用盲源分离技术分离(去除 )这些无用的外来干扰 ,以提高故障诊断的准确性。盲源分离是一个很独特的盲信号分析与处理工具 ,在机械设备监测与诊断领域有着很好的应用前景。仿真实验以及现实世界的声源信号分离实验结果 ,证实了盲源分离方法在机械设备干扰去除方面的有效性

全文阅读

1引言振动与声学诊断法是机械设备状态监测和故障诊断中两种比较重要的方法[1]。目前,这两种诊断法已应用于生产实践并取得了一定的经济效益,但实用中存在一些问题。现实的故障诊断工作总是在嘈杂的工厂环境中进行的,并且一般总是涉及到多台机器同时运行的情况。生产的客观要求不可能为监测某台特定设备而将其他设备停下来,这就导致:通常为某台待诊断设备所设置的信号检测传感器(如加速度计和传声器等),其所测得的信号必然包含来自其他运行设备的强烈干扰,加之环境噪声的影响,要准确地获取某个特定的信号变得极为困难,这极大地限制了故障诊断法的实际应用。传统的噪声与干扰去除方法[34],由于自身的限制(往往依赖于源信号类型相关的详细知识或信号传输系统特性的精确辨识),在信号的抗扰去噪方面无能为力。近年来,出现了一种阵列信号处理新技术盲源分离BSS(BlindSourceSeparation)技术,由于自身独特的盲信息处理优势,在通讯、语音与图像处理、生物医学等不同领域得到了广泛的应用[911]。本文利用BSS方法,去除传感观测中混杂的外来干扰噪声。据此,降低故障诊断的难度与复杂度,提高诊断的准确性2机械源信号发生、传播及混合分析通常,机械振动的产生原因明确直接。机器内部任何力或运动的异常波动,往往都可以视为一个有意义的振源。相对而言,机器声的生成历程比较复杂[23]。在某些情况下(如空旷的开阔地带),假设辐射声源信号s(t)是窄带的(带宽为W),且由远场进入测量传感器阵列,各传感器间的时间延迟为,当足够小,使得:W1(1)时,声信号的混合可近似为如下的线性瞬时混叠[4]模型:x=As+n(t)(2)式中:x={x1,x2,…,xM}为传感观测向量,s={s1,s2,…,sN}为源向量。A为一个MN的非奇异矩阵,n(t)为外加噪声。实际中,机械振动与声信号通常包含着较宽的频率成分,窄带源假设一般难以成立。而且,由于机械结构对振动的传播以及声传播过程中的反响与散射所造成的多径效应,机械源混合建模为线性卷积混叠模型[2]更为合适。特别地,当多台机器彼此间存在如图1的结构耦合(如轮船汽轮机室的机器振动)时,情况更是如此。线性卷积混叠模型如图2所示。其中,Aij,i,j{1,2}为未知的线性滤波器,取决于传输媒介,n为离散时间变量。瞬时模型只对某些特殊情况(如小型机械)下的声源混合才近似成立[4]。图1耦合机器结构图2卷积源混叠模型图2的卷积混叠模型中,目标及干扰源信号取决于机械故障诊断的不同目标。例如,欲对机器1进行故障诊断,此时源s1即为需获取的目标信号,而通过耦合结构混入传感观测中的机器2运行信号s2即为需去除的外来干扰信号。源分离的目的就是仅从传感混合观测(x1和x2)出发,分离(去除)外来干扰,获得待诊断机器运行信号。3盲源分离BSSBSS的基本理论创立于20世纪80年代末期,90年代得到迅猛的发展,至今,已经出现了众多行之有效、各具特色的盲分离算法[58]。BSS处理的一般模型可表示为:x(t)=As(t)+n(t)(3)这里s(t)={si(t),i=1,2,…,N}为具有N个统计独立分量的源向量,通常无法直接观测。x(t)={xj(t),j=1,…,M}为M个已知的传感观测。A为一特性未知MN混合矩阵且MN,n(t)为观测噪声。运算符“”对线性瞬时混叠模型来说表示乘积,卷积混叠时代表卷积运算。盲源分离就是从这M个已知的观测x(t)出发,通过优化某一独立性测度准则函数(通常基于信号的高阶统计量构建),构造分离矩阵B,从而获得源信号估计y(t)=Bx(t)=s(t)。大多数

参考文献

引证文献

问答

我要提问