（系统工程专业论文）基于盲源分离和小波分析的电机声频故障诊断研究.pdf

摘要 摘要 随着现代科学技术的进步和社会经济的不断发展，电机在生产中和日常生活 中发挥着越来越重要的作用。电机产生故障时不仅会损坏电机本身，而且会影响 整个系统或者家用电器的正常工作，甚至危及人身安全，造成巨大的经济损失。 通过对常见故障的诊断和分析，可以及早发现故障和预防故障的进一步恶化，减 少突发事故造成的停产损失，并为实现状态检修创造条件。 电机的故障诊断和维护与电机本身一样由来已久，电机设备在运行过程中， 不仅会产生振动，还会发出强烈的噪声，机械设备的噪声信号中蕴涵着丰富的设 备状态信息，所以噪声信号同样能够应用于机械设备的故障诊断。如果机械的声 音突然发生了变化，就往往说明机械有了故障，需要进行修理。随着近年对噪声 的要求日益严格，电机的噪声成为影响电机寿命和市场效益的重要因素。 本文详细的研究了盲源分离技术和小波变换在电机声频故障诊断中的研究应 用。由于电机发生故障时，往往是多种故障同时发生，这时采集到的声音信号包 含了多种故障的信号特征，如何将这多种信号混合在一起的信号，最大可能独立 分离丌，是正确诊断出故障的前提条件。本文采用了较为成熟的盲源信号分离理 论，采用一种已知的盲源分离算法，对采集到的信号进行了分离，取得不错的效 果。由于电机发生故障时，故障信号中往往含有大量的时变、短时冲击、突发性 质的成分，传统的信号分析方法，如f o u r i e r 变换，不能有效地提取出电机的故障 特征。而小波变换作为一种时频分析方法，它在时频域都具有表征信号局部特征 的能力，能通过时频窗的灵活变换来突出信号的不同频率成分。 本文的对电机进行故障诊断的步骤是：一，利用盲源分离理论将采集到的信 号，按照一种已知的分离算法进行分离；二，再将分离出的单个信号利用小波进 行分析，按照信号在不同的能量层的分布作为判断的一个依据：三，利用数理统 计理论的参数区间估计方法，能够较好判断出电机故障种类和位置。这种方法容 易实现，为在线及时故障诊断创造了条件。 关键词：小波变换盲源分离电机故障诊断区间估计 广东工业大学工学硕士学位论文 a b s t r a c t w i t ht h ed e v e l o p m e mo fm o d e ms c i e n c ea 1 1 dt e c h n o l o g ya n dl ee c o n o m i c ， e l e c t r o m o t o rp l a yam o r ea n dm o r ei m p o n a n tm l ei nm o d e mi n d u s t r i a lp l a n t sa n dd a i l y l i f e w h e nt h ee l e c t r o m o t o rh a v es o m ef a u l ti nm i u l i n i t sn o to n l yd e c o n s t r u c t e d i t s e l eb u ta l s op m d u c e sb i gd a m a g et ot h es y s t e ma n de q u i p m e n te v e nt ot h em a nw h o u s ei t w ec a nf o r e s e et h ef 撕l to ft h ee l e c t r o m o t o rt h m u 曲d i a g n o s i sa n da n a l y s i st h e f a u l to ft h ee l e c t m m o t o r ，t h i sw i l lr e d u c et h er i s ko ft h ed a m a g eb ye l e c t r o m o t o rh a v e s o m ef a u l t ，a n dm a k eag o o dc o n d i t i o nf o rr e p a i l e l e c t r o m o t o rf h u l td i a g n o s i sa n dm 撕n t a i na s1 0 n ga st h ee l e c t r o m o t o ri t s e l fi nt h e c o u r s eo fo p e r a t i n g ，t h ee l e c t r o m o t o rn o to n l yw i l lp r o d u c ev i b r a t i o n ，b u ta l s ow i l ls e n d o u ts t r o n gn o i s e ，w h i c hc o n t a i n sa b u n d a n ts t a t u si n f b m a t i o no ft h ee q u i p m e n t ，s ow e c a nu s et h en o i s es i g n a lt od i a g n o s e l ef a u l t a st h er e q u i s i t i o no fn o i s ei sr i g o r o u si n r e c e n ty e a r s ，t h en o i s eo fe l e c t r o m o t o rh a sb e e na 1 1i m p o r t a n tf k t o rt oi n n u e n c eo n m a r k e tb e n e 6 1 t h i sp 印e rr e s e a r c ht l l ee l e c t r o m o t o rf a u l td i a g n o s i su s e st h et e c h n o l o g yo f ( b l i n d s o u r c es e p a r a t e ) b s sa n dw a v e l e t 廿a j l s f o 肿t h e r es o 锄a n yf a l j l th a p p e nw h e nt h e e l e c t r o r n o t o rr u r u l i n g ，t h en o i s e st h a tw eg e t 血c l u d ea ut h ef b a t u r eo ft h o s ef a u l t s ，ni s t h ep r e c o n d i t i o nt h a tc a ns e p a r a t et h es o u r c en o i s e st od i a g n o s i st h ef h u l t s w eu s ea g o o dm e t h o do fb s st os e p a r a t et h en o i s e st h a t w eh a v e g o t t e nf b mm ef a u l t e l e c t r o m o t o r ，w eg o tag o o dr e s u l t a st h ef a u l ts i g n a li sn o n - s t a t i o n a r y ，t r a n s i e n to n e ， t h et r a d i t i o n a ls i g n a la n a l y s i sm e t h o d s ，s u c ha sf f ta r en o ts oe 伍c i e n ta n du s e 乱lf o r t h ef a u l ts i g n a ld e t e c t i o n h o w e v e r ，w a v e l e ta n a l y s i sh a st h ee x c e l l e n tt i m e - 舶q u e n c y l o c a lp e r f o m l a n c e ；i tc a nd e t e c tt h ed i 丘b r e n tf k q u e n c yc o m p o n e n t so ft h ef a u l ts i g n a l s b yi t sa d j u s t a b l et i m e - f k q u e n c yw i n d o w l nm i sp a p e r ，a tf l r s t ，、v eu s eb s st os e p a r a t e 山en o i s e s ，i n t h es e c o n dw eu s e w a v e l e tt r a n s f o r n lt op r o c e s st h es i n 9 1 ef a u l tn o i s e s ，w ec a l lj u d g et h ed i a g n o s i st h m u 曲 t h ed i 舵r e n to ft h es p e c t r u m e n e 唱y ，a tt h ee n d ，w eu s et h em e t l l o do fe s t i m a t eo f i n t e 卜z o n et oj u d g et l l en o i s e sb e l o n gw h i c hf a u l t ，w eh a v eg e tas a t i s f i e dr e s u l t ，a n dt h i s i i m e t h o dc r e a t e dag o o dc o n d i t i o nf o rd i a g n o s i st h ee l e c t r o m o t o rf a u l to nl i n eo nt i m e k e y w o r d s ：w a v e l e tt r a i l s f b m ；b s s ；e s t i m a t eo fi n t e r - z o n e ；e l e c 仰n l o t o rf a u l t d i a g n o s j s 第一章绪论 第一章绪论 1 1 引言 人类的生产劳动离不开各种能源。由于电能在生产、传输、分配、使用、控 制及能量转换等方面极为方便，加之电机具有性能优良、便于控制、使用与操作 简单等特性，因而得到了迅速普及，使人类从繁重的体力劳动中逐步解脱出来， 从而推进和完成了人类历史上第二次工业革命。如今，在：亡业、农业、交通运输、 国防工程以及日常生活中，已经离不开电机，电机作为世界上使用最普遍的、数 量最多的供电设备和动力机械，几乎占领了所有领域。随着现代科学技术的进步、 生产系统的发展和设备制造水平的提高，生产系统中所采用的电机数量不断增加， 单机容量也在不断提高，显而易见，电机的正常工作对保证生产制造过程中的安 全、高效、敏捷、优质及低耗运行意义非常重大。电机的故障和停止运行，不仅 会损坏电机本身，而且会影响整个系统的正常工作，甚至会危及人身安全，造成 巨大的经济损失，因此对电机故障的诊断要求十分迫切。通过对电机常见故障的 诊断和分析，可以及早发现故障和预防故障的进一步恶化，减少突发事故造成的 停产损失，防止对人员和设备安全的威胁，并为实现状态检修创造条件；还可为 设计制造者提供经验，积累数据，有助于电机性能及可靠性的改进；同时对电机 故障定位、决策及维修都是极其重要的。 电机在生产系统中和臼常生活中有着重要的地位和作用，一般除应采取各种 积极的维护措施消除或减少故障隐患之外，在故障初期便能可靠地诊断出故障的 类型和成因是最理想的解决方法。为了能在电机有早期故障征兆时采取积极主动 的调节措施，防止故障的进一步恶化，应配备故障在线监视、检测和智能诊断系 统，通过对各种电气量或非电气量的连续监视，分析早期故障征兆信号，并结合 智能诊断系统进行判别。在电机故障初期便能捕获到故障信息，为实现合理的状 态检修创造条件，这是电机最为理想的诊断和保护措施。但早期故障微弱信号的 获取和智能诊断系统的准确性，特别是在信号处理技术和特征提取环节上还存在 很多困难，使得这种方法还未能取得理想效果并真正进入实用化阶段，一般只能 靠定期停机检修来消除故障隐患。 广东工业大学工学硕士学位论文 设备故障诊断学( m a c h i n ec o n d i t i o nd i a g n o s i st e c h n i q u e ，缩写为m d t ) 就是在此基础上产生的，以可靠性理论、信息论、控制论和系统论为理论基础， 以现代测试仪器和计算机为技术手段，结合各种诊断对象( 系统、设备、机器、 装置、工程结构、工艺过程等) 的特殊规律而逐步形成的一门新兴学科，其基本 原理是根据机械、电气等各类设备运行过程中产生的各种信息，判断设备运行是 属于正常还是发生了异常，识别设备或机器是否发生了故障“。它大体上由三部分 组成：第一部分为故障诊断物理、化学过程的研究，例如以电气、机械部件失效 的腐蚀、蠕变、疲劳等理化原因的研究；第二部分为故障诊断信息学的研究，它 主要是研究故障信号的采集、选择、处理与分析过程：例如通过传感器采集设备 运行中的信号( 如振动) ，再经过时域与频域上的分析处理来识别和评价设备所处 的状态或故障；第三部分为诊断逻辑与数学原理方面的研究，主要是通过逻辑方 法、模型法、推论方法及人工智能方法，根据己观测的设备故障表征来确定下一 步的检测部位，最终分析判断故障发生的部位和产生故障的原因。 设备诊断技术在生产中的应用，改变了维修方式，具有显著的经济效益。这 主要表现在： ( 1 ) 对生产单位，配置故障诊断系统能减少事故停枫率，具有很高的收益 投资比。 ( 2 ) 针对长期养成的定时定期维修方案，配置故障诊断系统可以做到根据情 况确定是否维修，节省无效的维修费用。 1 2 本课题的研究背景及意义 电机作为机电能量转换的核心驱动执行部件，是机电产品的重要组成部 分。随着现代工业及科学技术的迅猛发展，电机已被广泛应用于工业系统的各个 领域以及家用电器中。目前，全球约有1 3 的微电机在中国生产，而广东省是我国 小型电机的重要生产基地，有微电机生产厂家2 0 0 多个，在珠江三角洲地区，年产 量超过5 0 0 万台的企业不下3 0 家。如中山大洋公司年产各种微电机1 0 0 0 万台；顺德 威灵电机公司的空调塑封电机年产量6 0 0 万台，占国内市场份额三分之一，本文主 要针对微型电机特别是家用空调的电机进行故障诊断。 电机诊断是设备故障诊断技术的一个部分，机械设备在运行过程中，不仅会 第一章绪论 产生振动，还会发出强烈的噪声。一般地讲，振动越强烈，噪声也就越大。与振 动信号一样，机械设备的噪声信号中蕴涵着丰富的设备状态信息，所以噪声信号 同样能够应用于机械设备的故障诊断。在电机的噪声控制工程中，噪声的测量占 有十分重要的位置。评判一台电机噪声的大小，识别电机的主要噪声源，确定电 机的降噪效果，都离不开噪声的测量，甚至噪声测量可用于检测电机的内部机构 的运行状况。事实上，人们最早开始故障渗断的时候，就是利用机械发出的声音。 如果机械的声音突然发生了变化，就往往说明机械有了故障，需要进行修理。随 着近年对噪声的要求日益严格，电机的噪声成为影响电机寿命和市场效益的重要 因素。尽管对电机噪声产生的机理与降噪措施进行了充分的研究，但是用户反映 目前国产电机，仍然存在着听觉上感到噪声高的问题，导致在某些场合下用户不 愿选择国产电机。用精密声级计对多种电机进行测量分析表明，国产电机总体噪 声与国外进口电机的总体噪声相当，没有大的差别。这说明，国产电机的噪声容 易产生在使人听觉感到不愉快的频率范围内。因此电机厂家迫切需要提升故障诊 断水平，以提高国产电机的质量和经济效益。 到目前为止，振动故障诊断技术已经发展成一。套比较完整的体系。在机械设 备状态临测与故障诊断中，声音诊断也是最基本的诊断方法之一。传统的方法主 要是依靠人耳来获取声音，并凭借经验进行诊断，在设备的维修人员中广泛应用， 并取得一定的效果，表明了设备异响与故障之间有敏感的联系。但这种方法非常 “原始”，初学者掌握困难，无法建立客观标准，诊断效果完全取决于个人经验 的积累程度，这样急需发展基于声音的诊断系统。但由于声音信号十分复杂，当 时的声学研究有限，利用噪声信号实施状态监测和故障诊断，即声频故障诊断技 术的发展渐渐地落后于振动故障诊断技术，始终处于起始阶段。现在浚技术再一 次得到人们的重视。 1 3 电机诊断的相关技术 电机诊断是设备诊断技术的一个部分，由于电机工作过程中发生故障或失效 的潜在可能性，随着运行时间的增长逐渐增大，往往一个部件的故障就能引起链 式反应，导致整个设备系统不能正常运行，甚至瘫痪。由于电机的工作原理和结 构上的种种特点，其诊断方法和采用的检测技术和其他设备的诊断有所不同。根 3 广东工业大学工学预：卜学位论文 据电机工作原理，在它内部存在着几个相互关联，而又不可截然分割的工作系统 电路系统、磁路系统、绝缘系统、机械系统和通风散热系统，电机的动态性 能是电磁、振动和声学过程的总体反映，因此，电机渗断需涉及较多技术领域， 电机学、热力学和传热学、材料工程、机械诊断学、电子测量学、信息工程技术、 计算机技术等。 目前用于电机诊断的技术主要有以下几种方式： ( 1 ) 电流分析法：通过对负载电流波形的检测和频谱分析，诊断电机故障的 原因和程度。定子电流的分析是诊断和监测交流电机故障的有效方法。它可以诊 断交流电机笼型绕组的断条、静态气隙偏心、动态气隙偏心、机械不平衡等故障， 是当前采用较多的一种电机故障渗断方法。定子电流分析的方式较多，有基于定 子电流的频谱分析方法，小波分析方法以及高阶谱分析方法等现代信号处理方法： 也有基于人工神经网络、模糊神经网络、逻辑诊断等人工智能方法。 ( 2 ) 振动诊断：通过对电机振动信号的检测，对信号进行各种处理和分析， 诊断电机产生故障部位，并制定处理办法。振动能客观地反映电动机的运行状态， 对电机的振动进行监测和诊断，是掌握其运行状态和发现故障的重要技术手段。 近些年来，电机的振动测试和诊断技术也有了很大进展，特别是由于先进的测试 设备和分析设备不断问世，不但能准确的测量各种振动量，而且能精确分析各种 振动信息和参数，完成现场的实时分析。目前已有相应的产品出现，如北京京航 公司的产品在线振动分析现场动平衡及电机渗断专家系统等。 ( 3 ) 绝缘诊断：利用各种电气试验和特殊诊断技术，对电机的绝缘结构、工 作性能和是否存在缺陷做出结论，并对绝缘剩余寿命做出预测。 ( 4 ) 温度诊断：用各种温度检测方法和红外测温技术，对电机各部分温度进 行监测和故障诊断。 ( 5 ) 换向诊断：对直流电机的换向进行监测和诊断，通过机械和电气检测方 法，诊断出影响换向的因素和制定改善换向的方法。 ( 6 ) 振声诊断技术( v a 诊断) ：v a 诊断技术是对诊断的对象同时采集振动和 噪声信号，分别进行信号处理，然后综合诊断。 由于电机设备故障诊断的准确及时对保证生产安全平稳，避免人员、财产的 巨大损失具有重要意义。故障诊断技术作为一门交叉性科学，从6 0 年代起至今， 己在传统的方法上得到飞速发展，新的理论及现代故障诊断方法不断出现：小波 第一章绪论 变换、专家系统、模糊系统、神经网络等都在故障诊断领域得到了成功应用。由 于电机设备故障征兆与故障特征问复杂的非线性特性，使故障诊断及识别较为复 杂，仅仅靠一种理论、一种方法是无法实现在复杂环境下准确、及时地进行电机 设备的故障诊断。因此集成型智能故障诊断系统必将是电机设备故障诊断技术的 新趋势。另外，无论是哪一种诊断方法，真实信号的获取是成功实现故障诊断的 前提，多传感器数据融合理论必将在故障诊断中起重要的作用，文献 3 己开始了 这方而的研究并取得相应的成果。 1 4 电机声频故障诊断系统的产生与发展现状 在各种类型的信号中，声音信号是很常见的信号，它可阻表征各种声源类别， 与其他技术相比，它具有许多优点。从电机人工噪声检测的作用和达到的目标分 析来看，绝缘诊断和换向诊断只针对某一种故障或某类电机，不具有广泛性； 温度诊断须埋设很多温度计，不易测量；红外测温方法虽可进行非接触式测量， 测量方便、快捷，灵敏度高，但只适合如铁芯制造某些诊断过程中。只有振动诊 断技术和振声诊断技术是适宜的。但振动诊断技术是接触式测量，设备结构复杂， 速度慢。根据目前利用振动诊断技术开发的系统运用情况i u 看出，该技术多针对 某一特定运行的电机，如大型汽轮发电机组、水电机组的监测与诊断中，利用其 的历史数据对其监测诊断。在发动机工作过程中，它的许多运行状况都可以通过 声音体现出来，而且一组声音信号可以体现发动机多个部位的故障；a 卜b a l u s h ik r 等分别对声频故障诊断和振动故障诊断进行了对比研究，说明噪声信息中含有大 量的状态特征信息，不但可以利用声压信号实现故障监测和诊断，而且声频故障 诊断技术具有振动故障诊断技术所不可比拟的一些优点：非接触式测量；设备简 单、速度快、效率高；信号易于测取、无须事先粘贴传感器、不影响设备正常工 作n 3 】；另外，声音信号的拾取比较方便，可以采取非接触测量法，对传感器的要 求也不高，只需要一个麦克风式的传感器即可“”。基于以上原因，我们选择声音 信号作为识别故障类型的信息源。 相对振动故障诊断，国内外声频故障诊断的研究还不完善。在早期的这类研 究中w ，t h o m a s 和w i l k i n s 通过试验证明，根据空气传播声音可以将t o r d 和p e r k i n s 两种汽车发动机区别开来；w e b e r 等在进行的船舶柴油机性能试验中表明，类型不 同的发动机的声音，比同类型的发动机在不同速度时声音容易识别，当噪声掩盖 广东工业人学工学硕= 学位论文 了发动机的声音时，则识别的准确度就降低w 。这些研究对于利用声信号进行故障 诊断还有很大的差距。长期以来，利用声音进行诊断的限制在于机器运转时的声 音为非平稳信号，其构成复杂、受环境的干扰大、信噪比低，给常规分析处理带 来困难，因此需要符合自身特点的信号处理方法才能获得良好的效果。在国内， 昆明理工大学的舒大文等在深入研究应用振动和噪声信号诊断齿轮故障机理的基 础上，通过对测取齿轮正常和故障运行状态下的振动和噪声信号进行分析处理， 研究了典型故障齿轮系统的振动和噪声信号的频域特征提取和识别技术“。北京科 技大学机械学院也对齿轮变速箱的声学诊断进行了研究”1 。传统的声信号分析主要 利用快速傅里叶变换幅值谱、功率谱和倒频谱等。如清华大学的马晓强利用噪声 频谱分析和模式识别方法进行电力变压器故障诊断，但要基于该设备的历史数据， 形成诊断参数n - 。j a e s e o bk w a k 在噪声频谱基础上采用神经网络方式对磨床工作 过程进行故障诊断w 。这些方法在时域不能局部化，难以检测到突变信号。小波变 换分辨率在时频平面上是变化的，较之短时傅里叶变换有更大的柔性。利用小波 分析技术的多分辨分析特性，可以使其能够准确地从复杂的背景噪声中提取内故 障的声音信号特征。如北京科技大学的张武军等针对滚动轴承的声信号的信噪比 较低冉每特点，奉4 用4 、渡分解方洼提取了轴承故障的声音信曼特征。从丽有效地诠 断出设备的故障m ；华中科技大学的王洪刚利用小波分析技术对柴油机的噪声信号 进行分析，有效提取出柴油机各缸的燃爆和气门丌闭信息，诊断出柴油机失火故 障”1 。 从声频诊断的现状看，传统方法有其局限性，各种新方法与手段有的研究还 处于仿真和实验阶段，与实际应用还有一定距离。有的对某些单一故障诊断较为 有效。而电机运转通常有多种故障噪声源同时并存，如何成功分离电机内噪声源， 获得故障特征，并应用于实际，是我们研究的重点。 1 5 本论文的主要研究内容 在广泛阅读电机故障诊断和盲源分离及小波分析相关文献的基础上，针对现 有信号处理技术在电机故障诊断与电机测试领域中的不足，研究声频技术诊断电 机故障的新方法，提出了将盲源分离理论和小波变换方法结合应用到电机故障诊 断与电机测试领域的新思路，系统总结了小波变换的基本理论，并且介绍了盲源 6 第一章绪论 分离的基本理论和常用方法，深入研究了小波变换的多尺度分解算法，并用来提 取信号的特征向量，对提取的特征向量用作故障识别，从而得到故障分类类型， 以实现电机故障预测及诊断。 本论文的研究内容有以下几个方面： ( 1 ) 盲源分离理论及算法。根据盲源分离理论，利用一种已知的盲源分离算 法，对采集到的混合噪声文件进行盲源分离，将多种故障的混合信号分离成单个 故障信号。 ( 2 ) 小波理论及多尺度分解。利用盲源分离得到的单个故障信号，根据小波 理论，利用多尺度分解理论对单个故障信号进行多尺度分解，并且计算出单个故 障信号的能量谱。 ( 3 ) 故障诊断方法。利用故障信号的小波多尺度分解，得出信号在不同能量 层的不同分布作为故障特征值，根据以往故障样本得出的置信区间，利用概率理 论的区间估计方法对电机进行故障渗断。 广东工业大学工学硕士学位论文 第二章基于盲源分离和小波变换的电机故障诊断系 统的整体设计 2 1 故障检测与诊断的常用方法 故障检测与诊断技术经过多年的发展，目前已有多种方法，具体总结如下。 1 、基于f f t 原理的算法 绝大多数机电系统具有周期性运转特征，故频谱分析方法是目前最为成熟的 特征分析方法。f f t 最广泛的应用是功率谱分析，在数字技术普及之前，使用的 是利用带通滤波器的模拟谱分析技术。下述算法比自功率谱分析来得复杂，但都 可以借助f f t 实现：互谱、白相关、互相关、常相干、偏相干、梳状滤波、f i r 滤波、三阶谱、倒频谱、细化谱、包络解调等等。其中，互谱、互相干、相干分 析需要多个通道的信号，不常使用，但如果需要提取或剔除与多个通道有关的特 征，这些方法十分有效。 2 、非高斯信号处理方法 一般情况下，总是假定被分析信号服从高斯分布。但在机械设备故障啥断中 所遇到的实际信号中高斯分布的假设往往并不成立。为此随着研究的深入，非高 斯信号处理方法的研究逐步兴起。分析非高斯信号的主要数学工具是高阶统计量 ( h o s ) 和相应的高阶谱( 包括：高阶矩、高阶累计+ 量，以及它们的多维傅立叶变换 高阶矩谱和高阶累计量谱，还有倒高阶累计量谱) 。基于非高斯信号处理方法 在机械设备故障诊断中的研究己有进展，但目前应用尚不够深入。 3 、非线性信号处理方法 当系统中的设备发生某类故障时如转轴裂纹、动静碰磨，系统的某些非线性 特性往往比较突出。因此，机电设备故障诊断领域可以说是一个非常适合的应用 领域。将混沌与分形动力系统理论中的新方法引入故障诊断领域，研究基于非线 性信号处理理论的特征提取方法具有重要的意义。 4 、非稳态信号处理方法 最常见而最重要的非稳态信号大致可分成如下三类：( 1 ) 谐和变频信号；( 2 ) 第二章基于盲源分离和小波变换的电机故障诊断系统的整体设计 宽带变谱信号；( 3 ) 瞬态信号。针对这三类不同形态的信号，己发展了多种分析方 法。对谐和变频信号较适用的方法有短时快速傅氏变换的三维谱方法，p r o n y 谐 和谱估计法，数据重新采样的阶次谱跟踪分析方法，信号时域滤波的k a l m a n 方法， 自适应递推滤波的a r x 方法；对宽带变谱信号较适用的方法有现代谱分析算法； 对瞬态信号较适用的方法有w i g n e r v i l l e 分布方法，小波分析法。其中小波分析 具有时频分析特性和多尺度分析能力，小波理论经过一段艰苦、抽象的研究 工作之后，以其优良的数学性能和潜在的应用能力，在许多应用领域引起了持续 的研究热潮。具体工程应用方面，小波分析用于故障诊断已有大量研究论文发表。 2 2 电机声频故障诊断系统的基本结构 测试诊断的基本任务是获取有用的信息，进行诊断分析。信息，是对信号进 行分析处理后所得到的有用部分，表征被测对象运动和状态的某种特征与属性。 测试诊断系统通常由三大部分组成：信号的采集和获取、信号的分析与处理、结 果的输出与显示。故障检测与诊断技术中，最关键也是最困难的问题为故障特征 信息的提取，这是当前故障诊断研究中的瓶颈，它直接关系到故障诊断的准确率 和故障早期预报的可靠性。故障特征通过传感器的输出信号反映出来，这些信号 特别是反映早期故障特征的信号常常比较弱，而通常又是好几种故障的信号同时 存在，这个时候如何分离出每个故障的信号就成为正确诊断出每种故障的前提。 为了从根本上解决故障特征信息提取这个关键问题，人们主要借助现代信号处理 理论和技术手段对故障信号进行分析。本文首先利用一种己知的盲源分离算法， 对采集到的故障噪音进行分离，然后用小波对故障特征进行提取。不同领域故障 的机理可能不同，但许多特征提取方法却可以相同，如许多领域都大量使用了谱 分析方法。本文的诊断系统结构如下图2 1 。 声音采集子模块是利用图2 2 的设备，用麦克风将采集到模拟声音信号通过 音频卡转化成数字音频信号存储在计算机中，所有的采集声音过程均在消音室里 进行，采集到的声音文件可以认为没有外来噪音和人为的噪音。在盲源分离子模 块中，本文采用一种已知的盲源分离算法“，这种算法容易理解，便于用m a t l a b 实现，计算速度快，利用这种分离算法对采集到的信号进行分离，取得不错的效 果。小波分析子模块是利用d b l 小波对分离后的单个故障信号进行五层分解，并 广东工业大学工学硕士学位论文 计算出归一化能量谱。故障诊断子模块是根据每一个故障数据样本得出每种故障 的一个置信区间，这个置信区间是在给定概率下得出的，进行故障诊断时，只要 将未知故障信号按相同的小波函数进行五层分解，并计算出它的能量谱，进行对 比后即可诊断出电机的故障。 = 圭彳 1 圭 小 故 严 屉音信2 目 日 源 许矗信2 波 障 采 分 分 诊 集 离 析 断 子 子 j 二 子 j 模 模 模 模 块 癌音信 n块 分离信 “ 块 块 德醮哇 吼 图2 一l 系统整体框图 图2 2 声音采集示意图 第二章基于盲源分离和小波变换的电机故障诊断系统的整体设计 本文的重点部分有以下三个： ( 1 ) 对多种故障混合信号进行的盲源分离。 ( 2 ) 对分离后的信号进行小波多尺度分解，并且计算出能量谱。 ( 3 ) 根据计算出的能量谱，结合以往的故障样本得出的置信区间，进行故 障诊断。 广东工业大学工学碗士学位论文 第三章盲源分离及其在电机故障噪音分离中的应用 3 1引言 盲源分离( b s s ) 是上个世纪8 0 年代随着神经网络的再度兴起而发展，目前已 经成为信息处理领域研究的热点之一。b s s 最早起源于人们对“鸡尾酒会问题”的 研究，也就是人们对嘈杂环境下对语音辨识问题的研究。目前盲源分离在语音识 别、图像处理和声频故障诊断领域都有较大的发展。一般来说，盲源分离是指从 混合信号中提取分离出源信号的过程。“盲”有两重含义，第一，源信号本身是未 知的，第二，源信号的混合方式是未知的。在这两个特点下，可以将盲源分离分 为以下几种情况： 1 ) 按混合通道的个数：多通道信号分离和单通道信号分离。 2 ) 按混合方式：线形混合方式、非线性混合方式、瞬时混合方式和卷积混合 方式。 3 ) 按信号恢复过程：完全信号盲源分离和盲信号提取。 盲源分离最早是应用在信号处理领域，随着盲源分离理论和技术的成熟，盲 源分离开始引起很多领域专家的重视。( 1 ) 在数据通信中，一个未知的有限带宽 信道的频率响应经常会带来码问干扰( i s i ) 。当输入未知时，要消除这种干扰， 得到信道的传输函数，就必须进行盲源分离处理。( 2 ) 在语音识别系统中，观测 到信号是原语音信号与传感器及周围环境共同作用产生的冲激响应的卷积结果。 与通信系统一样，可以通过训练序列来得到传输系统的冲激响应。显而易见，传 感器的性质与周围环境一样，他们的性质是不固定的。举例来说，电话的形状、 响应及失真度的区别都会给传输性质带来很大的差异，这个时候，对信号进行盲 源分离就显得很有必要。( 3 ) 盲信号分离在对天文、遥感和医学图像的图象恢复 中有着广泛的应用。引起图像模糊的原因很多，例如模糊曝光过程中相机的移动、 透镜聚焦的不精确等。原始图像作为一系统输入，而原始图像的模糊版本则为该 系统的输出，可以将该模糊系统的传输函数建模为一个点扩展函数。在很多特定 情况下，我们对于模糊系统的点扩展函数的信息和原始图像的信息都几乎是完全 第三章盲源分离及其在电机故障噪音分离中的应用 未知的。要求只根据模糊图像来恢复原始信号，就必须进行盲信号分离。( 4 ) 地 质勘探中，在土壤中进行炸药爆破，用地音探听器来接收反射或衍射信号，利用 这些信号来估计反射函数，而这些函数与不同地层的冲激响应有关，可以用来区 分它们的地理特性。接收信号是由不同地层的短时冲击所组成的刺激共同作用得 到。因为冲激响应和原始信号均为未知，所以此时也要用到盲信号分离。 目前盲源分离在电机故障诊断方面的应用还不算多，国内的有上海交通大学 的吴军彪先生将最小二乘法结合盲源分离对电机故障进行诊断，取得良好的效果 m ，西安交通大学的张西宁老师利用一种新的盲源分离方法来分离机电设备的噪 声，取得了不错的效果“，由于这种方法便于理解，并且比较容易通过m a t l a b 程 序来实现，所以本文也是采用这种奇源分离的方法，并且在实验中取得较好的分 离效果。目前国外在盲源分离技术方面的应用已经较为成熟，在电机的故障诊断 方面应用也多于国内的研究。澳大利亚的d k n e z e v i c 和r t o g n e r i 将盲源分离 应用到医疗器械电机的信号分离上；斯洛文尼亚的d z a z u l a 和a h 0 1 0 b a r 同 样将盲源信号应用在医疗器械上的电机信号分离，并且利用盲源分离来消噪的一 种新方法m ，；日本的h i r o s h is a r u w a t a r i 将对汽车上的马达信号利用盲源分离来 进行分离，在实际中得到应用“”，还有一些其他的应用研究。 3 2 盲源分离的数学模型 b s s 问题的研究对象是m 个观察信号，这些信号是混合的，是从个统计独 立的未知信号源混合而来的，需要完全分离的一个前提条件是m 不小于( 在本 文中为简单起见，我们使m = ) ，b s s 研究的目的就是将这些源信号从观察到的 信号分离出来，实际应用中，信号有声音信号，图像信号和脑电波信号等，因此 开展这方面的工作具有重要的意义。 按照b s s 问题的描述，b s s 问题的数学模型如下m - ： 设声场中有个独立的声源，声源信号为s ，( f ) ( f = 1 ，2 ，) ，声源s ，( r ) 是时间的函数，为了能够正确的分离源信号，需要在m ( m ) 个测量点测量， 测量到的信号为y ( r ) ( ，= l ，2 ，m ) ，这是最简单的盲源分离模型，是瞬 时线形的混合分离模型。写成数学表达式为： 广东工业大学工学硕士学位论文 y j ( f ) = 巩，j ，( f ) + q ( 2 1 ，2 ，m ) ( 3 一1 ) y ) 是第，个传感器测量到的信号，s ) 是第f 个声源发出的声音，口。，是对 应的系数，q 是噪声向量，因为我们的试验是在静音室里面采集的，所以噪音可 、以忽略不计，q = 0 ，写成矩阵形式： y = 4 s( 3 2 ) 其中4 是口，构成的矩阵，是系数矩阵，是未知量，s 是源信号，也是未知的， y 是观测到的信号，是己知量。盲源分离理论就是仅仅根据观测到的信号和源信 号是相互独立的条件分离出原来的信号“。由于盲信号分离的特殊性，决定了盲 源分离的一些假设和分离结果的模糊性。 盲信号的假设简单介绍如下： 1 ，假设源信号之间是统计独立的，各个源信号是统计独立同分布的随机序列。 2 ，混合矩阵4 是列满秩的。 3 ，源信号最多只含有一个高斯信号。 4 ，观察传感器的个数大于等于源信号的个数。 5 ，假设源信号都是o 平均值的。 由于源信号是来自于不同的信号源，因此假定它们是统计独立的，它们的混 合信号也是线性混合和瞬间混合的，这个假设很重要，后面的工作都是在这个假 设上做的n “。目前，很多研究学者对盲源信号的分离做出了很多工作和成果，有 的研究成果已经部分突破了这个假设条件，见文献 1 2 。 盲源分离的模糊性体现在以下两个方面：由于盲源分离的条件很弱，这导致 分离出的源信号存在两个不确定性，一个是源信号的幅值的不确定性，有可能存 在一个系数比；二是各个源信号的位置的不确定性“。我们可以将( 3 1 ) 式改写为： y ) ：兰缸蹦r ) ( ，= 1 ，2 ，一，m ) ( 3 埘 忙i “1 可以看出式子( 3 3 ) 的右边d 。作为一个常数，d s 。( ，) 作为源信号，等式仍然成 立，这反映了分离出的源信号幅值具有不确定性，其次，当系数和对应信号同时 凋换位置后，等式仍然成立。这是盲源分离的两个不确定性。由于信号的信息主 要包含在信号的波形中，所以这两个不确定性并不影响分离效果。在本文中假设 第三章盲源分离及其在电机故障噪音分离中的碰用 m = ( 下同) 。 盲源分离的目的是在4 和s 未知的情况下，仅仅根据j ，和源信号的相互独立 性原理，辨识出4 和s ，分离过程是寻找一个分离矩阵，使： ，= 删= 黝s = c = 黝 ( 3 4 ) 上式中为了简便书写，将时间f 略去没有写( 下面相同) 。如果确实可以找到这 样一个矩阵，使得c 是单位对角阵( m = ) ，则有儿= 5 ，( f = 1 ，2 ，3 ，m ) ， 于是解决盲源分离问题就转化为对分离矩阵的寻找。至此，整个盲源分离的数 学模型如图3 1 。 e “ 文( f ) 屯( 0 瓢( f ) 线性混台斗 m a x f = 1 ，2 ，3 ，h ( 3 1 0 ) 它的优点是计算简单方便，但容易受采样值的影响。 2 ) 熵( e n t r o p y ) 对一个随机变量y ，它的熵定义如下： h ( y ) = 一i p ，( ，7 ) l o g p ，( 印) d 叩= 一e ( 1 0 9 p ，( ，7 ) ) ( 3 1 1 ) p 。( 刁) 是y 的概率密度函数。熵是对信号不确定性的一种衡量。在信息沦中有 一个很重要的结论：在所有同方差的随机变量中，高斯变量的熵最大。所以可以 用熵评定非高斯性。可以选目标函数为： 山( y ) = h ( y 剐。) 一日( y ) = h l a