基于视听信息融合的旋转机械故障信号分离和诊断方法

本发明属于旋转机械故障信号诊断，涉及基于视听信息融合的旋转机械故障信号分离和诊断方法。

背景技术：

1、随着科学技术的进步，机械设备规模化、精密化、系统化的趋势越来越明显，发动机、齿轮和轴承等旋转部件的集成度也在成倍增加。大量旋转部件的协同工作确保了高水平的生产效率，但是也增大了设备发生故障的概率。这些部件极易由于多种因素的作用而发生磨损、变形，如果不及时解决，多点的故障将对流水线工作造成巨大影响，从而降低生产效率，带来经济损失，甚至对人员的生命安全造成威胁。因此，对机器设备的故障监测尤为重要，准确而快速的故障诊断能够最大程度地降低财产损失和安全风险。

2、传统的故障监测方法大多是针对机械设备的振动信号进行采集、处理和分析的。为了采集部件的振动信号，需要将传感器安装在靠近目标部件且与其相接触的平面上，即具有侵入性，这往往需要对机械设备进行拆卸和安装等物理修改，可能会对部件造成二次损坏。目前，基于声学信号分析的机械故障监测方法利用麦克风采集机械设备在运行过程中的声学特征，实现故障的局部或全局诊断。与传统的基于振动信号的方法相比，基于声学信号的方法可以在不拆卸设备的基础上实现非接触、非侵入的无创测量，从根本上解决了传感器因各种原因难以固定于设备表面的问题，这也使得安装和监测的过程不会影响设备的正常运行。另外，对于工业生产应用来说，这类方法对环境具有更好地适应性，在高温、高压、辐射等恶劣条件下也便于信号采集和故障监测。

3、机械设备工作的环境总是充满各种各样的声音，其中一部分是与设备运行无关的噪声，而且一台设备运行时产生的声音信号往往是由多个部件工作时共同发出的声音信号混合得到的。因此，为了对故障进行定位和分析，就需要将感兴趣的源信号从背景噪音和其他干扰源信号中分离开来。盲源分离是解决上述问题的重要技术之一，其数学模型起源于“鸡尾酒会”效应，即在噪声环境下从多个声源的混合信号中将感兴趣的声音信号分离出来。“盲”主要体现在两个方面：源信号的数学模型无法预知，而且信号传输的信道参数也是未知的。

4、非负矩阵分解(non-negative matrix factorization,nmf)是盲源分离领域一种常用的算法，它将初始矩阵分解为一组非负的字典矩阵和系数矩阵，避免了特征提取过程中的正负抵消问题，提供了对工业环境中混合声学信号时频谱图的非破坏性表示。在一定条件下，nmf的分解结果是唯一的，不需要其他的正交性或独立性假设。为了挖掘音频中丰富的时空结构和非线性关系，有研究将nmf与神经网络相结合从而拓展成深层结构，在性能上获得了巨大提升。zhang等人将nmf用于故障监测领域，提出了一种将结构化联合稀疏正交nmf(sjsonmf)和多变量分析(multi-variate analysis,mva)相结合的故障监测方法，将图的正则化、稀疏性和正交性约束引入到经典nmf中，具有更强的判别能力，降低了来自噪声和非线性数据的冗余性，提高了故障的可解释性。虽然基于深度学习的改进方法具有传统方法所不及的分离性能，但它们过于依赖训练数据，对于与训练数据采集环境差异较大的实际应用场景，分离效果可能难以预估。对于复杂音频的混合信号，传统的nmf可以跨多个字典原子对原始信号进行编码的，随后需要对字典原子进行分组以实现分离。多数方法在这个过程中都需要根据先验知识或信息进行人工监督，比如空间定位信息。

5、声源定位是提供空间信息的主要技术，受人双耳工作原理的启发，一些方法采用双通道信号处理技术，其他方法则使用麦克风数量更多(两个以上)的阵列进行音频采集。双通道的信号处理技术主要用于音频信号的分离，但是在故障监测领域应用较少。麦克风阵列主要用于声学成像，通过使用波束形成技术，将阵列的波束形状引导到不同的空间位置，从而实现空间滤波，即根据声源的位置来区分声源。目前，麦克风阵列和波束形成技术已经广泛应用于机械故障监测，并且根据实际需求调整阵元数目和布局。但是基于阵列的信号处理方法会产生较大的设备和运算成本，对于双耳方法的探索成为了一个重要的研究方向。wood,sean un等人提出了一种基于双通道的广义互相关(generalized cross-correlation,gcc)声源定位算法，但是当多个声源的角度差较小时，不同位置的源信号相对于不同通道的时延较小且接近，在gcc算法生成的时延曲线中，真实谱峰可能会出现融合现象，被隐藏于众多伪峰当中，因此无法进行准确的声源定位。

技术实现思路

1、为解决上述技术问题，本发明的目的是提供一种基于视听信息融合的旋转机械故障信号分离和诊断方法。

2、本发明的一种基于视听信息融合的旋转机械故障信号分离和诊断方法，包括：

3、步骤1：采集旋转机械工作时的混合音频信号，获得双通道混合音频信号，并采集声源图像；

4、步骤2：提取双通道混合音频信号的时频信息，得到双通道混合音频信号的幅度谱和相位谱；

5、步骤3：对双通道混合音频信号的幅度谱进行非负矩阵分解，获得字典矩阵和系数矩阵；

6、步骤4：采用字典矩阵更新广义互相关算法中的频率加权函数，得到gcc-nmf联合函数；

7、步骤5：根据采集的声源图像计算声源角度，结合阵元、声源之间的几何位置关系，计算出不同声源的声学信号到达两个阵元的时延；

8、步骤6：根据gcc-nmf联合函数和时延，得到声源的掩码矩阵；

9、步骤7：将掩码矩阵与系数矩阵进行对应元素相乘，得到新的系数矩阵，再将字典矩阵与新的系数矩阵相乘，完成非负矩阵分解的逆过程，得到分离后属于每个声源每个通道的音频信号的幅度谱，再经过istft得到分离后属于每个声源的时域音频信号；

10、步骤8：使用小波变换对分离后的属于每个声源的时域音频信号进行多分辨率分解和重构，并对第一层细节信号做hilbert包络谱分析，从而提取出故障特征频率，实现故障诊断。

11、本发明的一种基于视听信息融合的旋转机械故障信号分离和诊断方法，具有以下有益效果：。

12、(1)本发明提出基于视觉信息辅助的声源定位方法，在多个声源之间角度差较小的情况下能够克服传统gcc声源定位算法的缺点，对目标故障源的角度进行更加准确的估计，得到源信号到达不同阵元的时间差，从而实现故障源的定位。

13、(2)将基于视觉信息辅助的声源定位方法与非负矩阵分解相结合，提出基于视听信息融合的信号分离和诊断方法，实现对旋转机械故障信号源的定位、对故障信号的分离和特征提取，实验表明，该方法对故障信号的分离效果较好，且能够对故障类型做出准确的判断。

14、(3)用声学信号代替振动信号，能够实现非侵入的信号采集过程，从根本上解决了传感器因各种原因难以固定于设备表面的问题。

15、(4)采用双通道的信号处理方法，能够降低采样设备的成本，节省计算开销。

技术特征：

1.基于视听信息融合的旋转机械故障信号分离和诊断方法，其特征在于，包括：

2.如权利要求1所述的基于视听信息融合的旋转机械故障信号分离和诊断方法，其特征在于，所述步骤1具体为：

3.如权利要求1所述的基于视听信息融合的旋转机械故障信号分离和诊断方法，其特征在于，所述步骤2具体为：

4.如权利要求1所述的基于视听信息融合的旋转机械故障信号分离和诊断方法，其特征在于，所述步骤3具体为：

5.如权利要求4所述的基于视听信息融合的旋转机械故障信号分离和诊断方法，其特征在于，所述步骤4具体为：

6.如权利要求5所述的基于视听信息融合的旋转机械故障信号分离和诊断方法，其特征在于，所述步骤5具体为：

7.如权利要求6所述的基于视听信息融合的旋转机械故障信号分离和诊断方法，其特征在于，所述步骤6具体为：

8.如权利要求1所述的基于视听信息融合的旋转机械故障信号分离和诊断方法，其特征在于，所述步骤7具体为：

9.如权利要求1所述的基于视听信息融合的旋转机械故障信号分离和诊断方法，其特征在于，所述步骤8具体为：

技术总结本发明的一种基于视听信息融合的旋转机械故障信号分离和诊断方法，将基于视觉信息辅助的声源定位方法与非负矩阵分解相结合实现对旋转机械故障信号源的定位、对故障信号的分离和特征提取。本发明提出的基于视觉信息辅助的声源定位方法，在多个声源之间角度差较小的情况下能够克服传统GCC声源定位算法的缺点，对目标故障源的角度进行更加准确的估计，得到源信号到达不同阵元的时间差，从而实现故障源的准确定位。实验表明，本发明的信号分离和诊断方法对故障信号的分离效果较好，且能够对故障类型做出准确的判断。技术研发人员：李旭,栾峰,王传喆,吴艳,韩月娇,高涵,曹善鸿,董学齐受保护的技术使用者：东北大学技术研发日：技术公布日：2024/11/14