基于噪聲分析的機(jī)械故障診斷方法研究(編輯修改稿)
2025-07-20 21:29 本頁面
【文章內(nèi)容簡(jiǎn)介】 來的總的聲能?！ ÷暪β始?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 基準(zhǔn)功率——指1s內(nèi)通過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) 噪聲的采集 傳聲器：傳聲器的主要作用是，通過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?！ ∧壳坝腥悅髀暺?，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)來輸出變電壓的特征值，這一過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，輸出特征穩(wěn)定等優(yōu)點(diǎn)。（2）壓電傳聲器是一種通過壓電效應(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。 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?！ 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=LCLA時(shí)，目標(biāo)聲信號(hào)聲能處于中頻信號(hào)段。LCLBLA時(shí)，目標(biāo)聲信號(hào)聲能處于低頻信號(hào)段?！ ÷暭?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)?！ ÷暭?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 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)用語測(cè)量噪聲信號(hào)的特殊量，相對(duì)標(biāo)準(zhǔn)用來測(cè)量正常運(yùn)行是的特征值，類比標(biāo)準(zhǔn)用來比較同類機(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)單說明。 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：E{h1(x1)h2(x2)}=E{h1((x1))E{h2(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，這就需要我們通過線性來實(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，從來實(shí)現(xiàn)信號(hào)的分離。此外，也可通過對(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。 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,…,ZN]T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=1~NKijkl(Z)——Z的第i，ｊ，ｋ，ｌ的四維累積量，Qz(M)——NN陣，mkl——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=1~Ni，ｊ，ｋ，ｌ指的是Kijkl(Z)的四維累積量，Qz(M)為一NN矩陣陣列。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Mi∈M，根據(jù)球化數(shù)據(jù)z按定義,求得一組Qz(Mi),i=1~p. (3)根據(jù)式∧(Mi)=VTQZ(Mi)V=Diag[k4(s1)v1MivT,…,k4(sN)vNMivTN]尋求能通過VTQZ(Mi)V將各QZ(Mi)聯(lián)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=VTWX 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)量來分解我們說的獨(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”：Ω=E[︱Z︱2ZZT] 式中Z2=ZTZ是權(quán)重。由 Z=WX=WAS=VS代入（）式得： |Z|2VSSTVT]=VE[|S|2SST]VT 可以證明由于S中元素互相獨(dú)立，所以（）式中的VE[|S|2SST]可以化為對(duì)角陣Diag[(S4)+N1].因此: Ω=V[Diag(E(S4)+N1)VT 此式實(shí)際上就是Ω的主分量分解。V是正交歸一的，特征值是E(Si4+N1, i=1~N,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=W1V=WTV, S=V1Z=VTZ。 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,…,rN]T。我們通過調(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)： ()式中）=[…]。 FastICA算法 預(yù)處理是指在進(jìn)行ICA處
研究報(bào)告相關(guān)推薦
鄂ICP備17016276號(hào)-1