[发明专利]一种用于机械设备工作噪音监控的方法

说明书

技术领域

本发明涉及工业监控领域。

背景技术

目前，工业上常用的皮带监控系统都采用单一的视频图像监控功能。只能将工业现场的被监控传输物及现场的形状、颜色、运动变化等视觉信息实时采集，通过视频监控网络反映至监控中心工作人员。工作人员根据视频图像的变化判断是否有工作异常。实际上工业现场的很多异常在视频发现异常之前就已经在声音特征上表现出异常，例如皮带传输中的，由于电机超负荷运行等故障发生时，首先表现出的是现场电机、滚轴、皮带等发出的异常声音，如果能在视频表现为传输停止或皮带断裂之前监测到异常，那么可以大大减少设备及产品损失。

发明内容

本发明所要解决的技术问题是实现一种通过现场噪音采集后，利用噪音对设备工况进行监控的方法。

为了实现上述目的，本发明采用的技术方案为：一种用于机械设备工作噪音监控的方法：

步骤1、现场噪音采集获取声音信号；

步骤2、声音信号的盲源分离；

步骤3、将盲源分离后声音信号送入声源信号故障识别系统中，实现对这些部件较为准确运转状态分析；

步骤4、输出识别结果。

所述步骤1的声音信号由M个麦克风采集，所述步骤2设每个麦克风所采集的观测信号为

其中a_ji，i∈[1,2,…,N]，j∈[1,2,…,M]是混合参数，s_i(t),i∈[1,2,…,N]是源信号，x_j(t)，j∈[1,2,…,M]是观测信号；

对观测信号的盲源分离包括：

预处理：包括中心化和白化，中心化是将目标信号的平均值调整为0，其中白化是对观测信号x_j进行处理，是去除信号之间的相关性，使得线性变换后信号的各分量模值为1；

信号分离：利用混合的观测信号x_j估计混合矩阵A和独立成分s_i，获得N×M的矩阵W，其中解混信号u＝(u₁,u₂,…,u_N)^T,u＝Wx的各个分量是统计独立的。

所述盲源分离采用拟牛顿迭代方法的改进Fast_ICA算法步骤：

1)对观测数据x进行中心化，使它的均值为0；

2)对数据进行白化；

3)选择需要估计的分量的个数m，首先对x_p＝1进行处理：

4)信号源估计s(t)＝Wx(t)，根据求解出来权重矩阵，和观测信号求解源信号。

所述步骤3)的处理方法：

a、选择一个初始权矢量(随机的)ω₁

b、令F(w，σ)＝E{G(w^Tx)}+σ(||ω||²-1),σ为惩罚常数,通过优化求解F的最小值来求解ω₁的值；

c、初始化B₀＝I

d、计算线搜索方向//保证优化的方向只是最小的方向，对目标函数进行优化

e、根据Armijo-Goldstein准则，判断是否停止；

f、假如ω₁不收敛的话，返回d；

g.令p＝p+1，如果p≤m，返回a；

所述机械设备为皮带传输机，所述每个观测信号包括电机运行声S1、滚轴运行声S2、传送带运行声S3，公式1中N＝3，M＝8，则公式1计为X(t)＝[x₁(t)...x₈(t)]^T。

所述白化采用：

z＝Vx，E{zz^T}＝I。公式2

本发明可以监测工业现场的声场变化，同步采集现场声场信息，实现现场声场的在线分析，丰富了在线监控内容，真实反映工业现场情况，实时发现工业现场的声场异常，及时提醒工作人员及时处理避免故障。

附图说明

下面对本发明说明书中每幅附图表达的内容作简要说明：

图1为声学故障识别流程图；

图2为音信号的盲分离示意图；

图3为声源信号的盲源分离流程。

具体实施方式