[发明专利]一种多普勒声学信号的自适应学习校正方法

说明书

本发明公开了一种多普勒声学信号的自适应学习校正方法。该方法在校正参数自适应学习中，基于轨边声学理论，通过构造移频算子和声调算子，实现了对畸变信号的一种伪校正，得到频谱共振带具有无畸变以及高能量聚集性的过渡基准项，在理论上刻画还原了轨边声学畸变现象，从物理上强化了自适应畸变校正学习机理；与其他校正方法相比，该算法能够自适应的从原始声信号中学习到最优校正参数，从而实现对畸变信号的完整校正。该算法具有一定的鲁棒性与高效性，有利于后续轨边声学系统的在线智能校正与诊断。

技术领域

本发明属于轨边声学多普勒畸变校正领域，涉及一种多普勒声学信号的自适应学习校正方法，可以自适应学习到最优畸变校正参数，实现对多普列畸变声学信号的自适应校正学习，尤其适用于轮对轴承道旁声学诊断系统。

背景技术

轨边声学诊断是一种以运动部件产生的声学信号为分析对象，具有非接触、多目标、无需停机等优点的高效监测诊断模式，在列车轮对轴承诊断中具有重要的应用价值与意义。通过轨边测量设备采集到的声学信号含有部件当前的健康信息，但实际中，由于列车以较高速度运行，移动部件产生的声学信号与道旁固定测量设备存在着相对运动，使得最终观测到的声学信号发生了畸变(也即多普勒畸变现象)，给故障源的辨识与提取带来了困难。因此，对声学信号做多普勒校正分析对于轨边声学轴承故障诊断具有非常重要的意义。目前常用的多普勒校正方法主要分为两种，一种是利用瞬时频率脊线(InstantaneousFrequency Ridge Extraction)或主成分相干分析等方法(如短时MUSIC算法)来获取信号接收角度序列，通过拟合来间接获取多普勒畸变参数，构造发射时间序列；另外一种是通过匹配追踪等贪婪迭代算法来大量搜索(如基于Laplace小波和谱相关估计的多普勒瞬态模型(Doppler transient model based on the Laplace wavelet and spectrumcorrelation assessment)，来直接获取部分或全部多普勒畸变参数，实现对畸变信号的校正分析。前者是一种基于数据拟合的方法，鲁棒性受到一定的限制；后者在实时性方面存在比较大的缺陷，不利于实际诊断。因此传统的诊断方法将大大降低对列车轴承故障诊断的效率和准确性。

本发明提出了一种多普勒声学信号的自适应学习校正方法。该方法结合轨边声学原理，构造频移算子和声调算子物理模型，通过操作算子实现对多普勒畸变信号的伪校正。基于该伪校正得到畸变信号的过渡基准项，其对应的共振带不仅具有无畸变特性同时也具有高能量聚集性。提出基于共振频率窄带能量比最大化原则，利用全局最优化算法，实现对多普勒畸变算子的模型参数自适应学习。最终通过声压算子和重采样技术实现对多普勒信号完整的校正。该自适应学习校正方法具有鲁棒自适应的特性，对轨边多普勒畸变声学信号校正具有十分显著的效果。

发明内容

本发明的目的在于：提供一种多普勒声学信号的自适应学习校正方法，用于多普勒声畸变声学信号的自适应校正学习。

本发明采用的技术方案为：一种多普勒声学信号的自适应学习校正方法，该方法包括如下步骤：

步骤(1)、通过希尔伯特变换获取声测量信号的解析信号；

步骤(2)、基于轨边声学理论，给定三个多普勒畸变参数(u,M和k分别为畸变中心时刻，波速比和共振频率位置，这三个参数为畸变校正的主要参数)，构造该声场模型下的频移算子H和声调算子G两种伪校正操作算子；

步骤(3)、依据移频算子对步骤(1)中的解析信号做频移操作运算，使频带向频率位置k处集中，实现对信号的多普勒畸变的频率伪校正，获取过渡基准项；

步骤(4)、对步骤(3)中的过渡基准项做频谱分析，依据频带能量在共振频率位置k处聚集，计算该处共振频率窄带能量比并将其最大作为评价原则(设置频率窄带，带宽记为B)，基于全局最优化算法对伪校正信号参数进行寻优，自适应学习到最优畸变校正参数；