具体实施方式

下面将结合附图对本发明作详细说明。

本发明提出了一种复杂噪声环境下的机电系统故障在线监测声学处理方法。该方法首先通过声学传感器拾取机电系统运行过程的声纹信号，通过背景噪声抑制技术去除机电系统运行过程中背景噪声，结合峰值检测技术，同时利用欧氏距离分离器对信号分类判型，进而实现对复杂噪声下的机电系统故障的在线监测和识别。本发明将基于数据跟踪的自相关噪声抑制技术与基于宽带声学处理的故障信号检测与分类识别技术有机结合，可有效解决复杂噪声环境下的机电系统故障检测问题。

一、复杂背景干扰噪声抑制

实际机电系统工作环境非常复杂，背景干扰噪声的影响以及机器各零部件之间相互作用，导致在信号的采集过程中想要提取真正的有效信号较为困难。尤其在故障早期，故障信号较弱导致故障信号特征难以提取和识别，故在对机电系统进行故障诊断之前需要将采集到的故障信号进行降噪处理。自相关滤波技术进行噪声抑制效果较好，它能在输入信号与噪声的统计特性未知或变化的情况下，自动估计出所需的统计特性，并以此为依据自动调整参数，以达到最佳的降噪效果。

自相关函数描述的是同一信号在不同时刻的相互依赖关系，其定义式如下所示：

在实际生活中背景噪声多种多样，主要包括带通噪声、冲击噪声和白噪声。白噪声在现实中十分常见，它既是时域上的随机信号，也是频域上的随机信号。标准的白噪声应该是方差恒定不变的数值，均值为0。即E[x(n)]＝0,E[x(n)²]＝σ²。

在本发明中假设的复杂背景干扰噪声信号就主要是由这些白噪声以及特定频率信号组成，而自相关实际上是根据信号的详细程度滤除信号里不同的部分，基于数据追踪的自相关噪声抑制方法可建立任一时间的信号对未来数据的影响，因为正弦信号或者其他确定性信号在所有的时间位移上都有自相关函数。除此之外，噪声信号的自相关函数随时沿τ的增大很快趋于零，白噪声就在此过程中得到抑制，由此部分白噪声被滤除，从而使得信噪比提升，故此方法具有显著的降噪效果。

二、机电设备运行状态峰值检测

峰值检测技术主要基于希尔伯特变换法来实现，希尔伯特变换对分析信号的瞬时幅度和频率和对信号包络的快速提取有很好的作用效果，因此本发明采用希尔伯特变换实现峰值检测。根据希尔伯特的物理意义可知，当包络信号经过希尔伯特变换后，其峰值刚好与变换后的信号正向过零点相对应，因此可将包络信号峰值检测转换为正向过零点检测，包络信号的峰值改变并不会影响信号正向过零点检测，并且不需要设置任何幅度阈值。实信号x(t)的希尔伯特变换定义为如下：

式中，*表示卷积运算符。根据上式可知，信号x(t)的希尔伯特变换实际上与信号的卷积。希尔伯特变换的频率定义为如下：

式中，X(f)是信号x(t)的傅里叶变换，j是虚数单位。由上述两式可知，信号x(t)的希尔伯特变换可计算如下：

式中，IFT表示傅里叶逆变换。结合上式可发现，对于实信号的峰值检测可以借助希尔伯特变换运用傅里叶变换进行快速计算。

在此思想上，本发明运用希尔伯特变换实现峰值检测技术在识别故障信号上的应用，建立峰值检测数据库，以正常状态原始信号的峰值检测作为对比，若检测信号的峰值检测存在较大偏差则为故障声纹信号，否则即为正常声纹信号。

基于上述原理描述，本发明包括以下步骤，见图1：

步骤S1：声学传感器采集机电系统运行状态声纹信号s(n)；

步骤S2：对采集的s(n)进行背景噪声抑制处理得到ss(n)；

步骤S3：对信号ss(n)进行峰值提取得到ss′(n))；

步骤S4：延时采集正常状态下的信号，经过步骤S3组成正常状态声纹库N_S(n)；

步骤S5：基于正常状态声纹库N_S(n)对ss′(n)进行声纹比对，匹配则更新正常状态声纹库N_S(n)，不匹配则进行下一步骤；

步骤S6：基于故障声纹库S_S(n)对信号进行声纹比对，匹配则对比故障声纹库标签得出检测结果，不匹配则对信号进行分析，更新故障声纹库并记录标签后得出检测结果。

进一步说，背景噪声抑制技术采用基于数据跟踪的自相关处理方法。

进一步说，正常状态声纹库N_S(n)和故障状态声纹库S_S(n)随着检测过程一直累积更新，声纹库实时更新。

进一步说，通过比对待检信号的欧式距离与最佳阈值的大小来区分正常状态与故障声纹信号，若欧式距离低于最佳阈值，则视为正常状态声纹信号，更新正常状态声纹库N_S(n)；若超出此阈值，则视为故障声纹信号，见图2。

进一步说，步骤S3针对故障信号高频低幅的特点，峰值检测方法对给定时间间隔里时域波形峰值进行捕捉，提取出信号ss′(n)。

进一步说，步骤S6在更新故障声纹库S_S(n)的同时，还要对该信号进行包络检波，对其出现的频率转为频谱进行频域分析，最终得到检测结果。

三、性能分析

为了验证本发明性能，利用MATLAB进行了仿真。机电设备运行状态声纹信号的数学模型可用多个频率、幅值不同的正弦波复合而成。仿真中用不同频率正弦波信号模拟机电系统正常运行状态下的声纹信号，模拟复杂干扰为高斯白噪声及一些正弦信号。设置采样频率为4096HZ，采样点数为2048，处理前信号信噪比分别为SNR1＝0.8026dB、SNR2＝-2.2302dB、SNR3＝2.6731dB，这里使用上文所介绍的自相关去噪方法对加噪信号进行降噪处理。

通过图3中的(a)、(b)、(c)对比可以看出，对于不同的加噪信号即在不同信噪比环境下，经过该方法抑制干扰噪声后，去噪信号的趋于平稳，与原始信号幅值相对应。经测得处理后的声纹信号的信噪比分别为8.1806dB、3.6642dB、6.3233dB，由此可以看出针对不同的噪声环境，该方法抑制干扰噪声均有很好的作用效果。综上分析，该方法对复杂噪声情况下的抑制效果非常明显，证明本方法对干扰噪声的抑制效果很好且抗干扰能力较强，具有良好的可靠性。

通过图4可以看出，(a)中对加噪信号峰值提取较为密集，且可利用的有效信号峰值较少，(b)中对降噪后信号峰值提取基本均为有效信号。通过对比可以看出，峰值检测技术与自相关降噪技术的有机结合大大提升了信号的利用率。同时，峰值检测对于幅值频率较低的峰值仍能精准提取，说明峰值检测技术对于一些微弱的峰值信号灵敏度很高，证明该技术可解决在机电系统故障早期一些微弱的早期故障信号难题提取的问题，具有很强的实践意义。

均方根值(rms)、绝对值平均值(av)表征信号的能量，反映出信号的有效值。图5以信噪比-13dB至-8dB的不同复杂噪声环境作为对照，对加噪信号和处理后信号的均方根值和绝对值平均值进行了测量和对比。通过图5可以看出，处理前后信号绝对值平均值、均方根值都随着信噪比增加而降低且处理后信号值较低，说明处理后信号对有效信号的提取率更高。处理前信号在SNR＝-13dB环境下av＝4.8962、rms＝6.1685，处理后为av＝1.8646、rms＝2.8734，在SNR＝-8dB环境下处理前av＝2.9107，rms＝3.6347，处理后为av＝1.2228、rms＝1.5501，说明即使在低信噪比即具有复杂噪声环境下的情况下，该方法对有用信号仍具有良好的处理效果。

综合仿真结果及分析，表明本发明所提的一种复杂噪声环境下的机电系统故障监测的声学处理方法有较好的抗干扰能力，在信噪比低的环境下对有效信号的提取和检测效果性能良好，具有较好的可靠性，适用于复杂噪声环境下对信号的处理。

以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本发明中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本发明所示的这些实施例，而是要符合与本发明所公开的原理和新颖特点相一致的最宽的范围。