基于單子帶重構改進算法的艦炮自動機故障特征提取方法*

孫寬雷 韓 峻

(海軍工程大學 武漢 430033)

基于單子帶重構改進算法的艦炮自動機故障特征提取方法*

孫寬雷 韓 峻

(海軍工程大學 武漢 430033)

艦炮自動機在運行過程中產生的聲信號包含著大量的設備運行狀態信息,小波分析可有效地處理這種非平穩信號,其單子帶重構算法在提取信號特征頻率成分時有很好的效果,但它存在嚴重的頻率混淆從而會導致提取錯誤的特征信息。論文針對小波分析中單子帶重構算法出現的頻率混淆進行了仿真研究,驗證了單子帶重構改進算法在消除頻率混淆方面有效性,并將其應用于艦炮聲信號的處理,結果表明,它可準確地提取出相應的故障特征信息。

單子帶重構; 抗混淆Mallat算法; 故障診斷

Class Number TJ391

1 引言

自動機作為艦炮上最關鍵的機械裝置,具有結構復雜、故障率高等特點[1],對它其運行狀態進行檢測以及故障診斷具有十分重要的現實意義。因自動機內部結構緊密,運行時振動幅度大、內部溫度高,不適合使用振動傳感器;而作為機械運行時發出的一種固有信號,噪聲信號中包含大量設備運動狀態的信息。通過對聲信號的分析,可以對艦炮進行狀態檢測及故障分析[2]。

噪聲信號中包含著大量的非平穩信號,小波分析是針對此類信號的時頻分析方法[3],利用小波分析的單子帶重構算法,可以將原信號按尺度分解至不同頻段上,各個頻帶包含的信息可以直觀地顯示出來,從而實現特征信號與噪音信號的分離,為故障特征信號的提取、分析提供基礎和依據[4]。

傳統的Mallat算法的單子帶重構算法,會在實際應用中產生較為嚴重的頻率混淆[5],而所采集的艦炮的聲信號中包含有大量的頻率信息,如果這些頻率信息在處理過程中發生頻率折疊的情況,會在重構信號中產生大量虛假頻率,從而使各個子頻帶無法真實體現原信號的尺度信息,這會使故障信息的提取失真甚至出錯。而單子帶重構改進算法很好地解決了這個問題,它不僅有效地消除頻率混淆,還可以檢測到微弱瞬態成分的存在并精確的確定其發生的時間[5],這對故障特征信息的準確提取意義重大。

2 單子帶抗混淆重構算法的提出

2.1 小波分解與重構中的Mallat算法

離散小波分析的Mallat算法由小波濾波器H、G和h、g對信號進行分解和重構,其中H、h分別為分解和重構時的低通濾波器,而G、g則分別為相應的高通濾波器[7]。小波分析的Mallat分解算法可以寫成下面的形式[5]:

(1)

n為離散時間序列號,n=0,1,…,N-1(N為數據長度);A0[f(n)]為原始采樣信號,j=1,2,…,J,J為最高分解層數,J=log2N;Aj為信號A0[f(n)]在第j層的近似部分(或低頻部分),Dj為信號A0[f(n)]在第j層的細節部分(或高頻部分)。

信號經Mallat分解算法分解之后,還可以用Mallat重構算法[6]進行重構,重構算法表述如下

利用Mallat算法進行信號分解,下一層的低頻部分是上一層的低頻部分的低半頻帶,而下一層的高頻部分是上一層低頻部分的高半頻帶[5]。從濾波的角度來看,亦即將信號的頻帶二進劃分成一系列子帶的過程。但由于小波分解與小波重構濾波器的非理想截止特性,使得各子頻帶中含有其相鄰頻帶的成分,并產生邊界效應[5],亦即所謂的頻率混淆。選用接近理想的小波濾波器,如選用Daubechies小波來分析時盡量選用N值更大的Daubechies小波濾波器,但這意味著更大的計算量[5],要避免頻率混淆,需要更好的算法。

2.2 單子帶重構算法的改進

楊建國[5]首次提出了避免頻率混淆的單子帶重構改進算法,與常規的單子帶重構算法相比,該算法中增加了三個算子CG、CH和ch。算子CH和ch具有相同的計算式即式(2);對于算子CG,計算式為式(3)。

(2)

(3)

可以看出,各算子的及其各自輸出的計算式,與DFT中兩組變換式具有相似的形式,故三個算子在實際計算中可以借助FFT和IFFT來進行。

3 單子帶重構改進算法的研究與仿真

假設一信號y為

即信號y中包含20Hz、35Hz、45Hz、60Hz、90Hz和130Hz等六個頻率成分,其中,130Hz為一瞬態信號分量。

用單子帶重構算法對信號y進行分解重構,以400Hz的采樣頻率采2048個點,選用N為4時的Daubechies小波db4對y進行尺度為3的分解與重構,低頻部分和高頻部分的時頻域圖分別如圖1和圖2所示。

圖1 重構信號低頻部分的時頻域圖

由圖1～2可知,無論低頻子帶部分還是高頻子帶部分,均出現較為嚴重的頻率混淆現象,且130Hz的瞬時信號,并未被明顯的檢測出來。

圖2 重構信號高頻部分的時頻域圖

利用單子帶重構改進算法,對信號y進行單子帶分解與重構;仍以400Hz的采樣頻率采2048個點,選用db4對y進行尺度為3的分解與重構,結果如圖3～5所示。

圖3 第一層小波重構信號的時頻域圖

圖4 第二層小波重構信號的時頻域圖

圖5 第三層小波重構信號的時頻域圖

由圖3～5可知,單子帶重構改進算法有效的消除了頻率混淆,而且精確的檢測出了0.125s處的瞬時信號,而0.5s處的瞬時信號之所以沒被檢測出,是由于它太過微弱,只有10-7數量級。以上的仿真對比并非一個特例,改進算法是深入剖析原算法產生頻率混淆的原因之后提出的,在實際應用中,可有效避免頻率混淆。

4 單子帶重構改進算法的應用實例

利用內置在艦炮基座上的采集盒采集艦炮的聲信號,由于采集設備安裝在采集盒內,并與艦炮的電氣系統相聯,既可以最大限度的消除外界環境噪聲的干擾,又可以收集艦炮的火控系統信號,以定位各段聲信號的發生時序。艦炮的開閂過程亦即自動機的運動過程,故開閂過程中的聲信號中蘊含著艦炮自動機豐富的狀態信息。

本例取自動機中炮閂故障時的開閂信號,與自動機正常工作時的開閂信號作對比,如圖6～7所示,兩者在波形及頻譜上有細微差別,但只是振幅上的,分辨不出是否有新增加的頻率成分,這只說明撞擊力度上的不同,所以還要對信號進行進一步處理。

圖6 炮閂故障時自動機的開閂聲信號

圖7 自動機正常時的開閂聲信號

將炮閂故障時的開閂信號與炮閂正常時的開閂信號,分別用單子帶重構改進算法進行尺度為3的小波重構,結果如圖8～10所示。

圖8 故障信號與正常信號第一層小波重構部分對比

圖9 故障信號與正常信號第二層小波重構部分對比

圖10 故障信號與正常信號第三層小波重構部分對比

其中,ai(i=1,2,3)表示第i層重構信號的低頻部分,di(i=1,2,3)為第i層重構信號的高頻部分。相應fai、fdi分別為各自的快速傅里葉變換得到的頻譜函數。

除去振幅的影響,可以發現正常狀態與故障狀態下所采集的信號,其各層的重構信號存在比較明顯的差異,其中在第一層重構信號低頻部分,故障信號比正常信號多出了5100Hz左右的窄頻帶,在第一層重構信號的高頻部分,故障信號比正常信號多出了7650Hz附近的窄頻帶;在第二層重構信號中,差異就更加明顯,但在重構信號的頻譜中,并未發現有增加或者減少的頻率成分;第三層重構信號存在與第二層相似的情況。

5 結語

仿真和試驗的結果表明,單子帶重構改進算法可以很好地解決小波分析中單子帶重構的頻率混淆問題,將其應用于基于聲信號的故障特征提取時,可以比較準確的分辨故障信號與正常信號的頻率成分,從而有效的提取出故障特征信號,這也表明,利用聲信號對艦炮進行故障檢測,是行之有效的一種方式。

[1] 戴涌,張國平,王茂林,等.某轉膛自動機異常發射故障分析[J].火炮發射與控制學報,2013(9):67-71.

[2] 吉小軍,施文康,張自嘉,等.基于噪聲信號的聲源檢測與故障診斷[J].計算機測量與控制,2003,11(12):918-920.

[3] 王學軍,馬輝,孫偉,等.基于小波分析的轉子碰摩故障特征提取[J].農業機械學報,2008,39(4):147-151.

[4] 胡耀斌,謝靜,胡良斌.基于神經網絡與小波變換的滾動軸承故障診斷[J].機械設計與研究,2013,29(6):33-35.

[5] 楊建國.小波分析及其工程應用[M].北京:機械工業出版社,2005.

[6] 王林.小波抗混疊單子帶重構算法及其在軸承故障特征提取中的應用[D].重慶:重慶大學,2012.

[7] Qin Y, Wang J X, Tang B P, et al. Higher density wavelet frames with symmetric low-pass and band-pass filters[J]. Signal Processing,2010,90(12):3219-3231.

[8] 張靜遠,張冰,蔣興舟.基于小波變換的特征提取方法分析[J].信號處理,2000,16(2):155-162.

[9] Mallat S. A theory for multiresolution signal decomposition: the wavelet representation[J]. IEEE Trans. on Pattem Analysis and Machine Intelligence,1989,11(7):674-693.

[10] 楊國安,鐘秉林,黃仁,等.機械故障信號小波包分解的時域特征提取方法研究[J].振動與沖擊,2001,20(2):5-31.

Fault Feature Extraction Method of Shipborne Gun Automaton Based on Improved Single-band Reconstruction Algorithm

SUN Kuanlei HAN Jun

(Naval University of Engineering, Wuhan 430033)

The acoustic signals of shipborne gun contain messive information about equipment operating condition, wavelet analysis methods can process this kind of non-stationary signal, the single sub-band reconstruction algorithm of wavelet analysis has a favorable effect in frequency feature extraction, but its serious frequency aliasing may lead to extraction of wrong information. The paper researches and simulates this aliasing, and proves the effectiveness of improved single sub-band reconstruction algorithm in eliminating frequency aliasing,and applies it to process acoustic signals. The results show that the improved algorithm can extract fault feature information accurately.

single sub-band reconstruction, anti-aliasing Mallat algorithm, fault diagnosis

2014年4月11日,

2014年5月23日

孫寬雷,男,碩士研究生,助理工程師,研究方向:武器系統與運用。

TJ391

10.3969/j.issn1672-9730.2014.10.035