孙宽雷 韩 峻

(海军工程大学 武汉 430033)

基于单子带重构改进算法的舰炮自动机故障特征提取方法*

孙宽雷 韩 峻

(海军工程大学 武汉 430033)

舰炮自动机在运行过程中产生的声信号包含着大量的设备运行状态信息,小波分析可有效地处理这种非平稳信号,其单子带重构算法在提取信号特征频率成分时有很好的效果,但它存在严重的频率混淆从而会导致提取错误的特征信息。论文针对小波分析中单子带重构算法出现的频率混淆进行了仿真研究,验证了单子带重构改进算法在消除频率混淆方面有效性,并将其应用于舰炮声信号的处理,结果表明,它可准确地提取出相应的故障特征信息。

单子带重构; 抗混淆Mallat算法; 故障诊断

Class Number TJ391

1 引言

自动机作为舰炮上最关键的机械装置,具有结构复杂、故障率高等特点[1],对它其运行状态进行检测以及故障诊断具有十分重要的现实意义。因自动机内部结构紧密,运行时振动幅度大、内部温度高,不适合使用振动传感器;而作为机械运行时发出的一种固有信号,噪声信号中包含大量设备运动状态的信息。通过对声信号的分析,可以对舰炮进行状态检测及故障分析[2]。

噪声信号中包含着大量的非平稳信号,小波分析是针对此类信号的时频分析方法[3],利用小波分析的单子带重构算法,可以将原信号按尺度分解至不同频段上,各个频带包含的信息可以直观地显示出来,从而实现特征信号与噪音信号的分离,为故障特征信号的提取、分析提供基础和依据[4]。

传统的Mallat算法的单子带重构算法,会在实际应用中产生较为严重的频率混淆[5],而所采集的舰炮的声信号中包含有大量的频率信息,如果这些频率信息在处理过程中发生频率折叠的情况,会在重构信号中产生大量虚假频率,从而使各个子频带无法真实体现原信号的尺度信息,这会使故障信息的提取失真甚至出错。而单子带重构改进算法很好地解决了这个问题,它不仅有效地消除频率混淆,还可以检测到微弱瞬态成分的存在并精确的确定其发生的时间[5],这对故障特征信息的准确提取意义重大。

2 单子带抗混淆重构算法的提出

2.1 小波分解与重构中的Mallat算法

离散小波分析的Mallat算法由小波滤波器H、G和h、g对信号进行分解和重构,其中H、h分别为分解和重构时的低通滤波器,而G、g则分别为相应的高通滤波器[7]。小波分析的Mallat分解算法可以写成下面的形式[5]:

(1)

n为离散时间序列号,n=0,1,…,N-1(N为数据长度);A0[f(n)]为原始采样信号,j=1,2,…,J,J为最高分解层数,J=log2N;Aj为信号A0[f(n)]在第j层的近似部分(或低频部分),Dj为信号A0[f(n)]在第j层的细节部分(或高频部分)。

信号经Mallat分解算法分解之后,还可以用Mallat重构算法[6]进行重构,重构算法表述如下

利用Mallat算法进行信号分解,下一层的低频部分是上一层的低频部分的低半频带,而下一层的高频部分是上一层低频部分的高半频带[5]。从滤波的角度来看,亦即将信号的频带二进划分成一系列子带的过程。但由于小波分解与小波重构滤波器的非理想截止特性,使得各子频带中含有其相邻频带的成分,并产生边界效应[5],亦即所谓的频率混淆。选用接近理想的小波滤波器,如选用Daubechies小波来分析时尽量选用N值更大的Daubechies小波滤波器,但这意味着更大的计算量[5],要避免频率混淆,需要更好的算法。

2.2 单子带重构算法的改进

杨建国[5]首次提出了避免频率混淆的单子带重构改进算法,与常规的单子带重构算法相比,该算法中增加了三个算子CG、CH和ch。算子CH和ch具有相同的计算式即式(2);对于算子CG,计算式为式(3)。

(2)

(3)

可以看出,各算子的及其各自输出的计算式,与DFT中两组变换式具有相似的形式,故三个算子在实际计算中可以借助FFT和IFFT来进行。

3 单子带重构改进算法的研究与仿真

假设一信号y为

即信号y中包含20Hz、35Hz、45Hz、60Hz、90Hz和130Hz等六个频率成分,其中,130Hz为一瞬态信号分量。

用单子带重构算法对信号y进行分解重构,以400Hz的采样频率采2048个点,选用N为4时的Daubechies小波db4对y进行尺度为3的分解与重构,低频部分和高频部分的时频域图分别如图1和图2所示。

图1 重构信号低频部分的时频域图

由图1～2可知,无论低频子带部分还是高频子带部分,均出现较为严重的频率混淆现象,且130Hz的瞬时信号,并未被明显的检测出来。

图2 重构信号高频部分的时频域图

利用单子带重构改进算法,对信号y进行单子带分解与重构;仍以400Hz的采样频率采2048个点,选用db4对y进行尺度为3的分解与重构,结果如图3～5所示。

图3 第一层小波重构信号的时频域图

图4 第二层小波重构信号的时频域图

图5 第三层小波重构信号的时频域图

由图3～5可知,单子带重构改进算法有效的消除了频率混淆,而且精确的检测出了0.125s处的瞬时信号,而0.5s处的瞬时信号之所以没被检测出,是由于它太过微弱,只有10-7数量级。以上的仿真对比并非一个特例,改进算法是深入剖析原算法产生频率混淆的原因之后提出的,在实际应用中,可有效避免频率混淆。

4 单子带重构改进算法的应用实例

利用内置在舰炮基座上的采集盒采集舰炮的声信号,由于采集设备安装在采集盒内,并与舰炮的电气系统相联,既可以最大限度的消除外界环境噪声的干扰,又可以收集舰炮的火控系统信号,以定位各段声信号的发生时序。舰炮的开闩过程亦即自动机的运动过程,故开闩过程中的声信号中蕴含着舰炮自动机丰富的状态信息。

本例取自动机中炮闩故障时的开闩信号,与自动机正常工作时的开闩信号作对比,如图6～7所示,两者在波形及频谱上有细微差别,但只是振幅上的,分辨不出是否有新增加的频率成分,这只说明撞击力度上的不同,所以还要对信号进行进一步处理。

图6 炮闩故障时自动机的开闩声信号

图7 自动机正常时的开闩声信号

将炮闩故障时的开闩信号与炮闩正常时的开闩信号,分别用单子带重构改进算法进行尺度为3的小波重构,结果如图8～10所示。

图8 故障信号与正常信号第一层小波重构部分对比

图9 故障信号与正常信号第二层小波重构部分对比

图10 故障信号与正常信号第三层小波重构部分对比

其中,ai(i=1,2,3)表示第i层重构信号的低频部分,di(i=1,2,3)为第i层重构信号的高频部分。相应fai、fdi分别为各自的快速傅里叶变换得到的频谱函数。

除去振幅的影响,可以发现正常状态与故障状态下所采集的信号,其各层的重构信号存在比较明显的差异,其中在第一层重构信号低频部分,故障信号比正常信号多出了5100Hz左右的窄频带,在第一层重构信号的高频部分,故障信号比正常信号多出了7650Hz附近的窄频带;在第二层重构信号中,差异就更加明显,但在重构信号的频谱中,并未发现有增加或者减少的频率成分;第三层重构信号存在与第二层相似的情况。

5 结语

仿真和试验的结果表明,单子带重构改进算法可以很好地解决小波分析中单子带重构的频率混淆问题,将其应用于基于声信号的故障特征提取时,可以比较准确的分辨故障信号与正常信号的频率成分,从而有效的提取出故障特征信号,这也表明,利用声信号对舰炮进行故障检测,是行之有效的一种方式。

[1] 戴涌,张国平,王茂林,等.某转膛自动机异常发射故障分析[J].火炮发射与控制学报,2013(9):67-71.

[2] 吉小军,施文康,张自嘉,等.基于噪声信号的声源检测与故障诊断[J].计算机测量与控制,2003,11(12):918-920.

[3] 王学军,马辉,孙伟,等.基于小波分析的转子碰摩故障特征提取[J].农业机械学报,2008,39(4):147-151.

[4] 胡耀斌,谢静,胡良斌.基于神经网络与小波变换的滚动轴承故障诊断[J].机械设计与研究,2013,29(6):33-35.

[5] 杨建国.小波分析及其工程应用[M].北京:机械工业出版社,2005.

[6] 王林.小波抗混叠单子带重构算法及其在轴承故障特征提取中的应用[D].重庆:重庆大学,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] 张静远,张冰,蒋兴舟.基于小波变换的特征提取方法分析[J].信号处理,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] 杨国安,钟秉林,黄仁,等.机械故障信号小波包分解的时域特征提取方法研究[J].振动与冲击,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

孙宽雷,男,硕士研究生,助理工程师,研究方向:武器系统与运用。

TJ391

10.3969/j.issn1672-9730.2014.10.035