基于自适应降噪的柱塞泵故障音频特征提取方法_李炜.pdf

北大中文核心期刊国外电子测量技术 D O I:1 0.1 9 6 5 2/j.c n k i.f e m t.2 2 0 4 2 9 1基于自适应降噪的柱塞泵故障音频特征提取方法李 炜1 刘 禹2 李立刚2 周 亮1 宋长山1(1.中国石油化工股份有限公司胜利油田分公司技术检测中心 东营 2 5 7 0 0 0;2.中国石油大学(华东)海洋与空间信息学院 青岛 2 6 6 5 8 0)摘 要:为了增强柱塞泵在强背景噪声下的音频信号特征,进而提高故障诊断准确率,提出了一种基于自适应降噪的柱塞泵故障音频特征提取方法。通过引入了G a mm a t o n e倒谱变换进行特征的初步提取,将柱塞泵音频信号转化到时频域,并提出一种自适应降噪方法,去除了时频信号中与故障无关的背景噪音。最后通过R e s n e t-1 8神经网络开展了故障分类对比实验,结果表明,经过自适应降噪,柱塞泵故障诊断准确率提高至9 6.9 7%,验证了所提出的特征提取方法能够有效降低柱塞泵背景噪音的影响,从而提高了故障诊断的准确率。关键词:柱塞泵;故障诊断;音频信号;信号降噪;神经网络中图分类号:TH 3 2 2文献标识码:A国家标准学科分类代码:5 1 0.4 0 3A u d i o f e a t u r e e x t r a c t i o n m e t h o d f o r p l u n g e r p u m p f a u l t b a s e d o n a d a p t i v e n o i s e r e d u c t i o nL i W e i1 L i u Y u2 L i L i g a n g2 Z h o u L i a n g1 S o n g C h a n g s h a n1(1.S i n o p e c S h e n g l i O i l f i e l d B r a n c h T e c h n i c a l T e s t i n g C e n t e r,D o n g y i n g 2 5 7 0 0 0,C h i n a;2.C o l l e g e o f O c e a n o g r a p h y a n d S p a c e I n f o r m a t i c s,C h i n a U n i v e r s i t y o f P e t r o l e u m(E a s t C h i n a),Q i n g d a o 2 6 6 5 8 0,C h i n a)A b s t r a c t:T o e n h a n c e t h e a u d i o s i g n a l f e a t u r e s o f p l u n g e r p u m p u n d e r s t r o n g b a c k g r o u n d n o i s e a n d i m p r o v e t h e a c c u r a c y o f f a u l t d i a g n o s i s,a m e t h o d f o r e x t r a c t i n g t h e f a u l t a u d i o f e a t u r e s o f t h e p l u n g e r p u m p b a s e d o n a d a p t i v e n o i s e r e d u c t i o n i s p r o p o s e d.B y i n t r o d u c i n g t h e G a mm a t o n e c e p s t r a l t r a n s f o r m t o e x t r a c t t h e f e a t u r e s,t h e a u d i o s i g n a l o f t h e p l u n g e r p u m p i s t r a n s f o r m e d i n t o t h e t i m e-f r e q u e n c y d o m a i n.M e a n w h i l e,a n a d a p t i v e n o i s e r e d u c t i o n m e t h o d i s p r o p o s e d t o r e m o v e t h e b a c k g r o u n d n o i s e i r r e l e v a n t t o t h e f a u l t i n t h e t i m e-f r e q u e n c y s i g n a l.F i n a l l y,a f a u l t c l a s s i f i c a t i o n c o m p a r i s o n e x p e r i m e n t i s c a r r i e d o u t t h r o u g h t h e R e s n e t-1 8 n e u r a l n e t w o r k.T h e r e s u l t s s h o w t h a t t h e f a u l t d i a g n o s i s a c c u r a c y o f t h e p l u n g e r p u m p i s i m p r o v e d t o 9 6.9 7%a f t e r a d a p t i v e n o i s e r e d u c t i o n,w h i c h v e r i f i e s t h a t t h e p r o p o s e d f e a t u r e e x t r a c t i o n m e t h o d c a n e f f e c t i v e l y r e d u c e t h e i n f l u e n c e o f t h e b a c k g r o u n d n o i s e o f t h e p l u n g e r p u m p,a n d i m p r o v e t h e f a u l t d i a g n o s i s a c c u r a c y.K e y w o r d s:p l u n g e r p u m p;f a u l t d i a g n o s i s;a u d i o s i g n a l;s i g n a l n o i s e r e d u c t i o n;n e u r a l n e t w o r k s 收稿日期:2 0 2 2-0 8-3 00 引 言往复式柱塞泵是一种关键的液压设备,被广泛应用于工业生产和日常生活。在柱塞泵的运维过程中,为了能够及时发现柱塞泵存在的故障,许多学者对柱塞泵故障诊断方法进行了研究1。目前,主流的柱塞泵故障诊断方法大多是基于柱塞泵的振动信号开展的2。这类方法虽然已经取得了较好的效果,但通常需要安装多个传感器,且安装的振动传感器为接触式测量3,柱塞泵的高强度振动会引起大量的发热,对传感器寿命造成一定的影响。因此,使用振动传感器进行大规模监测部署时,以上问题会在无形中增加柱塞泵的运维成本。通过音 频 信 号 进 行 监 测 是 一 种 新 型 故 障 诊 断 技术4-5,具有非接触式测量、传感器数量较少等优势,设备部署成本更低。目前,已经被应用于列车门6、变压器7和滚动轴承8等设备的故障诊断研究中。在柱塞泵的运维过程中,经验丰富的专家能过通过声音辨识部分故障,因此通过音频信号对柱塞泵进行故障诊断具有一定的可1 国外电子测量技术北大中文核心期刊行性9。但由于柱塞泵在运行过程中会产生较大的背景噪音,使得故障声音容易淹没在噪音环境中,导致了音频信号在柱塞泵故障诊断中得不到广泛应用。因此,对柱塞泵音频信号进行有效降噪,提取出高信噪比的故障特征,是柱塞泵音频信号故障诊断的关键技术。而柱塞泵由于其活塞往复运动的特点,故障声音的能量在一段时间内的变化幅度较大1 0,常规基于时域的滤波方法并不能取得良好的降噪效果。而柱塞泵的故障声音和背景噪音来源相同,二者声音的频率范围相似,仅从频域也难以消除噪音的干扰。目前,基于时频域的信号降噪方法 在 机 械 设 备 的 故 障 诊 断 中 取 得 较 好 的 降 噪 效果1 1。马增强等1 2将变分模态分解和独立分量分析相结合,对滚动轴承振动信号进行了联合降噪,使故障特征更加清晰。曹玲玲等1 3改进了小波阈值降噪,有效提高了滚动轴承振动信号的信噪比。何冬等1 4提出了一种基于总变差降噪和递归定量分析的单向阀故障诊断方法,在降低背景噪声、表征故障信息和保证故障诊断准确性方面具有明显的效果。仝兆景等1 5采用自适应噪声集合模态分解的方法对数据进行降噪处理,增加了故障诊断模型的鲁棒性。但上述方法仍然没有完全摆脱人工经验因素,如分解层数确定和部分阈值选取等问题。为了解决上述问题,为柱塞泵音频故障诊断奠定基础,本文提出了一种基于自适应降噪的柱塞泵音频特征提取方法。通过G a mm a t o n e倒谱变换将柱塞泵音频信号转换到时频域,提取出音频信号的G a mm a t o n e声谱图,再根据所提出的自适应降噪方法除去了与故障诊断无关的背景噪音,提取出了故障清晰可辨的故障特征图。该方法无需人工选取阈值,可以自适应完成对柱塞泵音频信号的降噪和特征提取。1 G a mm a t o n e倒谱变换柱塞泵的音频信号是一种一维信号,且含有较大的背景噪声,故障特征在原始信号中并不突出。由于柱塞泵的往复运动,故障的频率特征往往也会跟随其运动呈现出周期性的特点,仅从频域也不易对故障进行区分。在对机械声音信号分析时,可通过短时傅里叶变换1 6提取出信号的声谱图,从 时 频域 中 更 能 直观 地 观 察 到信 号 的 故障特征。G a mm a t o n e倒谱变换是在短时傅里叶变换的基础上,增加了一个G a mm a t o n e滤波器组,其完整的信号处理流程如图1所示。其中最关键的G a mm a t o n e滤波器组是模仿人耳耳蜗的听觉特性而设计1 7,滤波器组的时域脉冲响应公式为:gi(t)=A tn-1e-2 bitc o s(2 fi+i)U(t)t0,1iN(1)式中:A为滤波器的增益;fi是第个滤波器的中心频率;U(t)为阶跃函数;i是相位,由于人耳对相位变化并不敏图1 G a mm a t o n e倒谱变换流程感,本文取i=0;n是滤波器阶数,通常取n=4;N为滤波器个数,本文取N=6 4;bi为滤波器的衰减因子,可以由等效矩形带宽E R B(fi)计算得出:bi=1.0 1 9E R B(fi)(2)E R B(fi)=2 4.7 4.3 7fi1 0 0 0+1()(3)生成的G a mm a t o n e滤波器组能够完整覆盖人耳听觉的2 0 H z 2 0 k H z频率范围,并且在低频处滤波器更精细,高频处较粗略,符合人耳对低频更加敏感的特性。滤波器组的幅频响应如图2所示。图2 G a mm a t o n e滤波器组幅频响应以正常工况下的柱塞泵音频信号为例,在未经额外信号处理时,生成的G a mm a t o n e声谱图如图3所示。根据实验发现,声谱图中颜色较亮的部分是柱塞泵运行时产生的主要声音成分,也是用于故障诊断的关键部分;而颜色较暗的部分在多种工况中均有出现,属于背景噪音。因此,有必要对柱塞泵的音频信号进行降噪,减少特征图中的冗余信息。2 柱塞泵音频自适应降噪方法经过G a mm a t o n e倒谱变换后,柱塞泵音频信号会转换为一个mn的二维矩阵D,其中m为采样的时间点个数,n为采样的频率点个数,矩阵中的元素Dt p代表当前时