本發(fā)明屬于軌邊聲學(xué)多普勒畸變校正領(lǐng)域，涉及一種多普勒聲學(xué)信號(hào)的自適應(yīng)學(xué)習(xí)校正方法，可以自適應(yīng)學(xué)習(xí)到最優(yōu)畸變校正參數(shù)，實(shí)現(xiàn)對多普列畸變聲學(xué)信號(hào)的自適應(yīng)校正學(xué)習(xí)，尤其適用于輪對軸承道旁聲學(xué)診斷系統(tǒng)。

背景技術(shù)：

軌邊聲學(xué)診斷是一種以運(yùn)動(dòng)部件產(chǎn)生的聲學(xué)信號(hào)為分析對象，具有非接觸、多目標(biāo)、無需停機(jī)等優(yōu)點(diǎn)的高效監(jiān)測診斷模式，在列車輪對軸承診斷中具有重要的應(yīng)用價(jià)值與意義。通過軌邊測量設(shè)備采集到的聲學(xué)信號(hào)含有部件當(dāng)前的健康信息，但實(shí)際中，由于列車以較高速度運(yùn)行，移動(dòng)部件產(chǎn)生的聲學(xué)信號(hào)與道旁固定測量設(shè)備存在著相對運(yùn)動(dòng)，使得最終觀測到的聲學(xué)信號(hào)發(fā)生了畸變(也即多普勒畸變現(xiàn)象)，給故障源的辨識(shí)與提取帶來了困難。因此，對聲學(xué)信號(hào)做多普勒校正分析對于軌邊聲學(xué)軸承故障診斷具有非常重要的意義。目前常用的多普勒校正方法主要分為兩種，一種是利用瞬時(shí)頻率脊線(Instantaneous Frequency Ridge Extraction)或主成分相干分析等方法(如短時(shí)MUSIC算法)來獲取信號(hào)接收角度序列，通過擬合來間接獲取多普勒畸變參數(shù)，構(gòu)造發(fā)射時(shí)間序列；另外一種是通過匹配追蹤等貪婪迭代算法來大量搜索(如基于Laplace小波和譜相關(guān)估計(jì)的多普勒瞬態(tài)模型(Doppler transient model based on the Laplace wavelet and spectrum correlation assessment)，來直接獲取部分或全部多普勒畸變參數(shù)，實(shí)現(xiàn)對畸變信號(hào)的校正分析。前者是一種基于數(shù)據(jù)擬合的方法，魯棒性受到一定的限制；后者在實(shí)時(shí)性方面存在比較大的缺陷，不利于實(shí)際診斷。因此傳統(tǒng)的診斷方法將大大降低對列車軸承故障診斷的效率和準(zhǔn)確性。

本發(fā)明提出了一種多普勒聲學(xué)信號(hào)的自適應(yīng)學(xué)習(xí)校正方法。該方法結(jié)合軌邊聲學(xué)原理，構(gòu)造頻移算子和聲調(diào)算子物理模型，通過操作算子實(shí)現(xiàn)對多普勒畸變信號(hào)的偽校正。基于該偽校正得到畸變信號(hào)的過渡基準(zhǔn)項(xiàng)，其對應(yīng)的共振帶不僅具有無畸變特性同時(shí)也具有高能量聚集性。提出基于共振頻率窄帶能量比最大化原則，利用全局最優(yōu)化算法，實(shí)現(xiàn)對多普勒畸變算子的模型參數(shù)自適應(yīng)學(xué)習(xí)。最終通過聲壓算子和重采樣技術(shù)實(shí)現(xiàn)對多普勒信號(hào)完整的校正。該自適應(yīng)學(xué)習(xí)校正方法具有魯棒自適應(yīng)的特性，對軌邊多普勒畸變聲學(xué)信號(hào)校正具有十分顯著的效果。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于：提供一種多普勒聲學(xué)信號(hào)的自適應(yīng)學(xué)習(xí)校正方法，用于多普勒聲畸變聲學(xué)信號(hào)的自適應(yīng)校正學(xué)習(xí)。

本發(fā)明采用的技術(shù)方案為：一種多普勒聲學(xué)信號(hào)的自適應(yīng)學(xué)習(xí)校正方法，該方法包括如下步驟：

步驟(1)、通過希爾伯特變換獲取聲測量信號(hào)的解析信號(hào)；

步驟(2)、基于軌邊聲學(xué)理論，給定三個(gè)多普勒畸變參數(shù)(u,M和k分別為畸變中心時(shí)刻，波速比和共振頻率位置，這三個(gè)參數(shù)為畸變校正的主要參數(shù))，構(gòu)造該聲場模型下的頻移算子H和聲調(diào)算子G兩種偽校正操作算子；

步驟(3)、依據(jù)移頻算子對步驟(1)中的解析信號(hào)做頻移操作運(yùn)算，使頻帶向頻率位置k處集中，實(shí)現(xiàn)對信號(hào)的多普勒畸變的頻率偽校正，獲取過渡基準(zhǔn)項(xiàng)；

步驟(4)、對步驟(3)中的過渡基準(zhǔn)項(xiàng)做頻譜分析，依據(jù)頻帶能量在共振頻率位置k處聚集，計(jì)算該處共振頻率窄帶能量比并將其最大作為評(píng)價(jià)原則(設(shè)置頻率窄帶，帶寬記為B)，基于全局最優(yōu)化算法對偽校正信號(hào)參數(shù)進(jìn)行尋優(yōu)，自適應(yīng)學(xué)習(xí)到最優(yōu)畸變校正參數(shù)；

步驟(5)、通過最優(yōu)畸變校正參數(shù)(u,M,k)_opt，計(jì)算聲調(diào)算子G，實(shí)現(xiàn)對原始聲壓信號(hào)的聲壓偽校正，恢復(fù)聲信號(hào)聲壓幅值；

步驟(6)、通過最優(yōu)畸變校正參數(shù)(u,M,k)_opt，重新構(gòu)建聲信號(hào)發(fā)射時(shí)間序列，對步驟(5)中的偽校正聲壓信號(hào)，利用時(shí)域重采樣技術(shù)，最終實(shí)現(xiàn)完整的信號(hào)多普勒畸變校正。

所述步驟(2)中：

構(gòu)造頻移算子和聲調(diào)算子兩種偽校正操作算子，分別是基于軌邊聲傳播理論構(gòu)造的兩個(gè)物理模型，其數(shù)學(xué)表達(dá)如下：

移頻算子：

聲調(diào)算子：

其中，N為信號(hào)長度，r為垂直距離(道旁麥克風(fēng)與聲源運(yùn)動(dòng)方向垂直距離)，c為聲波速度，u，M和k三個(gè)參數(shù)分別為畸變中心時(shí)刻，波速比和共振頻率位置。

所述步驟(4)中：

全局最優(yōu)化算法是通過利用多起點(diǎn)方法產(chǎn)生若干個(gè)初始點(diǎn)，利用局部求解器搜索各自所在盆地中的局部極值點(diǎn)，最終實(shí)現(xiàn)全局最優(yōu)點(diǎn)，該算法原理同遺傳算法類似，能夠快速穩(wěn)定的搜索到全局最優(yōu)點(diǎn)。

本發(fā)明的優(yōu)點(diǎn)和積極效果為：

(1)在校正參數(shù)自適應(yīng)學(xué)習(xí)中，基于軌邊聲學(xué)理論，通過構(gòu)造移頻算子和聲調(diào)算子，實(shí)現(xiàn)了對畸變信號(hào)的一種偽校正，獲取頻譜共振帶具有無畸變以及高能量聚集性的過渡基準(zhǔn)項(xiàng)。在理論上刻畫還原了軌邊聲學(xué)畸變現(xiàn)象，從物理上強(qiáng)化了自適應(yīng)畸變校正學(xué)習(xí)機(jī)理。

(2)與其他校正方法相比，該算法能夠自適應(yīng)地從原始聲信號(hào)中學(xué)習(xí)到最優(yōu)校正參數(shù)，從而實(shí)現(xiàn)對畸變信號(hào)的完整校正。該算法具有一定的魯棒性與高效性，有利于后續(xù)軌邊聲學(xué)系統(tǒng)的在線智能校正與診斷。

附圖說明

圖1為本發(fā)明一種多普勒聲學(xué)信號(hào)的自適應(yīng)學(xué)習(xí)校正方法流程圖；

圖2為仿真信號(hào)的時(shí)域波形、傅里葉頻率幅值譜(共振頻率發(fā)散到100Hz帶寬中)與其對應(yīng)的時(shí)頻分布(其中白色水平線對應(yīng)共振頻率1000Hz)(設(shè)定多普勒參數(shù)為[u,M,k]＝[0.250,0.0588,500])；其中，圖2(a)為仿真信號(hào)的時(shí)域波形，圖2(b)為仿真信號(hào)的頻譜，圖2(c)為仿真信號(hào)的時(shí)頻分布；

圖3為基于自適應(yīng)多普勒校正后信號(hào)的時(shí)域波形、傅里葉頻率幅值譜(共振頻率集中在998Hz)與其對應(yīng)的時(shí)頻分布(其中白色水平線對應(yīng)共振頻率1000Hz)(多普勒最優(yōu)參數(shù)[u,M,k]＝[0.2415,0.0562,502])；其中，圖3(a)為校正后信號(hào)的時(shí)域波形，圖3(b)為校正后信號(hào)的頻譜，圖3(c)為校正后信號(hào)的時(shí)頻分布；

圖4為分別為原始信號(hào)和基于自適應(yīng)多普勒校正后信號(hào)的包絡(luò)功率譜(故障頻率理論值為75Hz)；其中，圖4(a)為原始信號(hào)的包絡(luò)功率譜，圖4(b)為校正后信號(hào)的包絡(luò)功率譜；

圖5為實(shí)際軸承外圈故障信號(hào)的時(shí)域波形、傅里葉頻率幅值譜與其對應(yīng)的時(shí)頻分布(多普勒參數(shù)[u,M,k]＝[unknown,0.0882,unknown])；其中，圖5(a)為外圈信號(hào)的時(shí)域波形，圖5(b)為外圈信號(hào)的頻譜，圖5(c)為外圈信號(hào)的時(shí)頻分布；

圖6為基于自適應(yīng)多普勒校正后信號(hào)時(shí)域波形、傅里葉頻率幅值譜與其對應(yīng)的時(shí)頻分布(多普勒最優(yōu)參數(shù)[u,M,k]＝[0.0756,0.0838,361])；其中，圖6(a)為校正后信號(hào)的時(shí)域波形，圖6(b)為校正后信號(hào)的頻譜，圖6(c)為校正后信號(hào)的時(shí)頻分布；

圖7為分別為原始信號(hào)和基于自適應(yīng)多普勒校正后信號(hào)的包絡(luò)功率譜(軸承外圈故障頻率理論值為138.74Hz)，其中，圖7(a)為原始信號(hào)的包絡(luò)功率譜，圖7(b)為校正后信號(hào)的包絡(luò)功率譜。

具體實(shí)施方式

下面結(jié)合附圖以及實(shí)施例進(jìn)一步說明本發(fā)明。

實(shí)施例一：

表1：多普勒畸變信號(hào)數(shù)學(xué)模型參數(shù)

以仿真信號(hào)為例，仿真信號(hào)采用與故障機(jī)理相似的單邊衰減瞬態(tài)周期信號(hào)：

其中，t_s，ξ，f_c和f_d分別為畸變信號(hào)的接收時(shí)間、衰減阻尼、共振頻率和故障頻率；按照表1模型參數(shù)以及莫爾斯聲學(xué)理論構(gòu)建模擬信號(hào)，同時(shí)在原始信號(hào)中加入-10dB高斯白噪聲得到多普勒畸變信號(hào)x(t),此時(shí)故障頻率為f_d＝75Hz，多普勒畸變參數(shù)理論值為[u,M,k]＝[0.250,0.0588,500]。其對應(yīng)的時(shí)域波形、傅里葉頻率幅值譜與其對應(yīng)的時(shí)頻分布如圖2所示。從圖2(b)中不難發(fā)現(xiàn)信號(hào)存在多普勒畸變現(xiàn)象，信號(hào)共振頻帶存在約為100Hz展寬，干擾了對共振帶的辨識(shí)與分析。利用本發(fā)明提出的自適應(yīng)學(xué)習(xí)技術(shù)對該多普勒畸變信號(hào)進(jìn)行校正處理，具體操作過程如下：

1、對持續(xù)時(shí)間為0.5s的原始信號(hào)做希爾伯特變換，獲取其解析信號(hào)；

2、隨機(jī)設(shè)置普勒畸變參數(shù)初始值[u,M,k]＝[0.01,0.03,200]，給定其約束范圍分別為[0 0.2],[0.02 0.15],[100 600]；

3、依據(jù)發(fā)明內(nèi)容的步驟(2)與步驟(3)，構(gòu)造頻移算子H，利用頻移算子對步驟(1)中的解析信號(hào)進(jìn)行操作，獲取過渡基準(zhǔn)項(xiàng)；

4、依據(jù)發(fā)明內(nèi)容的步驟(4)，計(jì)算過渡基準(zhǔn)項(xiàng)的頻譜在共振頻率k處窄帶能量比(設(shè)置頻率窄帶B為10Hz)，將該能量比最大作為能量聚集評(píng)價(jià)標(biāo)準(zhǔn)，依據(jù)全局最優(yōu)化算法對偽校正信號(hào)參數(shù)進(jìn)行尋優(yōu)，輸出自適應(yīng)學(xué)習(xí)到畸變校正參數(shù)[u,M,k]＝[0.2415,0.0562,502]；

5、通過獲取的最優(yōu)多普勒畸變校正參數(shù)，依據(jù)發(fā)明內(nèi)容的步驟(2)計(jì)算聲調(diào)算子G，對原始畸變聲信號(hào)做聲壓偽校正。

6、依據(jù)最優(yōu)多普勒畸變校正參數(shù)建立聲音接收脊線和發(fā)射時(shí)間序列對應(yīng)關(guān)系，利用時(shí)域重采樣技術(shù)，對步驟(5)中的偽聲壓校正的信號(hào)做完整校正恢復(fù)并輸出(如圖3所示)?？梢园l(fā)現(xiàn)信號(hào)的多普勒現(xiàn)象得到了明顯的消除，此時(shí)頻譜具有非常好的能量集中與聚集性，校正后的共振頻率為998Hz，基本和原始共振頻率1000Hz一樣。同時(shí)，對比分析原始信號(hào)和基于自適應(yīng)多普勒校正后信號(hào)的包絡(luò)功率譜，如圖4所示。不難發(fā)現(xiàn)，相比于直接對原始信號(hào)做包絡(luò)分析得到的錯(cuò)誤故障頻率f_d1＝154.8Hz，采用本發(fā)現(xiàn)方法診斷得到的故障頻率f_d2＝75.2Hz同理論值f_d＝75Hz完全吻合。同時(shí)在校正后信號(hào)的包絡(luò)譜中也恢復(fù)出2倍頻信息。這些實(shí)驗(yàn)結(jié)果反映了本發(fā)明對于多普勒畸變信號(hào)的校正具有一種自適應(yīng)學(xué)習(xí)的效果，十分有利于后續(xù)的故障診斷。

實(shí)施例二：

采用自行設(shè)計(jì)的火車軸承外圈故障信號(hào)進(jìn)行測試。利用汽車直線運(yùn)動(dòng)來播放靜態(tài)的故障信號(hào)，通過路旁的B&K麥克風(fēng)4944—A以及NI PXI—4472/PXI—1033機(jī)箱來獲取動(dòng)態(tài)多普勒畸變信號(hào)。其中火車軸承型號(hào)為NJ(P)3226X，具體參數(shù)如表2所示。

表2：NJ(P)3226X1型火車軸承參數(shù)(單位：毫米)

動(dòng)態(tài)多普勒故障信號(hào)采集參數(shù)如表3所示：

表3：火車軸承故障信號(hào)采集參數(shù)

采用線切割工藝，在軸承外圈加工寬度為0.18mm的單個(gè)故障。在表3的采集條件下，軸承外圈故障頻率為f_d＝138.74Hz，轉(zhuǎn)速比的理論值為M＝0.0882。其對應(yīng)的時(shí)域波形、傅里葉頻率幅值譜與其對應(yīng)的時(shí)頻分布如圖5所示。從圖5中不難發(fā)現(xiàn)信號(hào)存在多普勒畸變現(xiàn)象，也即信號(hào)頻帶展寬，干擾了對共振帶的辨識(shí)與分析。利用本發(fā)明提出的自適應(yīng)學(xué)習(xí)技術(shù)對該多普勒畸變信號(hào)進(jìn)行校正處理，具體操作過程如下：

1、對持續(xù)時(shí)間為0.2s的原始信號(hào)做希爾伯特變換，獲取其解析信號(hào)；

2、隨機(jī)設(shè)置普勒畸變參數(shù)初始值[u,M,k]＝[0.01,0.03,200]，給定其約束范圍分別為[0 0.2],[0.02 0.15],[100 600]；

3、依據(jù)發(fā)明內(nèi)容的步驟(2)與步驟(3)，構(gòu)造頻移算子H，利用頻移算子對步驟(1)中的解析信號(hào)進(jìn)行操作，獲取過渡基準(zhǔn)項(xiàng)；

4、依據(jù)發(fā)明內(nèi)容的步驟(4)，計(jì)算過渡基準(zhǔn)項(xiàng)的頻譜在共振頻率k處窄帶能量比(設(shè)置頻率窄帶B為10Hz)，將該能量比最大作為能量聚集評(píng)價(jià)標(biāo)準(zhǔn)，依據(jù)全局最優(yōu)化算法對偽校正信號(hào)參數(shù)進(jìn)行尋優(yōu)，輸出自適應(yīng)學(xué)習(xí)到畸變校正參數(shù)[u,M,k]＝[0.0756,0.0838,361]；

5、通過獲取的最優(yōu)多普勒畸變校正參數(shù)，依據(jù)發(fā)明內(nèi)容的步驟(2)計(jì)算聲調(diào)算子G，對原始畸變聲信號(hào)做聲壓偽校正。

6、依據(jù)最優(yōu)多普勒畸變校正參數(shù)建立聲音接收脊線和發(fā)射時(shí)間序列對應(yīng)關(guān)系，利用時(shí)域重采樣技術(shù)，對步驟(5)中的偽聲壓校正的信號(hào)做完整校正恢復(fù)并輸出(如圖6所示)?？梢园l(fā)現(xiàn)信號(hào)的多普勒現(xiàn)象得到了明顯的消除，此時(shí)頻譜具有非常好的能量集中與聚集性。同時(shí)對比分析原始信號(hào)和基于自適應(yīng)多普勒校正后信號(hào)的包絡(luò)功率譜，如圖7所示。不難發(fā)現(xiàn)，相比于直接對原始信號(hào)做包絡(luò)分析得到的錯(cuò)誤故障頻率f_d1＝143.3Hz，采用本發(fā)現(xiàn)方法診斷得到的故障頻率f_d2＝138.7Hz基本同理論值f_d＝138.74Hz吻合。同時(shí)在校正后信號(hào)的包絡(luò)譜中也恢復(fù)出來一些倍頻信息。該實(shí)驗(yàn)結(jié)果進(jìn)一步驗(yàn)證了本發(fā)明對于多普勒畸變信號(hào)的自適應(yīng)學(xué)習(xí)校正效果，對軌邊聲學(xué)診斷具有重要的價(jià)值。

綜上所述，本發(fā)明公開了一種多普勒聲學(xué)信號(hào)的自適應(yīng)學(xué)習(xí)校正方法，能夠結(jié)合軌邊聲學(xué)原理，構(gòu)造頻移算子和聲調(diào)算子物理模型，通過操作算子實(shí)現(xiàn)對多普勒畸變信號(hào)的偽校正，具有魯棒自適應(yīng)與高效性等優(yōu)點(diǎn)。本發(fā)明在軌邊聲學(xué)監(jiān)測系統(tǒng)的在線智能校正與診斷中具有一定的應(yīng)用前景。

對所公開的實(shí)施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實(shí)施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開的原理和新穎特點(diǎn)相一致的最寬的范圍。