[发明专利]一种声学差动智能轴承变尺度自适应去噪方法及声学智能轴承

说明书

本发明提出了一种声学差动智能轴承变尺度自适应去噪方法及声学智能轴承。该方法为于轴承外圈端面采集期望声音信号，于轴箱盖上采集参考声音信号；对期望声音信号进行自适应变分模态分解，确定最优分解层数和带宽惩罚系数；计算最优模态中心频率并以此设计维纳滤波器组，采用维纳滤波器组对期望声音信号和参考声音信号进行分解得到多个分解子信号对；利用参考声音信号的子信号滤除期望声音信号子信号的带内噪声，输出所有去噪模态为最终的模态，将所有去噪模态求和得到重构的降噪信号。该方法适应性强，能有效去除采集的轴承的声音信号中的噪声，特别适用于提高列车轴承轨边声学信号的信噪比。

技术领域

本发明涉及机械部件监测和故障诊断技术领域，具体涉及一种声学差动智能轴承变尺度自适应去噪方法及声学智能轴承。

背景技术

轴承是旋转器械的关键部分，支撑其重量和高速旋转。由于长期处于重载、交变应力、复杂环境的恶劣工况下，轴承结构极易产生变形和损耗，进而导致设备失效停车，甚至引发经济损失和人员伤亡。因而，对轴承的健康状态进行监测及诊断对维护设备正常运行有重大意义，具有极大的经济效益和社会效益。当前设备智能化是实现工业现代化的重要途径，引起了各个国家的高度重视，具有自感知、自决策及自调控功能的轴承单元——智能轴承逐步成为研究热点。

现阶段智能轴承多采用集成转速、温度及振动传感器的方法感知轴承运行状态，忽略了声音这一信息源的利用。事实上，声信号包含着丰富的轴承状态信息，且相对于温度和振动信号有着早期预警和灵敏度高的独到优势，在列车轨边声学检测中得到了广泛应用。然而，由于轨边系统中轮轨结构复杂以及背景噪声等因素的干扰，麦克风采集到的声信号中噪声往往在全频带内表现为多尺度特征。除此之外，声源混叠、信号畸变、信噪比低等诸多难题，进一步限制了轨边系统的实际应用。

面向智能轴承状态信息智能化诊断及实时处理需求，通过对轴承状态信号自适应处理实现轴承状态自诊断、自学习是轴承智能化的一个重要需求。其中最小均方(LMS)算法是一种常用的自适应滤波技术，其原理通过利用期望信号同参考信号的误差最小化，实现期望信号中关键数据的挖掘与自学习，实现复杂噪声下微弱信号的增强。自适应滤波可以利用前一时刻已得的滤波器参数的结果，自动调节当前时刻的滤波参数，以适应信号和噪声未知的或随时间变化的统计特性，从而实现最优滤波。但是，当面临非平稳、多尺度噪声和低信噪比时，LMS算法并不能完全滤除。

特别地，变分模态分解(VMD)能自适应地感知和挖掘信号中的敏感模态，将宽带噪声分解至多个模态尺度之内，降低噪声的非平稳性。但是，VMD严重依靠预定义参数，参数给定不合理将导致关键故障信息的丢失与冗余噪声的引入，不利于微弱故障的精确感知与智能诊断。

发明内容

为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种声学差动智能轴承变尺度自适应去噪方法及声学智能轴承。

为了实现本发明的上述目的，本发明提供了一种声学差动智能轴承变尺度自适应去噪方法，于轴承外圈端面采集期望声音信号x₁(n)，于轴箱盖上采集参考声音信号x₂(n)；

对期望声音信号x₁(n)进行自适应变分模态分解，确定最优分解层数k_opt和带宽惩罚系数α_opt；

根据得到的最优分解层数k_opt与带宽惩罚系数α_opt计算最优模态中心频率并以此设计维纳滤波器组，采用维纳滤波器组对期望声音信号x₁(n)和参考声音信号x₂(n)进行分解得到多个分解子信号对；

利用参考声音信号x₂(n)的子信号滤除期望声音信号x₁(n)子信号的带内噪声，输出所有去噪模态为最终的模态，将所有去噪模态求和得到重构的降噪信号。