本發(fā)明涉及工業(yè)監(jiān)控領(lǐng)域。

背景技術(shù)：

目前，工業(yè)上常用的皮帶監(jiān)控系統(tǒng)都采用單一的視頻圖像監(jiān)控功能。只能將工業(yè)現(xiàn)場的被監(jiān)控傳輸物及現(xiàn)場的形狀、顏色、運動變化等視覺信息實時采集，通過視頻監(jiān)控網(wǎng)絡(luò)反映至監(jiān)控中心工作人員。工作人員根據(jù)視頻圖像的變化判斷是否有工作異常。實際上工業(yè)現(xiàn)場的很多異常在視頻發(fā)現(xiàn)異常之前就已經(jīng)在聲音特征上表現(xiàn)出異常，例如皮帶傳輸中的，由于電機超負荷運行等故障發(fā)生時，首先表現(xiàn)出的是現(xiàn)場電機、滾軸、皮帶等發(fā)出的異常聲音，如果能在視頻表現(xiàn)為傳輸停止或皮帶斷裂之前監(jiān)測到異常，那么可以大大減少設(shè)備及產(chǎn)品損失。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是實現(xiàn)一種通過現(xiàn)場噪音采集后，利用噪音對設(shè)備工況進行監(jiān)控的方法。

為了實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：一種用于機械設(shè)備工作噪音監(jiān)控的方法：

步驟1、現(xiàn)場噪音采集獲取聲音信號；

步驟2、聲音信號的盲源分離；

步驟3、將盲源分離后聲音信號送入聲源信號故障識別系統(tǒng)中，實現(xiàn)對這些部件較為準確運轉(zhuǎn)狀態(tài)分析；

步驟4、輸出識別結(jié)果。

所述步驟1的聲音信號由M個麥克風(fēng)采集，所述步驟2設(shè)每個麥克風(fēng)所采集的觀測信號為

其中a_ji，i∈[1,2,…,N]，j∈[1,2,…,M]是混合參數(shù)，s_i(t),i∈[1,2,…,N]是源信號，x_j(t)，j∈[1,2,…,M]是觀測信號；

對觀測信號的盲源分離包括：

預(yù)處理：包括中心化和白化，中心化是將目標信號的平均值調(diào)整為0，其中白化是對觀測信號x_j進行處理，是去除信號之間的相關(guān)性，使得線性變換后信號的各分量模值為1；

信號分離：利用混合的觀測信號x_j估計混合矩陣A和獨立成分s_i，獲得N×M的矩陣W，其中解混信號u＝(u₁,u₂,…,u_N)^T,u＝Wx的各個分量是統(tǒng)計獨立的。

所述盲源分離采用擬牛頓迭代方法的改進Fast_ICA算法步驟：

1)對觀測數(shù)據(jù)x進行中心化，使它的均值為0；

2)對數(shù)據(jù)進行白化；

3)選擇需要估計的分量的個數(shù)m，首先對x_p＝1進行處理：

4)信號源估計s(t)＝Wx(t)，根據(jù)求解出來權(quán)重矩陣，和觀測信號求解源信號。

所述步驟3)的處理方法：

a、選擇一個初始權(quán)矢量(隨機的)ω₁

b、令F(w，σ)＝E{G(w^Tx)}+σ(||ω||²-1),σ為懲罰常數(shù),通過優(yōu)化求解F的最小值來求解ω₁的值；

c、初始化B₀＝I

d、計算線搜索方向//保證優(yōu)化的方向只是最小的方向，對目標函數(shù)進行優(yōu)化

e、根據(jù)Armijo-Goldstein準則，判斷是否停止；

f、假如ω₁不收斂的話，返回d；

g.令p＝p+1，如果p≤m，返回a；

所述機械設(shè)備為皮帶傳輸機，所述每個觀測信號包括電機運行聲S1、滾軸運行聲S2、傳送帶運行聲S3，公式1中N＝3，M＝8，則公式1計為X(t)＝[x₁(t)...x₈(t)]^T。

所述白化采用：

z＝Vx，E{zz^T}＝I。 公式2

本發(fā)明可以監(jiān)測工業(yè)現(xiàn)場的聲場變化，同步采集現(xiàn)場聲場信息，實現(xiàn)現(xiàn)場聲場的在線分析，豐富了在線監(jiān)控內(nèi)容，真實反映工業(yè)現(xiàn)場情況，實時發(fā)現(xiàn)工業(yè)現(xiàn)場的聲場異常，及時提醒工作人員及時處理避免故障。

附圖說明

下面對本發(fā)明說明書中每幅附圖表達的內(nèi)容作簡要說明：

圖1為聲學(xué)故障識別流程圖；

圖2為音信號的盲分離示意圖；

圖3為聲源信號的盲源分離流程。

具體實施方式

在工業(yè)生產(chǎn)流水線的不同位置放置多個監(jiān)測設(shè)備單元(包含8個麥克風(fēng)陣列和1個CMOS攝像機)，同時采集并記錄流水線運行過程中的聲音源信號，作為視頻監(jiān)控的又一輔助監(jiān)控手段，提高工業(yè)生產(chǎn)流水線監(jiān)測的可靠性。本發(fā)明采用改進的Fast_ICA盲源分離方法處理流水線現(xiàn)場采集的聲音信號，從混合聲音信號中分離出傳動帶上主要部件產(chǎn)生的聲音信號，排除其他不相關(guān)信號的干擾，結(jié)合傳統(tǒng)的聲學(xué)故障診斷技術(shù)，實現(xiàn)對這些部件較為準確運轉(zhuǎn)狀態(tài)分析。

具體方法如圖1所示，聲音信號的盲源分離

設(shè)N種獨立的信號經(jīng)過線性瞬時混合被傳感器接收，則每個觀測信號的是這N中信號的線性組合。則有公式1成立：

其中a_ji，i∈[1,2,…,N]，j∈[1,2,…,M]是混合參數(shù)，s_i(t),i∈[1,2,…,N]是源信號，x_j(t)，j∈[1,2,…,M]是觀測信號。在工業(yè)生產(chǎn)流水線中麥克風(fēng)陣列采集到的聲音信號中電機運行聲S₁、滾軸運行聲S₂和傳送帶運行聲S₃混合的聲音信號X(t)＝[x₁(t)...x₈(t)]^T，即N＝3，M＝8，這里不考慮環(huán)境噪聲的影響，如圖2所示。

聲音信號的盲分離按照以下兩個步驟來實現(xiàn)：

第1步為觀測信號的預(yù)處理，包括中心化和白化，中心化是將目標信號的平均值調(diào)整為0，白化則是去除信號之間的相關(guān)性。信號預(yù)處理目的是簡化算法，提離算法的收斂性能。

對觀測信號x_j進行白化處理，使得線性變換后信號的各分量模值為1。

z＝Vx，E{zz^T}＝I (公式2)

第2步為源信號盲源分離，盲源分離的目的是求得源信號的最佳估計，如圖3所示，利用僅有的混合的觀測信號x_j估計混合矩陣A和獨立成分s_i，來尋找一個N×M的矩陣W，使得解混信號u＝(u₁,u₂,…,u_N)^T,u＝Wx的各個分量是統(tǒng)計獨立的，從而得到單獨的信號。源信號盲源分離的關(guān)鍵在于設(shè)立描述分離結(jié)果獨立程度的目標函數(shù)，然后對目標函數(shù)進行優(yōu)化，使其達到最大值或者最小值，此時對應(yīng)的W即為要找的最優(yōu)分離矩陣，以實現(xiàn)對源信號的近似估計。

傳統(tǒng)的Fast_ICA定點學(xué)習(xí)算法利用了牛頓迭代法的原理。牛頓法是一種具有二階收斂性的算法。但當(dāng)初始點遠離極小點時，牛頓法可能不收斂，原因在于牛頓法迭代方向不一定是下降方向,并且經(jīng)過迭代目標函數(shù)也有可能不收斂。為了讓迭代過程中每一步都保證收斂，同時為了降低計算量，本發(fā)明算法部分采用擬牛頓法。

基于負熵優(yōu)化算法中可以轉(zhuǎn)化為公式3進行求解

,σ為懲罰因子，E是進行求熵操作。

采用擬牛頓迭代方法的改進Fast_ICA算法步驟：

1.對觀測數(shù)據(jù)x進行中心化，使它的均值為0；

2.對數(shù)據(jù)進行白化,

3.選擇需要估計的分量的個數(shù)m＝3，首先對x_p＝1進行處理

a.選擇一個初始權(quán)矢量(隨機的)ω₁。

b令F(w，σ)＝E{G(w^Tx)}+σ(||ω||²-1),σ為懲罰常數(shù),通過優(yōu)化求解F的最小值來求解ω₁的值。

c.初始化B₀＝I

d、計算線搜索方向//保證優(yōu)化的方向只是最小的方向，對目標函數(shù)進行優(yōu)化

e.根據(jù)Armijo-Goldstein準則，判斷是否停止

f.假如ω₁不收斂的話，返回d。

g.令p＝p+1，如果p≤m，返回a。

4、信號源估計s(t)＝Wx(t)。

根據(jù)求解出來權(quán)重矩陣，和觀測信號求解源信號。

最終，將盲源分離后的u1、u2、u3聲音信號送入聲源信號故障識別系統(tǒng)中，實現(xiàn)對這些部件較為準確運轉(zhuǎn)狀態(tài)分析。

上面結(jié)合附圖對本發(fā)明進行了示例性描述，顯然本發(fā)明具體實現(xiàn)并不受上述方式的限制，只要采用了本發(fā)明的方法構(gòu)思和技術(shù)方案進行的各種非實質(zhì)性的改進，或未經(jīng)改進將本發(fā)明的構(gòu)思和技術(shù)方案直接應(yīng)用于其它場合的，均在本發(fā)明的保護范圍之內(nèi)。