本发明涉及一种基于盲源分离单边检测法的环冷机漏风率检测方法。
背景技术：
环冷机是一种用于物料冷却的大型设备，其主要工作原理是通过台车装载高温物料，在环形轨道上行驶，台车下部有风箱，对台车内部鼓风，通过空气将高温物料冷却。围绕着环冷机的圆环外侧，会按照风量需求，设置数台鼓风机，为冷却过程提供风源。
待冷却的小颗粒状物料在环冷机上是以厚料层形式均匀分布的，为保证物料的充分冷却，环冷机会在台车下方设置风箱并连接鼓风机，通过鼓风机将外部空气带入到高温物料层中。由于环冷机的密封结构和长期使用的保养问题，冷却生产过程中会产生漏风现象，导致冷却不充分和鼓风机能源的浪费，严重漏风的情况下，甚至会产生环冷机卸料温度过高灼伤运输皮带的生产事故。环冷机及其附属的风箱、风管、阀门等，由于结构复杂，且工作在高温状态，使漏风率的检测一直缺少行之有效的手段。
为了解决这一问题，本发明提出了一种环冷机漏风故障在线诊断方法，通过对生产过程中采集到的音频信号进行分析，可以判断是否发生漏风现象以及对漏风率进行定量评估，从而实现对环冷机各种漏风状况的综合监控。
技术实现要素：
针对上述问题，本发明提供一种基于盲源分离单边检测法的环冷机漏风检测方法。
为达到上述目的，本发明一种基于盲源分离单边检测法的环冷机漏风检测方法，包括在环冷机台车处安装若干第一声音信号采集器，在环冷风机处安装若干第二声音信号采集器，所述方法包括如下步骤：
步骤1：采集正常工况下台车声音数据和风机声音数据，得到台车声音样本和风机声音样本，台车声音样本和风机声音样本按照时间一一对应构成正常数据样本集xnormal；
步骤2：利用采集到的台车声音样本和风机声音样本获得混合历史样本集，并利用混合历史样本集获得信源重构模型；
步骤3：利用获得的信源重构模型对正常数据样本集xnormal进行信源重构，得到正常工作音源样本集；并滤除台车声音音源样本中风机的声音强度，获得滤除风机干扰的正常工作音源样本集；
步骤4：利用第一计算公式计算滤除风机干扰的正常工作音源样本集中各特征音源的声音强度，获得正常样本强度集；并利用正常样本强度集xsnormal建立正常声音模型；
步骤5：实时采集环冷机车间当前台车声音样本和风机声音样本，并通过信源重构获得故障特征音源对应的台车声音强度集和风机声音强度集，从台车声音样本中滤除风机声音强度的影响获得滤除风机影响的在线声音样本；将滤除风机影响的在线声音样本和正常声音模型进行比较，依据比较结果判断在线声音样本是否异常，如果在线声音样本的数据异常，则将在线声音样本的数据与漏风故障库中的漏风声音模型进行比较，判断在线声音样本是否属于已定义的漏风故障以判断环冷机是否发生漏风故障。
进一步地，利用混合历史样本集获得信源重构模型的方法为：
步骤2.1：对混合历史样本集中的样本数据进行零均值化和白化处理,得到白化后的样本z；
步骤2.2：根据对现场声音信号来源数量的估计,初始化向量w＝{w1，w2，…wk}，其中，k为估计的信号源数量，wi为初始值；
步骤2.3：利用公式
进一步地，所述步骤3中，利用获得的信源重构模型对正常数据样本集xnormal进行信源重构，得到正常工作音源样本集的具体方法为：
步骤3.1：对采集的样本，进行滤波、去噪，并按模型参数进行零均值化和和白化处理，记为z；
步骤3.2：利用信源重构模型的分离矩阵w对正常样本集进行信源重构，计算按信号源重构后的样本s＝w·z。
进一步地，所述第一计算公式为：sij＝s1ij-α·s2ij
i是音源代号；
j是当前样本序号；
sij是当前样本消除风机干扰后的i音源的声音强度；
s1ij是当前样本i音源的台车声音强度；
s2ij是当前样本i音源的风机声音强度；
α是干扰系数。
进一步地，所述步骤4中利用正常样本强度集xsnormal建立正常声音模型的方法包括：利用正常样本强度集xsnormal计算正常样本的质心，作为正常数据的中心点，样本点构成的超球体半径作为正常状态的空间半径，最终获得正常声音模型。
进一步地，所述步骤5中判断环冷机是否发生漏风故障的步骤为：
步骤5.1：利用公式sij＝s1ij-α·s2ij，将风机声音强度从台车声音音源样本中滤除，获得滤除风机影响的正常声音样本，
步骤5.2：计算滤除风机影响的正常声音样本到质心的距离；将滤除风机影响的正常声音样本到质心的距离与超球体半径进行比较，如果滤除风机影响的正常声音样本到质心的距离小于或等于超球体半径，则将当前状态归类为正常状态，如果滤除风机影响的正常声音样本到质心的距离小大于超球体半径，则将当前状态归类为异常状态。
进一步地，所述方法还包括通过阈值判定法或者模糊决策法对模型结果进行分析并给出故障诊断意见。
本发明基于盲源分离单边检测法的环冷机漏风率检测方法，通过对易获得的声音信号进行采集和分析，为环冷机这种的整体大型设备的漏风故障监测提供了方便易行的方法。利用声音的音源和强度特性，构造的特征表示方法，为环冷机漏风故障提供了可监测的依据；本发明在已知环冷风机为主要干扰源的情况下，通过采集目标信号和主要干扰信号的方式，从检测信号中滤除主要干扰，获得了可靠的检测信号；通过计算当前样本和模型在特征音源空间的相似性测度，定义了可供数值计算的环冷机漏风故障判据，为环冷机漏风故障自动判断提供了可计算的指标；通过决策机制对环冷机漏风故障判据进行诊断的方式，为环冷机漏风故障的智能化诊断的提供了有效手段；与此同时，本发明提出的环冷机漏风故障在线诊断方法，其在线诊断过程只需要简单的解析式计算，其计算复杂度低，实时性能好，对硬件系统的计算资源和内存资源占用都很低，实施成本低。除此之外，本发明提出的环冷机漏风故障在线诊断方法，可以在缺乏历史经验的情况下通过人工在线教学的方式，逐步建立漏风故障的诊断模型，实现在线诊断，有利于提高冷却过程的稳定性，降低故障率。
附图说明
图1是本发明的检测和硬件系统示意图；
图2是本发明的总工作流程图；
图3是本发明的基于音源特征的环冷机正常声音离线建模流程图；
图4是本发明的基于音源特征的环冷机漏风故障在线诊断流程图。
具体实施方式
下面结合说明书附图对本发明做进一步的描述。
实施例1
结合图1、图2、图3和图4，本实施例中提供一种基于盲源分离单边检测法的环冷机漏风率检测方法，在环冷机台车处安装若干第一声音信号采集器，在环冷风机处安装若干第二声音信号采集器，所述方法包括如下步骤：
包括在环冷机台车处安装若干第一声音信号采集器，在环冷风机处安装若干第二声音信号采集器，所述方法包括如下步骤：
步骤1：采集正常工况下台车声音数据和风机声音数据，得到台车声音样本和风机声音样本，台车声音样本和风机声音样本按照时间一一对应构成正常数据样本集xnormal；
步骤2：按照采集时间对的台车声音样本和风机声音样本进行叠加处理，获得混合历史样本集，混合历史样本集体中只有叠加后的混合声音样本，没有成对的台车声音样本和风机声音样本；再对混合历史样本集进行独立成分分析，得到环冷机声音信号的信源重构模型，该模型按照声音来源将环冷机声音划分为各独立的成分
步骤3：利用获得的信源重构模型对正常数据样本集xnormal进行信源重构，得到正常工作音源样本集；
步骤4：将正常工作音源样本集在不同声音来源上的独立信号分量作为漏风故障特征音源集，记为f＝{f1，…，fk}，其中，fi为第i个特征音源；在正常工作音源样本集中，利用第一计算公式sij＝s1ij-α·s2ij，滤除台车声音音源样本中风机的声音强度，其中i是信源代号，j是样本序号，sij是第j个样本消除风机干扰后的i音源强度，s1ij是第j个样本i音源的台车声音强度，s2ij是第j个样本i音源的风机声音强度，α是干扰系数，通过对每个样本进行计算，可以得到滤除风机干扰的正常工作音源样本集；
对滤除风机干扰的正常工作音源样本集，计算各特征音源对应的声音强度sj，sj＝{sj1，…，sjk}，其中，j为样本的序号，i为特征音源序号，sji为第j个样本的第i个特征对应的声音强度；所有样本的声音强度sj构成正常样本强度集xsnormal，xsnormal＝{s1，…，sk}，其中si为第i个样本特征音源对应的声音强度；
利用正常样本强度集xsnormal建立正常声音模型，其具体包括:利用正常样本强度集xsnormal计算正常样本的质心，作为正常数据的中心点snormal，样本点构成的超球体半径rnormal作为正常状态的空间半径，构建得到环冷机正常声音模型。
步骤5：实时采集环冷机车间当前台车声音样本和风机声音样本，通过信源重构获得故障特征音源对应的台车声音强度集s1j＝{s1j1，…，s1jk}和风机声音强度集s2j＝{s2j1，…，s2jk}，其中，j为当前样本的序号，i为特征音源序号，s1ji为当前样本第i个特征对应的台车声音强度，s2ji为当前样本第i个特征对应的风机声音强度；从台车声音样本中滤除风机声音强度的影响获得滤除风机影响的在线声音样本；将在线声音样本和正常声音模型进行比较，依据比较结果判断在线声音样本是否异常，如果在线声音样本的数据异常，则将在线声音样本的数据与漏风故障库中的漏风声音模型进行比较，判断在线声音样本是否属于已定义的漏风故障以判断环冷机是否发生漏风故障。
上述步骤2中，利用混合历史样本集获得信源重构模型的方法为：
步骤2.1：对混合历史样本集中的样本数据进行零均值化和白化处理,得到白化后的样本z；
步骤2.2：根据对现场声音信号来源数量的估计,初始化向量w＝{w1，w2，…wk}，其中，k为估计的信号源数量，wi为初始值；
步骤2.3：利用公式
上述步骤3中，利用获得的信源重构模型对正常数据样本集xnormal进行信源重构，得到正常工作音源样本集的具体方法为：
步骤3.1：对采集的样本，进行滤波、去噪，并按模型参数进行零均值化和和白化处理，记为z；
步骤3.2：利用信源重构模型的分离矩阵w对正常样本集进行信源重构，计算按信号源重构后的样本s＝w·z。
上步骤5中判断环冷机是否发生漏风故障的步骤为：
步骤5.1：利用公式sij＝s1ij-α·s2ij，将风机声音强度从台车声音音源样本中滤除，获得滤除风机影响的正常声音样本，其中i是信源代号，j是样本序号，sij是当前样本消除风机干扰后的i音源的声音强度，s1ij是当前样本i音源的台车声音强度，s2ij是当前样本i音源的风机声音强度，α是干扰系数；
步骤5.2：计算滤除风机影响的正常声音样本到质心的距离以欧式距离为例，当前样本到质心的距离为dj＝||(sj-snormal)||；将滤除风机影响的正常声音样本到质心的距离dj与超球体半径rnormal进行比较，如果dj≤rnormal，则将当前状态归类为正常状态，如果dj＞rnormal，则将当前状态归类为异常状态。再计算sj与各故障类的相似性测度，判断当前状态是否属于某个已知的漏风故障类型，如果可以分类，则将当前状态归类为已知故障类，如果当前状态不能归类为已知故障，则提交人工查验，判断是否有故障发生和漏风故障的子类型，选择对现有模型进行修改或增加新的故障类，从而实现漏风诊断模型在线更新。
最后，通过阈值判定法或者模糊决策法对模型结果进行分析并给出故障诊断意见。
本发明通过对环冷机正常工作情况下产生的台车声音信号和风机声音信号进行采集，将采集到的声音数据整理成环冷机正常声音样本库，对正常样本库中数据进行盲源信号分析，从而建立环冷机正常音源模型。再通过环冷机声音数据的在线采集和分析，判断当前环冷机是否处于正常状态，如果数据分析显示当前处于异常状态，则由计算机判断是否发生漏风故障，如果计算机不能判断当前状态，则通过人工诊断的方式给出结论，并通过储存的故障状态方式，完成对在线经验的积累，从而实现智能化的环冷机漏风故障诊断。本发明通过将检测信号和干扰信号对比的方式，将环冷机台车声音信号和风机声音信号进行对比，剔除风机声音信号的影响，从而得到表征环冷机生产的声音信号，从而实现环冷机漏风故障的综合在线检测和故障诊断。本发明还可以通过模型服务器对台车声音信号和风机声音信号的历史数据进行分析，构建环冷机的正常声音模型，并构建空白的漏风故障声音模型。通过在线监控服务器，检测当前声音数据的异常，并通过人工判别的方式在线更新漏风故障声音模型，对环冷生产实时数据进行分析和故障诊断。
以上，仅为本发明的较佳实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求所界定的保护范围为准。