轿车底盘声信号分离算法研究

王骁 张恒嘉 王薇

摘 要：在诊断轿车底盘故障时，传统的时域与频域分析法对故障位置的判定有比较好的判断效果，但在局部缺陷的诊断时，这些判定方法却并不理想。这是由于底盘局部故障的存在很可能会产生瞬时突变信号，从而产生偶发性的冲击，使振动信号从平稳状况突变成非平稳状态。当故障特征信号比较弱时，传统的频谱方法检测难以达到一个好的效果，即对噪声的排除能力较弱，对细微的故障特征信号的识别能力不够灵敏，从而影响诊断的有效性和精确性。而小波分析法具有将信号局部特征识别出来的能力，通过很多的识别与处理工具的运用，使研究更深一步。文章基于底盘故障的诊断现状，深刻探讨了对基于小波的信号处理技术与特征识别提取的方法。

关键词：底盘噪声；特征提取；小波图像

中图分类号：U463 文献标志码：A 文章编号：2095-2945（2019）02-0020-03

Abstract： In the diagnosis of car chassis faults， the traditional time-domain and frequency-domain analysis methods have a good effect on fault location， but in the diagnosis of local defects， these methods are not ideal. This is due to the fact that the existence of the chassis local fault is likely to lead to instantaneous sudden change signal， resulting in occasional impact， so that the vibration signal from a stable state to a non-stationary state. When the fault characteristic signal is weak， the traditional spectrum detection method is difficult to achieve a good effect， that is， the ability to eliminate noise is weak， and the ability to recognize the subtle fault characteristic signal is not enough， thus affecting the effectiveness and accuracy of diagnosis. Wavelet analysis has the ability to recognize the local features of the signal， and through the use of a lot of recognition and processing tools， further research can be conducted. Based on the present situation of chassis fault diagnosis， the signal processing technology based on wavelet and the method of feature recognition and extraction are deeply discussed in this paper.

Keywords： chassis noise； feature extraction； wavelet image

小波（Wavelet）也称小区域波，指一种正负项均值为零的特殊波形。从伸缩与平移方法汲取灵感，小波变换便基于此思想形成。在继承并发展了STFT的局部化思想时，小波变换的特性还克服了窗口大小不能随频率变化等缺点。小波最大的突出点是在采用了非均匀分布的分辨率的同时具有可变的时频乘积窗口。其两个优点总结如下：

（1）自我适应能力：在小波高频区，时间轴细分度较高而频率轴细分度较低；在小波低频区，频率轴细分度较高而时间轴细分度较低。所以针对不同的分析对象，小波变换能自动调节相关的参数。

（2）数学显微镜：具有放大、缩小、平移等功能，能对不同的频率成份在时域上采用不同步长的取样。

小波变换是按二进制尺度变化对信号进行时频分解的，而在实际工程应用中，只有某部分特定频域段或时间段的信号有研究价值，因此只需对这些特定的信息进行提取，那么分别对需要的频率点和时间点的频域分辨率及时间分辨率进行最大可能的提取。

建立于小波变换基础，小波包将小波分析进行推广。于小波变换而言，小波包有着频带划分更为精细的特性，同时可以进行多层次划分频带，分解多分辨率无法细分的高频部分，能自发的选择相应频带通过被分析信号的特征，这样便能与信号的频谱相匹配，将时频分辨率大大提高。小波包可获取相对更好的状态识别和故障分析效果，这是因为它能够集中特征信号的能量，使之到更小且更均匀的频带中。因此就声信号的表现特征来看，小波包与小波变换相比较状态识别与故障分析能力更有优势。

重构是分解的逆向变换，把需要的频率段数据留下而将其他频率段的置零，从而实现对信号的重构。在经过这个步骤后，就可以实现相应频率段上时域分辨率的筛选。

在工程实际中，经常会遇到优化问题。将人们在当前工程实际中的优化手段进行总结，主要包括以下三种方法：一是运用经验进行主观判断；二是通过试验结果分析进行各种方案优劣决策；三是靠建立數学模型模拟分析确定最优策略。尽管数学模型能在一定程度上作简化，这种简化可能造成一些数据缺失，但是它基于客观，使得求解问题变得简单灵活、经济有效。

相对传统的优化算法，遗传算法将其收敛于局部最优的困境克服。遗传算法基于自然选择和遗传机制理论，并不依赖具体的问题。因此该算法不仅应用在声信号中，还在在模式识别、工业优化控制、生物及社会等方面受到大量运用。本文选用的优化算法即为遗传算法。由生物进化的思想影响得出遗传算法。遗传算法是通过将生物进化机制在计算机上模拟，以此来寻找最优搜索的算法，它的搜索就是相应的遗传分析，将单个染色体按预设的函数进行特征比对，通过生物进化理论筛选优者淘汰劣者最终实现整体问题的最优方案。遗传算法运用进化模型，例如比对、选择、迁移等。最初方案是在计算开始时设定，对初始个体进行随机变异并将不同个体的适应度函数计算。倘若初始代并不能够满足最优化的准则，那么将进行新一代的计算操作。要得到下一代，则要综合选择全部的个体，对父代按初始设定的规律进行基因重组和迁移，那么子代则会有一定的概率产生变异。然后从新评估子代的优劣，形成全新的子代。循环往复执行此过程，直到找到最适合的子代以便传承。遗传算法是将问题解编织成编码串，而这些编码串再一个个组成在一个大空间中就得到了我们的种群。那么，得到的这个种群就是解空间。在进化过程中，随机对初代赋值，这样一代一代根据进化原则，得到的子代就会比父代优化。遗传算法的三个基本处理方式为选择、交叉及变异。遗传算法不是要实现局部最优为目的，这一点与传统优化算法有很大的不同。

对于一些经验丰富的人，可以从混杂的声音中辨别出底盘的故障异响声音。不仅如此，他们还能根据异响的特征对故障的类型加以简单的判别。这是因为人耳听觉的欧姆定律，人耳可以对声音信号的幅值识别，以此来分辨底盘的异响信号，所以依靠听觉就可以分辨底盘的异响。那么我们根据谱的相关原理来对底盘测量信号进行处理，编制适应度函数。用声强的三个物理量幅度、频率和相位均可以表示任何复杂的声音。而声音也可以用响度、音调和音色三个特性来描述。对于声音的响度，声波振动的幅度起决定作用，而声音的频率决定了音调高低，而声音的谐波成分和频谱则决定了声音的音色。声音能否被听觉听到，则要看它的频率和强度，正常听觉的频率范围为 20Hz～20000Hz，强度范围为-5dB～130dB。

根据对听觉的分析，我们可以把人耳看做是一台频率分析器，能把谐音从复音中分开。基于这个理论，人耳又可以被定义为是一台傅里叶分析器。欧姆发现，人耳对频率的分辨很敏感，人耳能够清楚的分辨声音的强度大小。通过人耳的听觉欧姆定律，人耳对相位的不敏感性，但传统的听觉仍然可以诊断汽车底盘的故障，那么就可以只利用声信号的幅值来对汽车底盘的故障进行诊断。通常均以随机过程为对象来作为研究传统信号的模型，但对于通信和雷达系统以及一些机械等特殊的非平稳信号而言，他们的平稳性使分布密度呈多周期均匀变化。在理想的概率分布密度模型中，平稳的图像是最理想化的，但这种理想化的模型只在谱相关函数中才能得到充分的体现。

这个过程属于周期平稳模型的范畴，被称为“准周期平稳过程”，这个模型也适用周期平稳过程。在操作过程中对带有故障的底盘测量信号经过消噪处理之后再通过小波包的N 层的分解，可以得到2N个子波系数，重构这些系数又可以形成2N个子信号，通过遗传算法则可以对这些子信号进行优化计算。

在底盘实际检测中，并不是完全理想的环境，总会有各种声音的干扰，因此要想从繁杂的环境中得到有效实用的声信号是很难的，这就需要后期信号的有效处理，才能得到想要的声信号，因此把收集的信号进行除噪处理是不可或缺的。

这个处理过程中首先进行运用编码方式，通过小波变换把信号分解为N层，然后分别重构这些分解的小波系数，从而形成了2N个子信号。我们以二进制的数据串设定的串结构，因为最终要得到目的信号是这个信号的某一2N个排列组合。设定长度为N位的数据串，得总共包含2N个信号，那么可得小波树的第[N，k]位信号在数据串上第k 位为1，由串构成的点，即构成了不同的信号。本系统采用的编码为16 位的二进制，误差限为 le-5。在二进制编码中，由0和1构成每个染色体串。

其次是初始群体的生成操作，一个群体是由N个个体构成的，而一个个体代表一串结构数据。遗传算法从初始点，即N个串结构数据开始迭代。本系统生成大小为30的初始种群。在此操作之后将参数真实值代入目标函数中以此便可得到目标函数值。但目标函数是有正负的，不能满足要求，因此要调整目标函数，对其进行转换成适值。正向目标函数方向与相关适值的变化方向一致，负向目标函数方向与相关适值变化方向相反。

本文通过汽车正常工作时底盘的声音信号与发生故障时的声音信号进行采集，拟合构成相关函数，并通过直线与水平轴的夹角余弦值为参数的函数曲线显现出来。然后对个体进行选择，得到下一批父代。在这个过程中采用的选择方法为标准几何分布。并以随机选择的两个个体作为父代，通过杂交变换的方式产生新的子代个体，这个过程就是交叉过程。其中交叉点是随意选取的。交叉的概率为 0.95最后由一个父代产生单个子代，这便是变异操作。变异的概率为 0.08。

参考文献：

[1]王洪刚，张喜兵，李良才，等.利用缸盖噪声信息诊断柴油机失火故障[J].振动工程学报，2012，15（2）：207-209.

[2]程卫国，傅志中，陆文华，等.MATLAB在汽轮机振动故障诊断中的应用[J].中国动力工程学报，2005（25）：98.

[3]尹泽明，丁春利，等.精通MATLAB6[M].清华大学出版社，2012，6：2-7.

[4]王計生.基于小波神经网络的刀具状态监测系统的研究[D].西华大学，2004，5：32-33.