PDF《旋转机械振动信号处理中的 滤波及特征提取技术》

第7卷第3期2009年9月 南京T程学院学报(自然科学版) Journal of Nanjing Institute of Technology(Natural Science Edition) V01.

7,No.3 Sep.,2009 文章编号:1672―2558(2009)03-0014―09 旋转机械振动信号处理中的 滤波及特征提取技术 张君1,王金平1,朱波2 (1.南京工程学院能源与动力工程学院,江苏 南京,211167;

2.安徽华电芜湖发电有限公司,安徽芜湖,241300) 摘要:在广泛调研国内外旋转机械振动信号处理技术研究的基础上,针对振动信号处理中的滤波和特征提取技 术进行了较为详细的回顾和总结,分析了各种滤波和特征提取方法的优缺点.文中调研和总结的研究方法和技术, 可为大型旋转机械振动检测与故障诊断研究提供参考. 关键词:旋转机械;

振动信号;

滤波;

特征提取 中图分类号:TK288 文献标识码:A Signal Filtering and Feature Extraction Technology of Rotating Machinery Vibration Signal Process ZHANG Junl,WANG Jin-pin91,ZHU B02 (1.School of Energy and Power Engineering,Nanjing Institute of Technology,Nanjing

21 1

1 67,China;

2.Anhui Huadian Wuhu Power Generation Co.Ltd,Wuhu 241300,China) Abstract:Based on studies of the reservoir signal filtering and feature extraction technology aU over the world.signal filtering and feature extraction technology in vibration signal processes are reviewed and summarized.The advantages and disadvantages of vibration signal filtering and feature extraction methods ale analyzed.The research methods and techniques in this paper will provide reference for large rotating machinery fault detection and diagnosis. Key words:rotating machinery;

vibration signal;

filtering;

feature extraction 大型旋转机械如风机、压缩机和汽轮机等设备,是石油、化工、冶金和电力等现代企业中的关键生产工 具,对这些设备开展状态监测与故障诊断工作,保障设备安全可靠地运行,可以取得巨大的经济效益和社 会效益.振动故障是旋转机械故障的主要表现形式,振动及其频谱特性的征兆是最能反映故障特点、最有 利于进行故障诊断的手段.因此,根据振动信号进行监测与诊断目前仍是设备维护管理的主要手段.对振 动特征信号的分析,是进行准确诊断的必要前提. 本文在查阅了大量相关文献的基础上,对旋转机械振动信号降噪、特征提取的发展及其现状进行了总 结,并分析了各种方法的优缺点.

1 振动信号滤波方法的发展及现状 对汽轮机的运行状态监测,能够对潜在严重故障进行早期检测和预报.在对汽轮机运行状态进行实时 收稿日期:2009―04―09;

修回日期:2009―07一15 作者简介:张君(1971一).男.博士.副教授,研究力.向为小波分析、数字信号处理、旋转机械故障诊断 E-mil:jun91zhang@163.corn 万方数据 第7卷第3期 张君,等:旋转机械振动信号处理中的滤波及特征提取技术

15 监测时,一般是通过振动信号来检测汽轮机的早期故障.由于各种复杂因素的影响,振动信号中含有大量 的噪声.因此,要获得振动信号的准确特征并依据这些特征进行汽轮机运行状态的监测和故障诊断,必须 首先进行信号的消噪处理. 消噪的方法主要有硬件滤波和软件滤波两种方法.硬件滤波主要是设计一些滤波器电路,以滤除信号 中的噪声频率成分;

软件滤波是在程序中设计一些数字滤波器,通常都是基于Fourier变换原理的一些方 法,如F耵分析、倒谱分析、短时Fourier分析、Wigner分布等. 与模拟滤波相比,数字滤波具有精度高、通用灵活、适用性强、稳定性高等特点,对实测信号进行数字 滤波从经济上和使用上都有很大好处.因此本文主要针对旋转机械振动信号数字滤波方法的发展及其现 状进行了总结. 1.1 FFT、STFT方法滤波 20世纪60年代以来提出了若十高效信号处理算法,其中最主要的是出现了一批高效的数字滤波算 法….1965年,J W Cooley和J W Tukey提出了快速傅里叶变换(F盯)算法12】,FF-I'

方法的诞生,被认为是 信号分析、数据处理技术的划时代进步.基于F兀算法和改进的F丌算法的数字滤波方法相继出现,主要 是分为两大类:时间抽取(DIT―F订)和频率抽取(DIF―FFT),并被广泛应用于工程信号滤波处理中[3.5】.但 快速傅里叶变换方法只适合于分析连续的、平稳的时域信号,对于非平稳信号,频率信息分辨率受到很大 限制.早在1946年,为实现对非平稳信号的有效表示,解决其时一频局部化分析问题,Gabor就提出了基于 傅里叶变换的另一种算法――加窗傅里叶变换(W丌)或短时傅里叶变换(STFT),用以测量声音信号的频 率定位№】.经过几十年的发展在振动信号滤波处理中也得到了广泛的应用∽q].与FFr相比,sTFr方法不 仅适合平稳、线性信号的降噪处理,也适合于处理非平稳、非线性信号. 1.2小波分析方法滤波 由于短时傅里叶变换(sT盯)的时频分辨率固定,缺乏细化能力,逐步被小波(wavelet)分析所取代.小 波分析是20世纪80年代后期发展起来的应用数学分支,它是一种信号的时间一尺度(时间一频率)分析方 法,是函数分析、傅里叶变换、谐波分析、数值分析的完美结晶[9].它在低频部分具有较高的频率分辨率和 较低的时间分辨率,在高频部分具有较低的频率分辨率和较高的时间分辨率,很适合探测信号中的瞬态反 常现象并展示其成分.而且在时频两域都具有表征信号局部特征的能力,是一种窗口大小同定不变但其形 状可改变、时间窗和频率窗都可以改变的时频局部化分析方法.故有分析信号的 显微镜 之美誉¨01.当前,国内外开展了对小波理论的大量研究,提出并发展了各种基于小波的降噪方法:小波变换、小波包、小 波域、mallat小波、正交小波、正交多小波、梳状小波等∽t11-f71.并且已应用于工程领域中的降噪处理. 1.3维纳滤波和卡尔曼方法滤波 早在20世纪40年代,就对平稳随机信号建立了维纳滤波理论.根据有用信号和干扰噪声的统计特性 (自相关函数或功率谱),以线性最小均方误差估计准则所设计的最佳滤波器,称为维纳滤波器.这种滤波 器能最大程度地滤除干扰噪声,提取有用信号.但是,当输入信号的统计特性偏离设计条件时,它就不再是 最佳的了,这在实际应用中受到了限制.到20世纪60年代初,由于空间技术的发展,出现了卡尔曼滤波理 论,即利用状态变量模型对非平稳、多输人多输出随机序列做最优估计.实质上,维纳滤波器是卡尔曼滤波 器的一个特例¨引. 卡尔曼滤波(Kalman filtering)的早期应用是在20世纪60年代的空间领域,这个革命性的方法第一次 被提议应用是在1962年,由Gerald Smith、Stanley Sehmidt、'

Leonard McGee在美国国家航空和宇航航行局 万方数据

16 南京T程学院学报(自然科学版) 2009年9月 的一份报告中提出的.在这份报告出现后的几年里,形成了一阵卡尔曼滤波应用的飓风.文献[19]中提出 了很多种卡尔曼滤波方法,但大多数都是针对单一频率的离散时间系统.近来的一些研究主要是针对非连 续多频率采样系统以及一些扩展的卡尔曼滤波算法Ⅲ.2|.现在,卡尔曼滤波器已成功地应用到许多领域, 它既可对平稳的和非平稳的随机信号做线性最佳滤波,也可做非线性滤波.2005年,文献[1 1]将小波变换 与卡尔曼滤波相结合,既保留了卡尔曼滤波器的优点(线性、无偏、最小误差方差估计),又运用了小波分 析理论,实时最优地完成未知信号的估计和分解.在设计卡尔曼滤波器时,必须知道产生输入过程的系统 状态方程和测量方程,即要有信号和噪声的统计特性的先验知识.但在实际中,往往难以预知这些统计特 性,因此很难实现真正的最佳滤波. 1.4自适应方法滤波 Winrow B等于1967年提出了自适应滤波(self-adaptive filtering)理论【l8|.当输入信号的统计特性未 知.或者输人信号的统计特性变化时,自适应滤波器具有 自我调节 和 跟踪 能力,能够自动地迭代调节 自身的滤波器参数,以满足某种准则的要求,从而实现最优滤波.自适应滤波适用于较复杂的机械振动信 号处理,尤其适用于一些常规的频谱分析不易解决的场合.不仅适用于平稳信号,也适用于非平稳信号.这 种滤波器的实现差不多和维纳滤波器同样简单,而滤波性能几乎和卡尔曼滤波器一样好¨81.自适应滤波 器可以分为线性自适应滤波器和非线性自适应滤波器.非线性自适应滤波器具有更强的信号处理能力,包括Volterra滤波器和基于神经网络的自适应滤波器.但是,由于非线性自适应滤波器的计算较复杂,实际 用得最多的仍然是线性自适应滤波器.基于以上优点,自适应滤波在现代化生产中有着广泛应用,例如文 献[23]采用自适应数字滤波算法对广州抽水蓄能电厂的l号机组的振动信号进行分析;

文献[24]对某油 田采油厂3H一8/450型三柱塞高压注水泵的振动故障信号进行分析,都取得了较好的效果. 1.5 EMD方法滤波 1998年,美籍华人N E Huang等人在对瞬时频率的概念进行了深人研究后,创立了希尔伯特一黄变换 (Hilbea―Huang Transformation,HHT)的新方法【I 61.也就是基于经验模态分解(Empirical Mode Decomposi― tion,EMD)的时频分析方法.基于EMD滤波技术的最大特点是根据信号分析的要求,可以对经过EMD分 解的本征模函数IMF(Intrinsic Mode Function)进行任意组合,构成满足特定要求的信号,然后对信号进行 傅氏变换等分析,这是普通的滤波技术做不到的.由于EMD分解是自适应的,每次总是把一列数据的最高 频率成份分解出来,相当于通过一个窄带自适应高频滤波器,因此基于EMD的滤波技术不能像普通滤波 器一样明确地指定截止频率、带宽等参数.但是,可根据观察分解出来的IMF和滤波要求确定参数,观察 的方法是通过计算一个周期的波数便知此IMF的振动频率分布.由于基于EMD分解的滤波技术用到三 次样条插值,故算法的效率和普通的滤波技术相比较低【2卜驯. 1.6数学形态学方法滤波 数学形态学(Mathematical Morphology)是基于积分几何和随机集合论建立起来的有别于基于时域、频 域的数学方法.该方法进行数字信号处理时只取决于待处理信号的局部形状特征,通过数学形态变换将一 个复杂的信号分解为具有物理意义的各个部分,将其与背景剥离,同时保持信号主要的形状特征,要比传 统的线性滤波更为有效【27-ao].这种滤波方法目前主要是应用于图像处理巾,在机械振动信号处理中的应 用较少,文献[29]针对哈尔滨锅炉厂在DG45锅炉给水泵实验台上测得的振动信号时域波,提出了采用开 一闭和闭一开组合形态滤波器处理振动信号的新方法.通过仿真计算,研究了数学形态滤波器对不同类型、 不同强度噪声下振动信号的降噪能力.试验结果表明数学形态滤波器对旋转机械振动信号取得了良好的 万方数据 第7卷第3期 张君,等:旋转机械振动信号处理中的滤波及特征提取技术

17 滤波效果,可以有效提高振动信号的信噪比.特别是对于不明原因的脉冲十扰处理,比其它数字滤波器有 明显的优势;

文献[31]采用数学形态学滤波,对飞机引擎振动信号做了分析研究,亦取得了较好的效果. 1.7零相位方法滤波 通常的滤波器无论是模拟滤波器或数字滤波器,在对信号进行滤波时会引起信号的相位失真(相移).零相位滤波器正是为解决滤波产生的相位失真提出的一种数字滤波技术¨21.零相位滤波器的作用是 对信号滤波后,由滤波器产生的信号相位失真为零,即引起的相移为零.这对需要滤波又对相位有要求的 信号处理技术,无疑提供了一个较理想的解决方案.零相位数字滤波的实现方法有:FRR(Forward.Reverse Filtering,Reverse Output)和RRF(Reverse―Reverse Filtering,Forward Output)两种∞31.零相位滤波在理论上 可精确实现零相位失真滤波,一般选用IIR型数字滤波,理南是在达到相同的滤波效果上,IIR型的阶数比 FIR型低得多,使得计算速度更快.值得一提的是,从滤波实现方法可知,零相位滤波器的两种方法都不具 有物理可实现性(如FRR巾需数据反转等),即它只能是一种数字滤波器,而不可能有对应的模拟滤波器 存在'

川. 1.8变采样方法滤波 滑动平均法是一种在微处理器广为使用的数据平滑方法,在数字信号处理中,滑动平均被用来平滑采 样数据,可以有效地降低信号的高频背景噪声.变采样滤波就是采用这种方法对信号进行降噪处理的.它 依据采集到的对象数据来判定对象所处的状态,动态地调节采样的间隔来满足实际的工程需要,此方法适 用于低频信号的处理.需要说明的是,为兼顾文时性及滤波的整体效应,对滑动队列的长度要综合加以考 虑后再决定.文献[35]采用变采样滤波针对300 MW汽轮机组结构的特殊性进行了研究,取得了较好的仿 真效果. 1.9其它滤波方法 振动信号的降噪方法研究正日益深人,除以上介绍的方法以外还有基于Monte―Cado坎术、Particle Filtering(PF)方法、奇异值分解(SVD)方法、主元分析(PCA)方法、独立分量分析(ICA)方法、Wigner分布 方法、阶比跟踪方法、相关分析等,也取得了一定的成果m瑚.39】. 2振动信号特征提取的发展及现状 旋转机械发生故障的重要特征是机器伴有异常的振动和噪声,其振动信号从幅值域、频率域和时间域 实时地反映了机器故障信息.因此,了解和掌握旋转机械在故障状态下的振动特征,在监测机器的运行状 态和提高诊断故障的准确度方面具有重要的理沦意义和实际工程应用价值. 故障特征(又称故障征兆)的提取是故障诊断领域的关键技术之一.故障特征提取是否准确、完备,直 接影响故障诊断结论的准确性.所谓特征提取,就是对系统的动态信号预处理后得到的信息进行分析,提 取与系统状态有关的数据,........