基于機械振動信號分析特征參數(shù)提取

李滿 胡傳 丁文斗 張子書 徐斌

摘? 要：機械設(shè)備振動信號是典型的非平穩(wěn)信號，其噪聲源較多，因此頻率成分十分復(fù)雜。機械振動信號特征參數(shù)提取是機械設(shè)備故障診斷中的關(guān)鍵且重要的問題。本文基于現(xiàn)今對非平穩(wěn)信號故障特征提取方法研究熱點理論經(jīng)驗?zāi)B(tài)分解理論對柴油機振動信號進行預(yù)處理，然后提取出其時域特診參數(shù)，從而提高機械設(shè)備故障診斷的準確性。

關(guān)鍵字：特征參數(shù);機械振動;信號降噪

1、引言：

隨著科學(xué)技術(shù)高速發(fā)展，以及現(xiàn)代化工業(yè)生產(chǎn)水平的不斷提高，機械設(shè)備呈現(xiàn)復(fù)雜化，多樣化，智能化等，這對大型機械設(shè)備的平穩(wěn)運行和故障監(jiān)測與診斷提出了嚴峻的挑戰(zhàn)。柴油機是一種復(fù)雜的往復(fù)式動力機械，長期工作在高溫、高壓的惡劣環(huán)境，故障發(fā)生率高，故障診斷十分困難特征提取是柴油機故障診斷的重要環(huán)節(jié)，是決定故障診斷成功與否的關(guān)鍵。為了能夠有效提取特征參數(shù)，獲得可靠的分析結(jié)論，需要降低柴油機振動信號干擾噪聲的影響。

微弱信號降噪技術(shù)主要有：小波降噪、隨機共振消噪。這些降噪方法雖然能夠在一定程度上抑制干擾，但是也存在局限性，因此，需要探尋一種能夠在強噪聲背景下提取出包含機械設(shè)備故障信息特征參數(shù)的信號處理方法。1998年，美國華裔科學(xué)家黃鍔，提出了一種新的非平穩(wěn)信號時頻分析方法—希爾伯特黃變換，該方法被學(xué)術(shù)界普遍認為是對以傅里葉變換頻域分析的一個重大突破。希爾伯特黃變換方法能夠?qū)⑷我庑盘栠M行分解，即經(jīng)驗?zāi)B(tài)分解，是一種自適應(yīng)分析方法，非常適合于非平穩(wěn)信號。

2、經(jīng)驗?zāi)B(tài)分解的基本原理

經(jīng)驗?zāi)B(tài)分解是將原信號分解為若干個分量（IMF分量）和一個殘余分量之和，各分量之間是滿足相互獨立。信噪聲主要分布在高頻段，也就是前幾個IMF分量，而信號主要分布在后幾個IMF分量。因此，只要找到噪聲主導(dǎo)的IMF分量和信號主導(dǎo)的IMF分量之間的分界點kth，將噪聲主導(dǎo)的IMF分量舍棄，再將其余的IMF分量和殘余分量進行信號重構(gòu)，就可以達到降噪目的，即實現(xiàn)“強制降噪”。EMD降噪是基于分解信號的部分重構(gòu)，記為：降噪后的信號 表示為： 。

線性相關(guān)系數(shù)是用來衡量兩個變量之間線性相關(guān)程度的指標，通過比較原信號與各階IMF分量的相關(guān)系數(shù)可以確定噪聲主導(dǎo)與信號主導(dǎo)IMF分量的分界點kth。依次計算原信號與各階IMF分量的相關(guān)系數(shù)，得到各相關(guān)系數(shù)關(guān)于i的函數(shù)L（i）。通過相關(guān)系數(shù)曲線，找出曲線中第一個局部極小值點，將此點對應(yīng)階數(shù)的下一階作為噪聲主導(dǎo)與信號主導(dǎo)IMF分量的分界點表示為kth。此時，將前kth-1階IMF分量作為主要噪聲濾除，從第kth階IMF分量到殘余分量進行信號重構(gòu)，得到重構(gòu)后的信號，實現(xiàn)了原信號的降噪處理。

下圖是某柴油機左機某測點x方向振動速度信號的EMD分解的8個IMF分量與原始振動信號的相關(guān)系數(shù)，發(fā)現(xiàn)第4個分量的相關(guān)系出現(xiàn)極小值。因此，將前4個分量作為噪聲進行濾除，然后對剩余信號進行重構(gòu)，結(jié)果如下圖。

從上圖可以看去，時域振動速度信號降噪處理后，噪聲波動分量得到了明顯抑制。右圖是短時間內(nèi)，降噪前后時域速度信號的精細結(jié)構(gòu)，可以明顯地看出，降噪后的振動速度信號時序變化非常平穩(wěn)有序，更加符合柴油機穩(wěn)定工作狀態(tài)的特征。

3、機械振動信號的特征參數(shù)提取

當柴油機的狀態(tài)發(fā)生變化時，其特征參數(shù)會發(fā)生相應(yīng)的變化。直觀上，一般很難判斷哪些特征參數(shù)是敏感的，且可以用來描述柴油機振動信號的特征。為了獲取更多的柴油機狀態(tài)信息，綜合選取了12種特征指標，由于各個特征參數(shù)的數(shù)值不屬于同一個數(shù)量級，差異較大，常常會影響數(shù)據(jù)分析的結(jié)果。為了消除各種數(shù)據(jù)之間的量綱影響，需要在故障診斷之前對特征參數(shù)進行歸一化處理，使它們位于相似范圍，以解決數(shù)據(jù)之間的可比性。采用的歸一化。下表給出了2018年12月24日某柴油機左機某測點x方向振動速度信號降噪前后12個機械振動特征參數(shù)的估計結(jié)果。

表1. 振動速度信號降噪前后的時域特征參數(shù)

降噪前降噪后降噪前降噪后最大值25.555.12最小值-25.54-5.766均值-0.380.003能量1105.2197.17峭度568.96.77偏度-64.090.02極差51.110.89脈沖指標4.675.35波形指標1.231.26峰值指標3.774.24峭度指標2.783.17裕度指標5.487.13通過上面的時域特征參數(shù)提取發(fā)現(xiàn)：降噪前后，由于振動數(shù)據(jù)數(shù)值上顯著的差異，少許幾個參數(shù)存在一定數(shù)量級上的差別，多數(shù)指標參數(shù)基本都是在同一個數(shù)量級上。如果需要更加準確的量化各特征參數(shù)在故障診斷中的作用，還需要各特征參數(shù)進行歸一化處理。

5、總結(jié)：

傳統(tǒng)經(jīng)典的信號處理技術(shù)不適合與非平穩(wěn)信號的處理，缺少處理信號頻率隨時間變化的分布情況。由于工況環(huán)境較為復(fù)雜等原因，柴油機振動信號測量采集參雜大量噪聲與干擾，故障信息不可避免的受到強噪聲干擾。本文采用基于經(jīng)驗?zāi)B(tài)分解的自適應(yīng)結(jié)方法，對柴油機振動信號進行降噪處理，可以有效抑制噪聲對采油機運行狀態(tài)信息的干擾，從而有效地從采油機振動信號中提取出準確的，能反映其運行狀態(tài)的特征參數(shù)，為采油機故障診斷提供有力依據(jù)。

參考文獻：

[1]機械振動信號特征參數(shù)提取技術(shù)研究，楊文濤，東北石油大學(xué)，2014年6月。

[2]錢文龍，魯鐵定，賀小星，許家琪.GPS高程時間序列降噪分析的改進EMD方法[J].大地測量與地球動力學(xué).2020，40（3）：242-246，269.

國家創(chuàng)新創(chuàng)業(yè)訓(xùn)練項目資助編號：s202010500038