CN102680080A - 一种基于改进的自适应形态滤波的非稳态信号检测方法 - Google Patents

Abstract

一种基于改进的自适应形态滤波的非稳态信号检测方法，用于各类旋转机械设备故障信号特征提取，步骤为：（1）绘制原始信号时域图，从原始信号中寻找并标定出所有信号局部极大值，计算由局部极大值与时域图中时间轴围成的轮廓面积，定为参考面积；（2）利用不同长度的结构元素和闭-开形态算子对原始信号进行形态滤波，并计算信号经不同结构元素形态滤波后得到信号的局部极值与时间轴围成的轮廓面积，并与步骤（1）中得到的参考面积求差，确定最小偏差对应的结构元素长度；（3）利用步骤（2）中得到的结构元素对信号进行形态滤波，分析处理后信号的频谱，判断故障。本发明提高了旋转设备故障判断的效率和准确性。

Description

一种基于改进的自适应形态滤波的非稳态信号检测方法

技术领域

本发明涉及一种非稳态信号的分析检测方法，具体涉及一种自适应形态滤波的非稳态信号检测方法，用于对旋转机械振动信号中反映故障特征的非稳态信号进行检测。

背景技术

对于反映机械设备故障的信号中非稳态成分的检测，在机械设备的故障诊断、生物医学信号的检测等领域具有广泛的应用。常见的非稳态成分检测方法是在时域信号中观察是否存在非稳态成分，但是由于检测过程中不可避免的会混入噪声，其中表征故障的非稳态成分亦会被噪声污染，直接观察的方式准确性和效率都很低。另外一种常用的方法是通过频域分析信号中的周期特征，但是对于信号中持续时间较短的非稳态信号，在频谱中表现为较小的幅值，甚至同样被噪声淹没，因此通过频域分析检测往往不能得到显著的特征。此外，对信号进行滤波分析也是去除信号中噪声干扰，从而提取非稳态成分的一种有效方法，但是其效果受设计的滤波器的关键参数，如截止频率、带宽、中心频率等因素影响很大。随着研究的深入，在实践中，常用的检测方法是对信号进行小波包层层分解，然后对小波节点信号进行解调，分析频域特征，进而得到信号中非平稳成分的周期，但这些技术存在需要先验知识或者耗时长的缺点。因此，总体来说现有的检测方法存在对旋转设备故障判断的效率低和准确性不高的缺点。

发明内容

本发明的技术解决问题：克服现有技术的不足，提供一种基于改进的自适应形态滤波的非稳态信号检测方法，提高了旋转设备故障判断的效率和准确性。

本发明技术解决方案：一种基于改进的自适应形态滤波的非稳态信号检测方法。在待检测设备的壳体上安装加速度传感器，检测设备的振动加速度信号，作为检测信号。步骤如下：

（1）绘制原始信号的时域图，找出信号各局部极大值的位置，并计算其在时域图中与时间轴围成的轮廓区域面积为参考面积:

$S_{\mathrm{ref}}=\underset{i=1}{\overset{k-1}{\mathrm{\Σ}}}{S}_{\mathrm{local}\_i}$

式中，S_ref为原始信号极值与时间轴围成的轮廓区域面积，S_{local_i}＝0.5×length_i×(max_i+max_i+1)为相邻两个局部极值与时间轴围成的轮廓区域面积，k为局部极值个数，i＝1,2,...k-1，length_i为局部极值间的距离，max_i为第i个局部极值。该步骤以信号局部极值与时间轴围成的轮廓区域面积为形态滤波结构元素设计参考标准，力求通过保留极值信号来实现移除尽可能多的噪声信号，保留尽可能多故障信号；

（2）设定结构元素基本步长step，step为信号采样周期，即采样频率倒数，依次增加扫描各倍率长度，从1×step，2×step，…,m×step（m为采样周期倍数,取值范围为1-30）分别对原始信号进行形态滤波结果与时间轴围成的轮廓区域面积，并与步骤（1）中所得参考面积对比，找出两者面积最接近情况下采用的结构元素的步长，定为最佳结构元素；

（3）根据步骤（2）中得到的最佳结构元素长度，根据下述计算公式利用闭-开算子对信号进行形态滤波并分析频谱：

上式中，Θ,

ο和·分别表示腐蚀算子、膨胀算子、开算子和闭算子，其中，基本腐蚀算子、膨胀算子、开算子、闭算子分别表达如下：

腐蚀算子：

(fΘg)(n)＝min[f(n+m)-g(m)]

膨胀算子：

$(f\⊕g)\left(n\right)=\max [f(n-m)+g\left(m\right)]$

开算子：

闭算子：

$(f\·g)\left(n\right)=(f\⊕\mathrm{g\Θg})\left(n\right)$

f(n)为待处理信号，长度为N，g(m)为结构元素，长度为M,m＝0,1,2...M-1,n＝0,1,2...N-1。

本发明与现有技术相比的优点在于：

（1）本发明所提供的非稳态信号检测方法在待检测设备的壳体上安装加速度传感器，检测设备的振动加速度信号，作为检测信号x(t)，通过权利要求1所述步骤，即改进的自适应形态滤波器可以自行确定合适的形态滤波器结构元素长度，从而进行滤波得到滤波信号，然后再计算滤波所得的信号的频谱，即可得出故障相关的非稳态信号频率进而判断该非稳态信号频率所对应的故障，本发明能根据信号自身的特点设计形态滤波器，从而能更好地获取非稳态信号，该检测标准具有更高的准确性。

（2）根据权利要求1步骤（1）-（2），本发明在结构元素设计上，完全由信号自身的特性决定，不需要先验知识，因而具有自适应的优点。

（3）根据权利要求1步骤（3），本发明通过对机械设备的振动信号的非稳态成分对应频谱分析，可以实现对机械设备的故障的自动识别。

附图说明

图1为本发明方法实现流程图；

图2为本发明的仿真信号及其频谱；

图3为本发明的改进形态滤波方法处理后信号及其频谱；

图4为本发明的外圈故障信号及其频谱；

图5为本发明中形态滤波算法用于外圈故障信号处理结果及其频谱。

具体实施方式

实施例1：

仿真信号的时域波形如图2（a）所示，采样频率为12KHz,即采样间隔为1/12000s。为验证其降噪性能，对仿真信号叠加幅值为0.5的白噪声，时域波形如图2（b）所示。图2（c）为其频谱，可以看出：不能从中看出有效的频率成分。

利用提出的改进的形态滤波方法对信号进行处理，具体步骤为：

1、根据发明内容的步骤（1），寻找图2（b）所示时域信号极值，并计算其与时间轴围成的面积。

2、根据发明内容的步骤（2），以采样间隔为基准长度，成倍增加结构元素长度，其滤波后信号与横轴围成的面积与参考面积之差随结构元素长度变化如图3（a）所示。可见，随结构元素长度的增加，滤波后信号与横轴围成的面积与参考面积之差呈现先变小，后变大的趋势。当结构元素长度选择为7个采样间隔对应时间长度，即7/12000s时，面积差最小，故选择为最佳结构元素长度。

3、根据发明内容的步骤（3），最佳结构元素处理后的滤波信号如图3（b）所示，滤波结果能很好的保留脉冲信号，噪声信号也得到有效抑制，图3（c）绘制了滤波结果的频谱，可以看出，信号特征频率100Hz及其二次、三次谐波频率成分幅度均较为清晰。从对含有噪声的仿真信号分析结果来看，分析结果与信号实际特征频率吻合，自适应的形态滤波方法能有效的提取脉冲成分，抑制噪声成分，有助于提取信号中周期瞬态成分的时间间隔。

实施例2：

采用实际的轴承数据进行处理。轴承型号为6205-2RS JEM SKF。参数如表1所示。

表16205-2RS JEM SKF轴承参数（单位：英寸）

信号采样频率为12KHz，轴承在1797rpm转速时外圈故障特征频率为107.3Hz。图4（a）为该轴承在1797rpm转速下外圈故障信号,可以从中看出故障脉冲但是无法定性判断故障类别，图4（b）为该信号对应频谱，从信号频谱图中亦无法识别故障相关的频率成分。利用本发明提出的形态滤波方法对该信号处理，具体步骤为：

1、根据发明内容的步骤（1），寻找图4（a）所示时域信号极值，并计算其与时间轴围成的面积。

2、根据发明内容的步骤（2），以采样间隔为基准长度，成倍增加结构元素长度，其滤波后信号与横轴围成的面积与参考面积之差随结构元素长度变化如图5（a）所示。可见，随结构元素长度的增加，滤波后信号与横轴围成的面积与参考面积之差呈现先变小，后变大的趋势。当结构元素长度选择为12个采样间隔对应时间长度，即1/1000s时，面积差最小，故选择为最佳结构元素长度。

3、根据发明内容的步骤（3），最佳结构元素处理后的滤波信号如图5（b）所示，滤波结果能很好的保留脉冲信号，噪声信号也得到有效抑制，图5（c）绘制了滤波结果的频谱，可以看出，外圈故障频率及其二次、三次谐波频率成分幅度均较为清晰。分析结果与实际故障频率吻合，从对外圈故障信号分析结果来看，自适应的形态滤波方法能有效的提取脉冲成分，抑制噪声成分，有助于提取信号中周期瞬态成分的时间间隔。

本发明未详细阐述部分属于本领域技术人员的公知技术。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于改进的自适应形态滤波的非稳态信号检测方法，在待检测设备的壳体上安装加速度传感器，检测设备的振动加速度信号，作为检测信号，其特征在于实现步骤如下：

（1）绘制原始信号的时域图，找出信号各局部极大值的位置，并计算信号局部极大值在时域图中与时间轴围成的轮廓区域面积为参考面积:

$S_{\mathrm{ref}}=\underset{i=1}{\overset{k-1}{\mathrm{\Σ}}}{S}_{\mathrm{local}\_i}$

式中，S_ref为原始信号极值与时间轴围成的轮廓区域面积，S_{local_i}＝0.5×length_i×(max_i+max_i+1)为相邻两个局部极值与时间轴围成的轮廓区域面积，k为局部极值个数，i＝1,2,...k-1，length_i为局部极值间的距离，max_i为第i个局部极值；

（2）设定结构元素基本步长step，step为信号采样周期，即采样频率倒数，依次增加扫描各倍率长度，从1×step，2×step，…,m×step分别对原始信号进行形态滤波结果与时间轴围成的轮廓区域面积，并与步骤（1）中所得参考面积对比，找出两者面积最接近情况下采用的结构元素的步长，定为最佳结构元素；m为采样周期倍数；

（3）根据步骤（2）中得到的最佳结构元素长度，根据下述计算公式利用闭-开算子对信号进行滤波，并分析处理后信号的频谱，判断故障类别：

上式中，Θ,

ο和·分别表示腐蚀算子、膨胀算子、开算子和闭算子，其中，基本腐蚀算子、膨胀算子、开算子、闭算子分别表达如下：

腐蚀算子：

(fΘg)(n)＝min[f(n+m)-g(m)]

膨胀算子：

$(f\⊕g)\left(n\right)=\max [f(n-m)+g\left(m\right)]$

开算子：

闭算子： $(f\·g)\left(n\right)=(f\⊕\mathrm{g\Θg})\left(n\right)$

f(n)为待处理信号，长度为N，g(m)为结构元素，长度为M，m＝0,1,2...M-1,n＝0,1,2...N-1。

Images