CN103163050B - 一种基于电磁感应信号的润滑油系统金属磨粒检测方法 - Google Patents

Abstract

本发明提供的一种基于电磁感应信号的润滑油系统金属磨粒检测方法，采用信号分段处理方法实现实时监测，采用改进的稳态小波阈值算法结合信号的统计特性抑制背景噪声。首先计算一段数据的峰度值，若峰度值小于给定门限值，则该段数据为噪声，否则使用稳态小波分解信号，采用滑动窗噪声方差迭代估计算法估计每个尺度的噪声方差，采用改进的阈值量化方法处理各个尺度的小波系数，最后通过反变换得到去噪结果。专利中的检测算法是改进的非线性能量算子，首先使用汉明窗对去噪结果平滑，然后通过非线性能量算子进行磨粒信号的定位进而提取估计磨粒信号的幅度、相位、频率特性。实验显示本专利的性能良好。

Description

一种基于电磁感应信号的润滑油系统金属磨粒检测方法

技术领域

本发明涉及一种磨粒信号提取方法，尤其涉及一种基于电磁感应信号的润滑油系统金属磨粒检测方法。

背景技术

在线油液监测技术是一种重要的机械设备早期故障检测方法。实时油液分析传感器（ODM）是一种便携式油液分析仪器，它通过检测油液中的铁磁性和非铁磁性金属磨粒的尺寸、数量，实时检测机械设备的运行情况，及时预报潜在的故障，避免灾难性损坏或者使处于正常运转的设备减少不必要的维修，从而增加产值和效益。但是，由于设备工作环境恶劣，该传感器输出信号中存在很强的背景噪声，降低检测效率，因此，如何选取合适的噪声抑制算法以及磨粒参数估计算法是机械故障诊断的关键。

目前，该领域使用的噪声抑制算法包括：Fan提出了的移不变小波变换法，Bozchalooi和Ming Liang提出的自适应谱线增强法，C Li及M Liang提出的经验模态分解法。在磨粒参数检测方面，目前没有针对这种传感器输出信号的检测算法。

发明内容

本发明针对以上问题的提出而研制的一种基于电磁感应信号的润滑油系统金属磨粒检测方法，具有如下步骤：

A.将实时油液分析传感器上传的信号截取成固定长度的多段信号；

B.通过稳态小波阈值去噪算法，抑制每段信号的背景噪声，得到去噪结果信号；

C.使用平滑非线性能量算子，确定去噪结果信号中磨粒信号的位置，提取磨粒的特征参数。

所述步骤B具体包含如下步骤：

B1.选用db4小波基对所述任一段信号进行J层小波分解，得到该段信号的小波系数序列；

B2.采用滑动窗噪声方差迭代估计法估计每层小波系数的噪声方差σ_i，其中i代表分解层数；

B3.利用通用阈值公式计算每层小波系数的阈值其中λ_i是估计得到的阈值，N_i是该层小波系数的长度，σ_i为该层小波系数的噪声方差；

B4.使用如下式所述的阈值量化函数处理每层小波系数：

$g=\left\{\begin{array}{cc}f(x,\mathrm{\λ})& \left|x\right|>\mathrm{\λ}\\ 0& \left|x\right|\≤\mathrm{\λ}\end{array}\right.$

$f(x,\mathrm{\λ})=\mathrm{sgn}\left(x\right)\left[\right|x|-\frac{2\mathrm{\λ}}{1+\exp \left(\mathrm{\α}(x^2-{\mathrm{\λ}}^2)\right)}]$

其中：0＜α＜∞，为可调参数，当α→0时，趋于软阈值量化方法，当α→∞时，趋于硬阈值量化方法，阈值λ为步骤B3计算得到的各层的通用阈值；

B5.对经过步骤B4处理得到的小波系数进行稳态小波变换的反变换得到去噪结果信号；

B6.重复B1-B5，针对所述分解的每段小波信号进行处理，得到每段信号的降噪结果。

所述步骤B2具体具有如下步骤：

B21.对所述每层小波系数序列使用滑动窗分块，设滑动窗的大小为M，滑动步长为M/2，计算每个滑动窗对应的小波系数的方差，共产生个方差，其中N为小波系数序列长度；选择所有方差估计值中最小的值作为噪声方差初值

B22.根据计算通用阈值剔除大于阈值的小波系数得到新的小波系数序列S(n)，长度为N_new，其方差更接近真实噪声方差；

所述步骤B21和步骤B22共重复3次。

所述步骤B1之前还具有：

步骤B0.设时间序列X＝(x₁,x₂,...,x_N)，峰度

$\mathrm{kurtosis}=\frac{\underset{i}{\mathrm{\Σ}}{(x_i-\stackrel{\‾}{X})}^4/N}{{(\underset{i}{\mathrm{\Σ}}{(x_i-\stackrel{\‾}{X})}^2/N)}^2}$

若峰度值小于阈值，则该段数据为纯噪声，信号幅度置零，结束算法；若峰度值大于阈值，进行步骤B和步骤C。

步骤C具体包括：

C1.使用汉明窗平滑去噪结果信号；

C2.计算信号的非线性能量算子，非线性能量算子的定义如下

设x(n)(1≤n≤N)，定义非线性能量算子ψ为：

ψ[x(n)]＝x²(n)-x(n-1)x(n+1)

去噪结果信号经过非线性能量算子运算后磨粒信号的位置被突出。

所述步骤C2还包括步骤C21：

使用阈值量化平滑非线性能量算子，筛选出磨粒信号；

所述阈值为其中N为数据点数，C为经验常数。

由于采用了上述技术方案，本发明提供的一种基于电磁感应信号的润滑油系统金属磨粒检测方法，采用信号分段处理方法实现实时监测，采用改进的稳态小波阈值算法结合信号统计特性抑制背景噪声，首先计算一段数据的峰度值，若峰度值小于给定门限值，则该段数据为噪声，否则使用稳态小波分解信号，通过滑动窗噪声方差迭代估计算法估计每个频段的噪声方差，采用改进的阈值量化方法处理各个频段的小波系数，最后通过反变换得到去噪结果。文中的检测算法是非线性能量算子，首先使用汉明窗对去噪结果平滑，然后通过非线性能量算子估计磨粒信号的幅度、相位、频率特性。实验显示本文算法的性能良好。

附图说明

为了更清楚的说明本发明的实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1A为本发明中铁磁磨粒信号的波形图

图1B为本发明中非铁磁磨粒信号的波形图

图2为本发明中使用稳态小波阈值去噪算法的流程图

图3为本发明的滑动窗噪声方差迭代估计算法流程图

图4为本发明的算法流程图

图5A为本发明包含178um，305um铁磁磨粒的原始信号图

图5B为图5A使用稳态小波阈值去噪算法降噪后的信号图

图5C为非线性能量算子检测磨粒信号的位置示意图

图6A为本发明包含508um铁磁磨粒的原始信号图

图6B为图6A使用稳态小波阈值去噪算法降噪后的信号图

图6C为非线性能量算子检测磨粒信号的位置示意图

图7为本发明的实验结果统计

图8为本发明采用的稳态小算法示意图。

具体实施方式

为使本发明的实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

如图1-图4所示：一种基于电磁感应信号的润滑油系统金属磨粒检测方法，主要包括如下步骤：

A.将实时油液分析传感器上传的信号分解成固定长度的多段信号。

ODM传感器的输出信号由金属磨粒信号和背景噪声组成，金属磨粒信号包括铁磁磨粒信号和非铁磁磨粒信号，两种信号波形相似，相位相反。波形如图1A和图1B所示。

铁磁磨粒信号幅度与颗粒体积成正比，非铁磁磨粒信号幅度与颗粒表面积成正比。磨粒信号频率与油液流速成正比，故原始观测信号中存在幅度、频率、相位不同的磨粒信号。

针对ODM传感器获得噪声信号，传统的小波阈值去噪法采用正交小波变换分解信号，中值绝对偏差法估计噪声方差，硬阈值或软阈值量化小波系数。

正交小波变换由于有降采样过程，不具备移不变特性，导致信号分解后各层小波系数的统计特性不准确。由于设备运行环境不断变化，背景噪声的方差也不断变化，故中值绝对值偏差法估计噪声方差不准确。硬阈值或软阈值量化法也存在不足，硬阈值量化得到的估计信号会出现不连续点，丢失有用信息；软阈值量化法得到的估计信号不会出现不连续点，但是幅度衰减大。

稳态小波变换是一种正交小波变换，具有时频局部化和多分辨率分析特点，由于每层分解时没有降采样，每个频段的小波系数个数同信号的长度相同，具有时不变特性，统计特性准确,使得噪声方差估计更准确。

步骤B，针对步骤A中划分的固定长度的多段信号，采用稳态小波阈值去噪算法抑制每段信号的背景噪声，得到去噪结果信号。

所述步骤B具体包括如下步骤：

B1.选用db4小波基对所述各段信号进行7层小波分解，得到该段信号的小波系数序列。稳态小波算法如图8所示。

B2.采用滑动窗噪声方差迭代估计算法估计每层小波系数的噪声方差。主要包括如下两个步骤：

B21.对所述小波系数序列使用滑动窗分块，设滑动窗的大小为M，滑动步长为M/2，计算每个滑动窗对应的小波系数的方差，共产生个方差，其中N为小波系数序列长度；

进一步的，由于磨粒信号的小波系数比较大，所以选择所有方差估计值中最小的值作为噪声方差初值。

B22.利用通用阈值公式和步骤B21中所得到的噪声方差初始值计算阈值：大于该阈值的小波系数对应磨粒信号，将其剔除得到新的小波系数序列，新序列的方差更接近真实噪声方差。

进一步的，出于实时性的考虑，所述步骤B21和步骤B22共重复3次,如图3所示：

B3.利用通用阈值公式计算当前段信号所分解的每层小波系数的阈值。

B4.使用如下式所述的阈值量化函数处理每层小波系数：

$g=\left\{\begin{array}{cc}f(x,\mathrm{\λ})& \left|x\right|>\mathrm{\λ}\\ 0& \left|x\right|\≤\mathrm{\λ}\end{array}\right.$

$f(x,\mathrm{\λ})=\mathrm{sgn}\left(x\right)\left[\right|x|-\frac{2\mathrm{\λ}}{1+\exp \left(\mathrm{\α}(x^2-{\mathrm{\λ}}^2)\right)}]$

其中：0＜α＜∞，为可调参数,

当α→0时，趋于软阈值量化方法，α→∞趋于硬阈值量化方法，阈值λ为B3计算的到的通用阈值。

B5.对B4处理得到的小波系数进行稳态小波反变换得到去噪结果信号。

更进一步的，峰度是表示实值随机变量分布尖锐程度的四阶统计量，用来度量数据在中心的聚集程度。

设时间序列X＝(x₁,x₂,...,x_N)，峰度

$\mathrm{kurtosis}=\frac{\underset{i}{\mathrm{\Σ}}{(x_i-\stackrel{\‾}{X})}^4/N}{{(\underset{i}{\mathrm{\Σ}}{(x_i-\stackrel{\‾}{X})}^2/N)}^2}$

由于磨粒信号数据在中心集中程度远远大于背景噪声，可以通过峰度对信号进行预处理，若峰度值小于阈值，则该段数据为纯噪声，算法结束，从而提高了算法的运行速度。

在所述步骤A中对所述对信号进行分段处理，分段处理可能导致分段附近出现不连续点，影响后续检测算法的性能，故采用步骤C：使用平滑非线性能量算子从所述降噪信号中提取磨粒信号。

优选的，C1.使用汉明窗平滑去噪结果信号；

C2.由于非线性能量算子能够突出磨粒信号，故求C1得到的信号的平滑非线性能量算子，使用动态阈值量化非线性能量算子，估计磨粒信号的位置，求解磨粒信号的幅度、频率、相位特性。

设x(n)(1≤n≤N)，定义非线性能量算子ψ为：

ψ[x(n)]＝x²(n)-x(n-1)x(n+1)

当时，ψ[x(n)]＝[r(n)sin(w(n))]²，当w(n)比信号采样频率小的多时，ψ[x(n)]≈[r(n)w(n)]²。其中w(n)为瞬时频率。

去噪结果信号经过非线性能量算子运算后，磨粒信号被突出。

进一步的，所述步骤C2还包括步骤C21：使用阈值量化平滑非线性能量算子，筛选出磨粒信号；所述阈值为其中N为数据点数，C为经验常数。

如图5-6和表1所示：文中的实验数据为178um、305um铁磁磨粒信号，508um、706um非铁磁磨粒信号，所有实验数据中非铁磁508um信号信噪比最低。信号采样频率为8000Hz。图5为部分实验数据实验结果图，其中图5A为含噪178um、305um铁磁磨粒信号，图5B为信号的去噪结果，可见文中给出的去噪效果很好，信噪比得到大幅度提高，图5C为信号的非线性能量算子检测结果，正确检测率为100%。图6A为含噪508um非铁磁磨粒信号b，从图中可以看出信号信噪比很低，图6B为信号b的去噪结果，图6C为信号b的非线性能量算子检测结果，正确检测率为100%。

以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于电磁感应信号的润滑油系统金属磨粒检测方法，其特征在于具有如下步骤：

A.将实时油液分析传感器上传的信号截取成固定长度的多段信号；

B.通过稳态小波阈值去噪算法，抑制每段信号的背景噪声，得到去噪结果信号；

C.使用平滑非线性能量算子，确定去噪结果信号中磨粒信号的位置，提取磨粒的特征参数；

所述步骤B具体包含如下步骤：

B1.选用db4小波基对所述多段信号中的任一段信号进行J层小波分解，得到该段信号的小波系数序列；

B2.采用滑动窗噪声方差迭代估计法估计每层小波系数的噪声方差σ_i，其中i代表分解层数；

B3.利用通用阈值公式计算每层小波系数的阈值其中λ_i是估计得到的阈值，N_i是该层小波系数的长度，σ_i为该层小波系数的噪声方差；

B4.使用如下式所述的阈值量化函数处理每层小波系数：

$g=\left\{\begin{array}{cc}f(x,\mathrm{\λ})& \left|x\right|>\mathrm{\λ}\\ 0& \left|x\right|\≤\mathrm{\λ}\end{array}\right.$

$f(x,\mathrm{\λ})=\mathrm{sgn}\left(x\right)\left[\right|x|-\frac{2\mathrm{\λ}}{1+\exp \left(\mathrm{\α}(x^2-{\mathrm{\λ}}^2)\right)}]$

其中：0＜α＜∞，为可调参数，当α→0时，趋于软阈值量化方法，当α→∞时，趋于硬阈值量化方法，阈值λ为步骤B3计算得到的各层的通用阈值；

B5.对经过步骤B4处理得到的小波系数进行稳态小波变换的反变换得到去噪结果信号；

B6.重复B1-B5，针对所述分解的每段小波信号进行处理，得到每段信号的降噪结果。

2.根据权利要求1所述的一种基于电磁感应信号的润滑油系统金属磨粒检测方法，其特征还在于所述步骤B2具体具有如下步骤：

B21.对所述每层小波系数序列使用滑动窗分块，设滑动窗的大小为M，滑动步长为M/2，计算每个滑动窗对应的小波系数的方差，共产生个方差，其中N为小波系数序列长度；选择所有方差估计值中最小的值作为噪声方差初值

B22.根据计算通用阈值剔除大于阈值的小波系数得到新的小波系数序列S(n)，长度为N_new，其方差更接近真实噪声方差；

3.根据权利要求2所述的一种基于电磁感应信号的润滑油系统金属磨粒检测方法，其特征还在于：所述步骤B21和步骤B22共重复3次。

4.根据权利要求1所述的一种基于电磁感应信号的润滑油系统金属磨粒检测方法，其特征还在于：所述步骤B1之前还具有：

步骤B0.设时间序列X＝(x₁,x₂,...,x_N)，峰度

$\mathrm{kurtosis}=\frac{\underset{i}{\mathrm{\Σ}}{(x_i-\stackrel{\‾}{X})}^4/N}{{(\underset{i}{\mathrm{\Σ}}{(x_i-\stackrel{\‾}{X})}^2/N)}^2}$

若峰度值小于阈值，则该段数据为纯噪声，信号幅度置零，结束算法；若峰度值大于阈值，进行步骤B和步骤C。

5.根据上述任意一项权利要求所述的一种基于电磁感应信号的润滑油系统金属磨粒检测方法，其特征还在于所述步骤C具体包括：

C1.使用汉明窗平滑去噪结果信号；

C2.计算信号的非线性能量算子，非线性能量算子的定义如下

设x(n)(1≤n≤N)，定义非线性能量算子ψ为：

ψ[x(n)]＝x²(n)-x(n-1)x(n+1)

去噪结果信号经过非线性能量算子运算后磨粒信号的位置被突出。

6.根据权利要求5所述的一种基于电磁感应信号的润滑油系统金属磨粒检测方法，其特征还在于：所述步骤C2还包括步骤C21：

使用阈值量化平滑非线性能量算子，筛选出磨粒信号；

所述阈值为其中N为数据点数，C为经验常数。