CN104792668B - 一种基于带通滤波和相关运算相结合的磨粒传感器灵敏度提升方法 - Google Patents

Abstract

本发明公开了一种基于带通滤波和相关运算相结合的磨粒传感器灵敏度提升方法，基于带通滤波与相关运算相结合的方法来提升已有磨粒传感器信号的灵敏度。基于已有电感式磨粒传感器，将两路传感器串联安装在油液管路中，将采集到的两路传感器信号通过本发明提出的方法可以将灵敏度提升至原来的2.76倍，从而能够检测更小的磨粒，为基于磨粒信息的故障诊断服务。

Description

一种基于带通滤波和相关运算相结合的磨粒传感器灵敏度提 升方法

技术领域

本发明属于机械系统状态监测、故障诊断及寿命预测技术领域，具体涉及一种基于带通滤波和相关运算相结合的磨粒传感器灵敏度提升方法。

背景技术

随着机械系统的日益复杂与精密，实时监测对于机械可靠的运行有着重要的意义[1]。磨粒检测作为一种直接的监测方式是基于监测油液中的污染物可以的数量和大小以及材质来监测机械状态，它能很容易跟踪和发现机械的故障[2]。由于其简单的结构以及对油液品质部敏感等优点，电感式磨粒检测是目前最实用在线磨粒监测方法。其原理是当金属磨粒通过传感器时，会引起磁场的改变，从而产生电信号[3]。然而，由于磁场难以被集中，因此对于大流量监测时造成了这一类传感器灵敏度不足的问题。

为了提升传感器的灵敏度，早在1988年,Chambers K W等人[4]基于磁力收集磨粒同时释放通过传感器从而提升传感器的灵敏度的想法，设计了一种带磁力收集装置的电感式磨粒传感器。在随后的研究中，Miller等人[5]提到了一种三线圈结构的磨粒传感器(ODM)，通过改变磁场的梯度提升传感器灵敏度在直径为1/2"油管下，它能有效的监测大于125um的球型铁磁质磨粒，并成功的应用于F22航空发动机的检测上。然而这一灵敏度依然是不足的。相关研究[6]表明，正常的机械磨损产生的磨粒尺寸为1-20um，而非正常磨损产生的磨粒为50-100um。而机械系统处在寿命的中后期时将大量产生200um以上的磨粒[5]，因此为了跟踪和监测机械系统的早期故障需要进一步提升传感器的灵敏度。为了实现这一目标，Du Li等人[7][8]通过改变线圈的长径比，能够在1.2mm的通道中有效的监测50um以上的铁磁质磨粒。之后他们又采用parallel LC resonance method提升传感器灵敏度，使得传感器能监测20um的铁磁质磨粒和55um的非铁磁质磨粒[9]。最近，Wei Hong等人提出了一种基于径向磁场的磨粒传感器[10]，相对于传统的轴向磁场，这种结构解决了敏感区域与感应线圈体积的矛盾，从而使得传感器能在外径为20mm的管道中检测20um的薄片 铁磁质磨粒,是拥有更高的相对灵敏度。

另一方面，传感器的灵敏度也受限于环境的干扰。磨粒的信号是一个类似于2π正弦的信号，而传感器的干扰来源于特定频率的干扰如振动，电源以及随机噪声。显然，由这些信号构成传感器信号是非平稳的，因此阈值判断作为一种简单的方法被广泛的应用于磨粒信号的识别[5]。然而阈值判断识别效果严重的依赖于高信噪比。如果我们能提高信噪比也能使得识别更小的磨粒。不幸的是当磨粒信号淹没在干扰中时，传统的滤波器和频域处理方法很难能够有效的提高信噪比。为了提高信噪比，Hoonbin Hong等人[11]提出了一种分数阶微积分的方法并给出了它的数学模型。随后，X Fan等人[12]提出了一种时不变小波变换相结合的方法。I Soltani Bozchalooi等人[13]采用了一种基于两级消噪的方法来消除振动干扰和背景噪声。由于分解深度是小波变换的重要参数，其直接影响了小波变换的性能，因此ChuanLi等人[14]采用了基于优化分解深度的最大重叠离散小波变换的方法。这些方法有效的提升信噪比和推动了油液污染技术的应用。然而这些方法存在参数鲁棒性和收敛问题，特别是当干扰频率与信号平率十分接近时，干扰消除的效果将会被大大削弱。相关运算是一种有效抑制周期信号中随机噪声的方法[15]，然而磨粒信号为短周期信号同时又受到存在特定频率的干扰，因此简单相关运算是不适用的。

[1]Manfred R.Mauntz,Jürgen Gegner,Ulrich Kuipers and Stefan Klingau2013 A Sensor System for Online Oil Condition Monitoring of OperatingComponents Tribol.Fundam.Adv.Chapter 11

[2]B.J.Roylance,J.A.Williams and R Dwyer-Joyc 2000 Wear debris andassociated wear phenomena--fundamental research andpracticeProc.Inst.Mech.Eng.Part J J.Eng.Tribol.

[3]Richard Dupuis 2010 Application of Oil Debris Monitoring For WindTurbineGearbox Prognostics and Health Management Annual Conf.PrognosticsHealth Manage.Soc.

[4]Chambers KW,ArnesonMC and WaggonerCA 1988 An on-line ferromagneticwear debris sensor for machinery condition monitoring and failure detectionWear Vol 128 No 3 pp325-337

[5]Miller J L and Kitaljevich D 2000 In-line oil debris monitor foraircraft engine condition assessment IEEE Aerosp.Conf.Proc.Vol 6 pp 49-56

[6]Tucker JE,Galie TR,Schultz A,Lu C,Tankersley LL,Sebok T,et al 2000LASERNET finesoptical wear debris monitor:a Navy shipboard evaluation of CBMenablingtechnology54th Soc.Mach.Fail.Prev.Technol.Proc.(Virginia Beach)p 191

[7]Du L,Zhe J,Carletta J,Veillette R and Choy F2010 Real-timemonitoring of wear debris in lubrication oil using a microfluidic inductiveCoulter counting device Microfluid Nanofluid Vol 9 No 6 pp 1241-1245

[8]Du L and Zhe J 2011A high throughput inductive pulse sensor foronline oil debris monitoring Tribol.Int.vol 44 No 2 pp 175-179

[9]Du L.,Zhu X.L.,Han Y.,Zhao L.and Zhe J.2013 Improving sensitivityof an inductive pulse sensor for detection of metallic wear debris inlubricants using parallel LC resonance method Meas.Sci.Technol.Vol 24 075106

[10]Wei Hong,Shaoping Wang,Mileta Tomovic,LeiHan and Jian Shi 2013Radial inductive debris detection sensor and performance analysisMeas.Sci.Technol.Vol 24 125103

[11]Hoonbin Hong and Ming Liang.2008 A fractional calculus techniquefor on-line detection of oil debris Meas.Sci.Technol.Vol 19 055703

[12]X Fan,M Liang and T Yeap 2009 A joint time-invariant wavelettransform and kurtosis approach to the improvement of in-line oil debrissensor capability Smart Mater.Struct.Vol 18 085010

[13]I Soltani Bozchalooi and Ming Liang 2010 In-line identificationof oil debris signals:an adaptive subband filtering approachMeas.Sci.Technol.Vol 21 015104

[14]Chuan Li,Juan Peng and Ming Liang 2014 Enhancement of the WearParticle Monitoring Capability of Oil Debris Sensors Using a Maximal OverlapDiscrete Wavelet Transform with Optimal Decomposition Depth Sensors Vol 14No.4,pp6207-6228

[15]Lee,Y.W.Cheatham,T.P.,Jr.and Wiesner,J.B.1950 Application ofCorrelation Analysis to the Detection of Periodic Signals in NoiseProceedings of the IRE Vol 38

发明内容

本发明的目的是为机械系统的状态监测、故障诊断及寿命预测技术服务，提供了一种提升已有磨粒传感器灵敏度的方法。

一种基于带通滤波和相关运算相结合的磨粒传感器灵敏度提升方法，包括以下几个步骤：

步骤一：将磨粒传感器X、磨粒传感器Y接入油液回路中，磨粒传感器X、磨粒传感器Y之间的管路长度为L，其中：Q为油液的体积流量，r为管道内径，n为大于0的整数；

磨粒传感器X的输出为：

其中，A是磨粒信号的幅值，w是磨粒信号的频率，B_x是特定频率干扰对磨粒传感器X的干扰幅值，w_n是特定干扰的频率，C_x是随机干扰造成传感器X的随机噪声，n(t)是背景噪声源；

磨粒传感器Y的输出为：

其中，B_y是特定频率干扰对传感器Y的干扰幅值，C_y是随机干扰造成传感器Y的背景噪声；

步骤二：将磨粒传感器X、磨粒传感器Y的输出信号分别输出至两个带通滤波器，两个带通滤波器的通带分别为到衰减为30dB，其中l为磨粒传感器的轴向长度；

步骤三：将两个带通滤波器的输出结果进行相关运算，相关运算数据长度两 路信号的延时则截取区间长度为T的两路传感器做延时为τ相关运算则有：

当无磨粒通过时，即t＜τ或者相关运算的结果为：

其中，R_n(τ)是随机噪声n(t)的关于延时τ的自相关；

当有磨粒通过时，即相关运算的结果为：

R_xy(t)＝R_Sxy(t)+R_Nxy(t)

其中，R_Sxy(t)则为由磨粒引起的部分，R_Nxy(t)则为由干扰和噪声引起的部分；

设相关运算的信噪比为：

其中max(·)是取最大值，avg(·)是取平均值；

调整磨粒传感器X、磨粒传感器Y的距离，使τ＝2nπ，令B_x＝B_y＝B，则：

设置信噪比的阈值，通过阈值法检测磨粒。

本发明的优点是：

(1)基于已有的电感式磨粒传感器信号。

(2)由于这两种方法效果互补，使得新方法在呈现了很好的提升信噪比的效果。随着滤波器的衰减增大，邻域以外区域的信噪比也随之提高，有效的避免了在低原始信噪比的情况下由于相关法引起的局部恶化。

(3)基于完善的理论推导和参数设计，使得灵敏度至少提升2.76倍。

附图说明

图1是本发明的检测装置结构；

图2是传统相关运算仿真效果；

图3是本发明的系统结构；

图4是本发明的仿真效果；

图5是实际干扰及其FFT结果；

图6是本发明与其他方法的效果对比。

具体实施方式

下面结合附图是实施例对本发明的灵敏度提升方法进行详细说明。

假设检测装置的结构如图1所示，检测装置由两个相同的传感器串联在管路中构成。假设某一磨粒在管道中匀速运动，当t＝0时达到传感器X，当t＝τ时达到传感器Y。

由于实际的传感器输出时由3部分信号组成：磨粒信号、特定频率的干扰和背景噪声组成。因此设传感器X的输出为：

其中，A是磨粒信号的幅值，w是磨粒信号的频率，B_x是特定频率干扰对传感器X的干扰幅值，w_n是特定干扰的频率，C_x是随机干扰造成传感器X的随机噪声，n(t)是背景噪声源。

设传感器Y的输出为：

其中，B_y是特定频率干扰对传感器Y的干扰幅值，C_y是随机干扰造成传感器Y的背景噪声。

截取区间长度为T的两路传感器做延时为τ相关运算则有：

当无磨粒通过时，即相关运算的结果为：

其中，R_n(τ)是随机噪声n(t)的关于延时τ的自相关。

当有磨粒通过时，即相关运算的结果为：

令则R_xy(t)＝R_Sxy(t)+R_Nxy(t)，R_Sxy(t)则为由磨粒引起的部分，R_Nxy(t)则为由干扰和噪声引起的部分。

设相关运算的信噪比为：

其中max(·)是取最大值，avg(·)是取平均值。

当时，有：

A²sin²[w(ξ-τ)]+Asin[w(ξ-τ)]{B_ysin(w_nξ)+B_xsin[w_n(ξ-τ)]}＝0 (6)

因此当时，

而

由于和与t无关，因此

因此由(5),(7),(8)和(9)可得：

实际检测系统中，通过针对磨粒的运动速度，优化两个传感器的距离使得τ＝2nπ。因此为了简化，令τ＝2nπ,B_x＝B_y＝B则公式(10)化简为：

显然当时，

所以公式(11)进一步被化简为：

假设当信噪比大于或等于1.5时，通过阈值法能有效的识别磨粒的波形，则有：

令解得：

因此当时，磨粒信号的幅值大于等于0.57倍干扰信号的幅值采用相关法就能有效的检测磨粒，因此其信噪比至少能提升2.67倍。

基于以上的推导，在干扰信号的频率w_n处于磨粒频率w的一定的邻域内时，相关运算能有效的提升信噪比。然而当干扰信号的频率超出这一范围时，叠加关系就变得复杂了，

所以相关运算的效果就变得不容易表达。因此基于公式(10)仿真了相关运算的结果与干扰频率和以及原始信号信噪比之间的关系，如图2所示。

图2的仿真结果表明，随着原始信号的信噪比降低，相关运算的信噪比随之降低，当干扰信号的频率超出磨粒信号频率的某个邻域时，会在一些频率处出现严重的信噪比下降。为了解决这一问题，提出了一种带通滤波器与相关运算相结合的新方法。通过设计带通滤波器的参数，将带通滤波器的通带与磨粒信号的邻域相重合。这样一来，当干扰频率处于邻域内时，相关运算能有效的提升信噪比，而当干扰频率处于邻域之前时，带通滤波器能使得干扰的幅值衰减从而弥补相关运算的不足，间接的提升信噪比。新方法的结构如图3所示。

令带通滤波器的通带为到则基于公式(10)获得两种方法相结合的效果如图4所示。图4(a)-(d)分别是滤波器衰减为10dB，20dB，30dB，40dB的效果。显然由于这两种方法效果互补，使得新方法在呈现了很好的提升信噪比的效果。随着滤波器的衰减增大，邻域以外区域的信噪比也随之提高，有效的避免了在低原始信噪比的情况下由于相关法引起的局部恶化。因此适当的带通滤波器参数时，无论干扰频率处在任何位置，信噪比至少提升2.76倍。换而言之，只要当磨粒传感器信号的信噪比大于-3dB的情况下，新方法都能有效的将信噪比至少提升至1.7dB，即从而保证磨粒的有效识别。因此这种方法能够使得在相同的信噪比情况下基于阈值识别更小的磨粒。

因此一种基于带通滤波器和相关运算相结合的磨粒传感器灵敏度提升方法，包括以下几个步骤：

步骤一：将两个磨粒传感器接入油液回路中，如图3所示，两传感器之间的管路长度L满足：其中Q为油液的体积流量，r为管道内径，n为大于0的整数(可以根据实际情况任意选取n)。

步骤二：将传感器信号经过放大器接入计算机采集板卡，使得计算机能采集传感器信号，如图6中的“传感器输出”所示。在计算机软件Labview中编程实现两路滤波器和一个相关运算单元，其系统结构如图3所示。

将两路信号的分别经过两个带通滤波器，其通带为到其衰减为30dB，其中 l为传感器的轴向长度

步骤三：将滤波器的输出结果进行相关运算，相关运算数据长度两路信号的延时其的输出结果如图6中的“带通相关运算”所示。显然，经过处理后的信号能够清晰的识别磨粒产生的波峰，然而单纯采用带通滤波器或相关运算无法实现这效果。

本发明是基于带通滤波与相关运算相结合的方法来提升已有磨粒传感器信号的灵敏度。基于已有电感式磨粒传感器，将两路传感器串联安装在油液管路中，将采集到的两路传感器信号通过本发明提出的方法可以将灵敏度提升至原来的2.76倍，从而能够检测更小的磨粒，为基于磨粒信息的故障诊断服务。

实施例

为了验证实际干扰下带通相关法的性能，采用无磨粒通过时传感器的输出信号和仿真磨粒信号波形相叠加作为传感器输出。图5是实际干扰波形和FFT结果。显然实际干扰也由随机噪声和特定频率的干扰组成，频谱中某些频率处的幅值较大是由于交流电和振动引起的。由于在实际干扰在100Hz频率附近最大幅值为0.02，所以令磨粒信号幅值A分别为0.002，0.005，0.01，0.02，0.04进行对比，其结果如图6所示。结果表明当A≥0.01时通过阈值法能有效的监测到磨粒，因此在实际干扰中带通相关法的效果也与公式(14)理论推导的结果相符。

实验结果表明通过实际干扰叠加磨粒信号的方法验证了这种方法的有效性，其信噪比至少提升2.76倍。只要当磨粒传感器信号的信噪比大于或等于-3DB的情况下，新方法都能有效的将信噪比至少提升至1.7DB，从未保证磨粒的有效识别。因此这种方法能够使得在相同的信噪比情况下基于阈值识别更小的磨粒。

Claims (1)

1.一种基于带通滤波和相关运算相结合的磨粒传感器灵敏度提升方法，包括以下几个步骤：

步骤一：将磨粒传感器X、磨粒传感器Y接入油液回路中，磨粒传感器X、磨粒传感器Y之间的管路长度为L，其中：Q为油液的体积流量，r为管道内径，n为大于0的整数；

磨粒传感器X的输出为：

$x\left(t\right)=\left\{\begin{array}{cc}Asin\left(wt\right)+B_{x}sin\left(w_{n}t\right)+C_{x}n\left(t\right)& (0\&le;t\&le;\frac{2\mathrm{\&pi;}}{w})\\ B_{x}sin\left(w_{n}t\right)+C_{x}n\left(t\right)& (t<0,\frac{2\mathrm{\&pi;}}{w}<t)\end{array}\right.$

其中，A是磨粒信号的幅值，w是磨粒信号的频率，B_x是特定频率干扰对磨粒传感器X的干扰幅值，w_n是特定干扰的频率，C_x是随机干扰造成传感器X的随机噪声，n(t)是背景噪声源；

磨粒传感器Y的输出为：

$y\left(t\right)=\left\{\begin{array}{cc}Asin\&lsqb;w(t-\mathrm{\&tau;})\&rsqb;+B_{y}sin\left(w_{n}t\right)+C_{y}n\left(t\right)& (\mathrm{\&tau;}\&le;t\&le;\mathrm{\&tau;}+\frac{2\mathrm{\&pi;}}{w})\\ B_{y}sin\left(w_{n}t\right)+C_{y}n\left(t\right)& (t<\mathrm{\&tau;},\mathrm{\&tau;}+\frac{2\mathrm{\&pi;}}{w}<t)\end{array}\right.$

其中，B_y是特定频率干扰对传感器Y的干扰幅值，C_y是随机干扰造成传感器Y的背景噪声；

步骤二：将磨粒传感器X、磨粒传感器Y的输出信号分别输出至两个带通滤波器，两个带通滤波器的通带分别为到衰减为30dB，其中l为磨粒传感器的轴向长度；

步骤三：将两个带通滤波器的输出结果进行相关运算，相关运算数据长度两路信号的延时则截取区间长度为T的两路传感器做延时为τ相关运算则有：

当无磨粒通过时，即t＜τ或者相关运算的结果为：

$R_{Nxy}\left(t\right)=\frac{B_x{B}_y}{2}cos(-w_n\mathrm{\&tau;})-\frac{B_x{B}_y}{2{\mathrm{Tw}}_n}sin\left(w_{n}T\right)cos\&lsqb;2w_{n}t-w_n(T+\mathrm{\&tau;})\&rsqb;+\frac{C_x{C}_y}{T}{R}_n\left(\mathrm{\&tau;}\right)$

其中，R_n(τ)是随机噪声n(t)的关于延时τ的自相关；

当有磨粒通过时，即相关运算的结果为：

R_xy(t)＝R_Sxy(t)+R_Nxy(t)

其中，ξ为积分变量，R_Sxy(t)则为由磨粒引起的部分，R_Nxy(t)则为由干扰和噪声引起的部分；

设相关运算的信噪比为：

${\mathrm{SNR}}_C=\frac{max\left|R_{Sxy}\right|}{max|R_{Nxy}-avg\left(R_{Nxy}\right)|}$

其中max(·)是取最大值，avg(·)是取平均值；

调整磨粒传感器X、磨粒传感器Y的距离，使τ＝2nπ，令B_x＝B_y＝B，则：

${\mathrm{SNR}}_C\&GreaterEqual;\frac{2A^2{w}_n\mathrm{\&pi;}}{B^{2}w}$

设置信噪比的阈值，通过阈值法检测磨粒。