CN105509771A - 一种发动机滑油金属颗粒在线监测的信号降噪方法 - Google Patents

Abstract

本申请公开了一种发动机滑油金属颗粒在线监测的信号降噪方法，其中，从油液金属颗粒传感器得到原始监测信号，所述方法包括：步骤1、去除所述原始监测信号的趋势成分；步骤2、对步骤1得到的信号进行小波正变换，分别得到信号的高频部分和低频部分的小波系数；步骤3、根据预定阈值，对步骤2得到的高频部分和低频部分的小波系数进行调整；步骤4、根据在步骤3中调整后的小波系数，进行小波逆变换，得到降噪后的监测信号。本发明提出的信号降噪方法，应用于发动机滑油系统油液金属颗粒在线监测系统，对于存在振动干扰的实际工况，能够有效滤除噪声干扰。

Description

一种发动机滑油金属颗粒在线监测的信号降噪方法

技术领域

本发明属于数字信号处理技术领域，涉及一种发动机滑油金属颗粒在线监测的信号降噪方法，适用于发动机滑油系统的油液金属颗粒在线监测系统。

背景技术

滑油系统油液金属颗粒在线监测系统主要用于发动机滑油系统健康状态的在线监测，通过检测油液中金属颗粒的数量、大小、流速等参数反映发动机健康状态。油液金属颗粒在线监测传感器主要由金属屑传感器探头、信号传输电缆和信号处理单元组成，整体连接框图如图2所示。如图所示，传感器探头安装在发动机从滑油增压泵至滑油滤的供油管路上，供油液从传感器探头通径通过，以便检测金属颗粒。

由于油液中含有不同性质与粒径的金属颗粒，根据电磁感应原理，理想情况下，在输出端会产生规则正弦或余弦信号，代表性质不同的金属颗粒信息。但实际滑油检测系统中，金属颗粒有效信号往往会受背景噪声和振动干扰的影响，且信号处理电路本身也会引入随机噪声及非零信号干扰，不同的干扰水平会导致信号失真，严重影响检测结果，其中主要的噪声干扰分为以下几种：1、基线漂移，频率多在1HZ以下，表现为信号基线水平在非零范围内波动。2、振动干扰，频率多在10～2000HZ，在信号波形中表现为一系列不规则的毛刺。以上干扰混杂在有效信号中，易造成信号失真或者误检，因而需要采用有效的信号降噪方法，在保证有效信号不失真的前提下滤除噪声干扰。油液金属颗粒在线监测的信号降噪方法的信号降噪处理效果在很大程度上影响监测准确度及精度。

现有的信号降噪方法包括时域和频域两种方式。时域处理方法一般可以对信号毛刺进行有效剔除，但往往无法有效滤除背景噪声和振动引起的干扰。频域处理方法常用到高通滤波和小波变换。高通滤波可有效滤除高频率噪声，但其频域分辨率较差，对其基线漂移引入的低频噪声及与有效信号频率临近频率的信号无法剔除。常规小波变换虽可以达到相对较好的滤波效果，但其运算相对复杂，实现程序较繁琐，造成占用空间大，使应用环境受到极大限制。

发明内容

因此，针对滑油系统中油液金属颗粒信号的特点，需要提出一种针对性较强的信号降噪方法。

针对上述信号降噪方法的弊端，本发明提出一种用于发动机滑油系统油液金属颗粒在线监测系统的信号降噪方法。

本发明提出一种最小二乘法和小波滤波相结合的方法，用于进行信号降噪，其中，在小波滤波之前利用最小二乘法，去除基线漂移分量干扰，保证小波分解层数降低，提高空间利用率，缩短运行时间。在小波域处理时，针对原始信号掺杂的振动噪声干扰及背景噪声的特点，采用方差迭代估计法保留原始信号能量，剔除分散杂波干扰，其信号降噪算法流程图如图1所示。

根据本发明的实施例，提供了一种发动机滑油金属颗粒在线监测的信号降噪方法，其中，从油液金属颗粒传感器得到原始监测信号，所述方法包括：步骤1、去除所述原始监测信号的趋势成分；步骤2、对步骤1得到的信号进行小波正变换，分别得到信号的高频部分和低频部分的小波系数；步骤3、根据预定阈值，对步骤2得到的高频部分和低频部分的小波系数进行调整；步骤4、根据在步骤3中调整后的小波系数，进行小波逆变换，得到降噪后的监测信号。

本发明提出的信号降噪方法有以下几点优势：

由于其在小波变换之前通过最小二乘法去除了基线漂移干扰，因此在小波滤波时无需考虑低频直流分量的影响，这样有效避免了小波变换后会放大低频成分，引起显著漂移的缺陷；

在小波频域处理时，以分段的形式将小波域的系数进行方差迭代估计，有效剔除偏离均值较大的噪声干扰，保留原始信号能量，剔除分散杂波干扰；

本发明提出的信号降噪方法，应用于发动机滑油系统油液金属颗粒在线监测系统，对于存在振动干扰的实际工况，能够有效滤除噪声干扰。

附图说明

图1是根据本发明的实施例的信号降噪算法的流程图；

图2是可应用本发明的油液金属颗粒在线监测传感器的整体连接框图；

图3是根据本发明的实施例的最小二乘法仿真示意图；

图4是根据本发明的实施例的小波正变换的仿真结果；

图5是根据本发明的实施例的阈值调整前后的粗节系数的图形；

图6是根据本发明的实施例的阈值调整前后的细节系数的图形；

图7是根据本发明的实施例的信号降噪方法的仿真结果。

具体实施方式

下面，结合附图对技术方案的实施作进一步的详细描述。

本领域的技术人员能够理解，尽管以下的说明涉及到有关本发明的实施例的很多技术细节，但这仅为用来说明本发明的原理的示例、而不意味着任何限制。本发明能够适用于不同于以下例举的技术细节之外的场合，只要它们不背离本发明的原理和精神即可。

另外，为了避免使本说明书的描述限于冗繁，在本说明书中的描述中，可能对可在现有技术资料中获得的部分技术细节进行了省略、简化、变通等处理，这对于本领域的技术人员来说是可以理解的，并且这不会影响本说明书的公开充分性。

根据本发明的实施例，针对发动机滑油系统油液金属颗粒在线监测系统，以小波变换为基础，从信号特征、程序运行时间以及空间等角度考虑，提出一种最小二乘法和小波滤波相结合的方法进行信号降噪，提高空间利用率，缩短运行时间，且滤波效果较好，因而在复杂背景下，可保证信号有效降噪而不造成失真。

图1是根据本发明的实施例的信号降噪方法的流程图。这里将原始数据描述为X_in(i)，其中i为数据索引值，i＝1～N，N为数据个数，这里取1024进行介绍。

如图所示，降噪过程具体分为以下几部分：

1、信号预处理：采用最小二乘法去除基线漂移分量，用原始信号去除趋势项即可得出有效信号。在本发明的实施例中，采用一阶多项式来拟合原始信号的趋势项，求解趋势项系数。对于基本原理及参数求解过程在此不作详细阐述，这里只列出最终应用于实际项目的公式及参数。处理公式如下所示，其中X(i)代表去趋势项(趋势成分)之后的数据。

$X\left(i\right)=X_{in}\left(i\right)-(a+b*(i-\frac{N}{2}\left)\right)$

$a=\frac{{\mathrm{\Σ}}_0^{N-1}{X}_{in}\left(i\right)}{N}$

$b=\frac{{\mathrm{\Σ}}_0^{N-1}{X}_{in}\left(i\right)(i-a)}{{\mathrm{\Σ}}_0^{N-1}{(i-a)}^2}$

对以上处理进行仿真，结果如图3所示。图3中，上面为原始数据，下面为去除趋势分量后的数据。由该图可以看出，原始信号含有趋势分量，信号以-0.12为基准；处理后的数据剔除了趋势成分，使信号平均水平为零基准。

2、小波正变换：利用2组滤波器系数{h_n}和{g_n}，将去除趋势分量之后的信号分解为信号的粗节部分和细节部分，其中{h_n}为低通滤波器，{g_n}为高通滤波器，粗节部分对应于信号的低频部分，代表信号的主体轮廓，而细节部分则对应于信号的高频部分。此粗节部分和细节部分被称为信号经过小波变换后在尺度1上的表现。假设信号频率为f_s，则粗节部分为经过{h_n}滤波器作用后得到的频率介于[0,f_s/2]的分量，而细节部分则为经过{g_n}滤波器作用后得到的频率介于[f_s/2,f_s]的分量，再对粗节部分进行分解，则可得到尺度2上的粗节和细节部分，以此类推。

本发明选取db4小波基，应用此小波分解方法，对信号进行分解。db4小波是工程上常用的一种小波，其低通滤波器系数h_n为{0.2303778，0.7148465，0.6308807，-0.0279837，-0.1870348，0.0308413，0.0328830，-0.0105974}；高通滤波器系数g_n为{-0.0105974，-0.0328830，0.0308413，0.1870348，-0.0279837，-0.6308807，0.7148465，-0.2303778}。在滑油在线监测系统中，结合硬件采样频率设置结果，分解层数可在4～8中进行调整，此处选为6，即将信号进行6个尺度上的分解。图4所示为小波正变换的结果，上面为去趋势之后的结果，中间为正变换之后的粗节系数，下面为正变换之后的细节系数，因为进行了6层分解，所以最终得到6组细节系数，每一组为1024个数据，因而共得到1024*6＝6144个细节系数，这些系数均会在小波逆变换中用到，而每一层的粗节系数会作为下一次小波正变换的原始数据，第1～5层粗节系数作为过程量，在后续处理中不会涉及，故在此不体现，如图4所示，。根据信号频率特征及期望的降噪要求，将第1～5层的细节系数置零，保留第6层细节系数(如图6所示)，将之与粗节系数一起，作为步骤3的数据源，进行阈值系数调整。

3、阈值系数调整：采用方差迭代估计法，对分解得到的粗节系数和第6层的细节系数分别进行迭代运算，进而估计背景噪声方差，以此为基础进行降噪。

为表述方便，以下介绍用x_temp(N)代指粗节系数和第6层的细节系数。将数据x_temp(N)进行分块，令每块数据长度为128且相邻两块数据采取50％数据重叠，即每一块数据依次为第0～128，64～192，128～256，……，896～1024个数据，共计15块，计算方差。首先初始化方差最小值var_min＝10，求取第一块数据的方差数值，并与方差最小值var_min进行比较，若其值小于var_min，则将其数值赋给var_min，反之不变，依次类推进行下一段数据的求解，直至求解完成，得到方差最小值var_min，利用公式

$T^{\′}=\sqrt{2*\mathrm{var}\_min*ln\left(N\right)}$

得到阈值T′。遍历x_temp(i)所有数据，保留所有在(-T′，T′)范围内的数据数值，对其求解方差数值Var，并利用公式

$T=\sqrt{2*Var*ln\left(N\right)}$

计算阈值T，它是后续小波系数调整的关键参数。由于经过小波变换后有效信号幅值相对集中，因而以上操作可以有效地去除偏离整体水平较大的噪声信号干扰，保留数据能量会更加集中在有效信号处，从而达到降噪目的。

接下来进行小波系数调整，常用方法主要包括硬阈值调整和软阈值调整：硬阈值调整后信号会出现突变的震荡点，软阈值调整会使估计的小波系数与真实小波系数存在恒定偏差，给重构信号带来误差。鉴于各自的缺点，这里采用改进的阈值处理方法。对x_temp(i)进行i＝1～N遍历，若|x＿temp(i)|＜T，则x＿temp(i)＝0；若|x_temp(i)|＞T，则

$x\_temp\left(i\right)=\left\{\begin{array}{cc}|x\_temp\left(i\right)|-\frac{2*T}{1+e^{k*(x\_temp{\left(i\right)}^2-T^2)}},& x\_temp\left(i\right)\&GreaterEqual;0\\ \frac{2*T}{1+e^{k*(x\_temp{\left(i\right)}^2-T^2)}}-|x\_temp\left(i\right)|,& x\_temp\left(i\right)<0\end{array}\right.$

其中k＝0.2～2，e＝2.71828。

采用改进的阈值调整方法，可以有效改善硬阈值调整存在的断点问题，同时，相对于软阈值调整，该方法能够保证更好的连续性，准确度更高，因而能达到较好的降噪目的。图5和图6分别显示了经过阈值调整后的粗节系数和第6层细节系数，由图可以看出，调整后，信号的某些噪声干扰已去除，有效信号特征更加明显。

4、小波逆变换：利用小波逆变换滤波器系数，针对上述调整后的小波粗节系数和6层细节系数进行处理，还原成时域信号，即降噪后的最终结果。

实施例(实验/仿真结果)

例如，在某型号发动机滑油系统油液金属颗粒在线监测系统中，由信号处理电路AD采样率为7.8kHz，待处理的数据点个数为1024，振动干扰为10～2000HZ的随机频率。在应用本发明的金属颗粒滤波算法时，小波变换应用6层分解。

在matlab环境下进行算法仿真，图7显示了降噪前后的波形，可以看出采用本发明的信号降噪算法，可以有效去除信号中的偏置及分量毛刺，获得高信噪比，达到预期效果。

最后，本领域的技术人员能够理解，对本发明的上述实施例能够做出各种修改、变型、以及替换，其均落入如所附权利要求限定的本发明的保护范围。

Claims (5)

1.一种发动机滑油金属颗粒在线监测的信号降噪方法，其中，从油液金属颗粒传感器得到原始监测信号，所述方法包括：

步骤1、去除所述原始监测信号的趋势成分；

步骤2、对步骤1得到的信号进行小波正变换，分别得到信号的高频部分和低频部分的小波系数；

步骤3、根据预定阈值，对步骤2得到的高频部分和低频部分的小波系数进行调整；

步骤4、根据在步骤3中调整后的小波系数，进行小波逆变换，得到降噪后的监测信号。

2.根据权利要求1所述的方法，其中，所述步骤1包括：

根据以下公式，去除所述原始监测信号的趋势成分：

$X\left(i\right)=X_{in}\left(i\right)-(a+b*(i-\frac{N}{2}\left)\right)$

$a=\frac{{\mathrm{\&Sigma;}}_0^{N-1}{X}_{in}\left(i\right)}{N}$

$b=\frac{{\mathrm{\&Sigma;}}_0^{N-1}{X}_{in}\left(i\right)(i-a)}{{\mathrm{\&Sigma;}}_0^{N-1}{(i-a)}^2}$

其中，其中X(i)代表去除趋势成分之后的信号数据，X_in(i)为原始监测信号数据，i为数据索引值，i＝1～N，N为采样数据个数。

3.根据权利要求1所述的方法，其中，所述步骤2包括：

选取db4小波基，对步骤1得到的信号进行小波分解，其中，db4小波基的低通滤波器系数h_n为{0.2303778，0.7148465，0.6308807，-0.0279837，-0.1870348，0.0308413，0.0328830，-0.0105974}，高通滤波器系数g_n为{-0.0105974，-0.0328830，0.0308413，0.1870348，-0.0279837，-0.6308807，0.7148465，-0.2303778}。

4.根据权利要求3所述的方法，其中，所述步骤2包括：

对信号进行6层小波分解，得到低频部分和6层高频部分的小波系数，将低频部分系数和第6层的高频部分系数作为步骤3的输入数据。

5.根据权利要求4所述的方法，其中，N＝1024，所述步骤3包括：

令x_temp(i)为第6层的高频部分的小波系数，i＝1～N，进行以下步骤：

步骤3-1、对数据x_temp(i)进行分段，令每段数据长度为128、且相邻两段数据有50％重叠率，

步骤3-2、求取各段数据的方差的最小值，若所述各段数据的方差的最小值小于10，则令var_min＝所述各段数据的方差的最小值，否则var_min＝10，利用以下公式得到阈值T′：

$T^{\&prime;}=\sqrt{2*\mathrm{var}\_min*ln\left(N\right)}$

步骤3-3、对所有x_temp(i)遍历，保留所有在(-T′，T′)范围内的数据，对保留的数据求解方差Var，并利用以下公式计算阈值T：

$T=\sqrt{2*Var*ln\left(N\right)}$

步骤3-4、对所有x_temp(i)进行遍历，若|x＿temp(i)|＜T，则x＿temp（i)＝0，否则

$x\_temp\left(i\right)=\left\{\begin{array}{cc}|x\_temp\left(i\right)|-\frac{2*T}{1+e^{k*(x\_temp{\left(i\right)}^2-T^2)}},& x\_temp\left(i\right)\&GreaterEqual;0\\ \frac{2*T}{1+e^{k*(x\_temp{\left(i\right)}^2-T^2)}}-|x\_temp\left(i\right)|,& x\_temp\left(i\right)<0\end{array}\right.$

其中k＝0.2～2，e＝2.71828；

令x_temp(i)为低频部分的小波系数，i＝1～N，重复进行上述步骤3-1至3-4。