CN105628189A - 一种直升机机体振动信号的自适应处理方法 - Google Patents
一种直升机机体振动信号的自适应处理方法 Download PDFInfo
- Publication number
- CN105628189A CN105628189A CN201610012377.8A CN201610012377A CN105628189A CN 105628189 A CN105628189 A CN 105628189A CN 201610012377 A CN201610012377 A CN 201610012377A CN 105628189 A CN105628189 A CN 105628189A
- Authority
- CN
- China
- Prior art keywords
- frequency
- signal
- sections
- digital signal
- vibration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种直升机机体振动信号的自适应处理方法,包含以下步骤:1、对采集到的直升机机体振动信号进行信号滤波处理,得到滤波后的数字信号;2、对滤波后的数字信号进行重叠分段,对每个分段数据进行谱估计,获得每个分段数据的振动频率点的幅值和相位;步骤3、分别计算六个分段、七个分段、八个分段数据的振动频率点的幅值和相位的累加平均;4、将三个平均值转换为极坐标系,计算三点之间任意两点的距离并取最大值,计算该最大值与八段平均值到极坐标零点距离的比值,如果比值小于等于5%,那么给出八段平均值作为测量结果。本发明可根据直升机振动环境的恶劣程度自适应的调节测量次数与测量时间,提高机体振动的测量精度。
Description
技术领域
本发明涉及一种直升机机体振动信号的自适应处理方法,可应用于直升机等大型低转速旋转机械机体的状态监控、动平衡调整、故障诊断与健康管理,属于航空试验与测试领域。
背景技术
直升机具有灵活方便的使用特点,在军事及民用中发挥着越来越重要的作用,但是直升机机体振动不仅会造成机械结构的疲劳度,缩短飞机的使用寿命,而且使得空勤人员的执行效率降低和仪表设备失效等,严重时危及到机组人员的生命安全。因此,在直升机日常使用以及维护保养中必须对直升机机体振动进行准确测量和监控,为直升机飞行安全状态监控、故障诊断以及健康管理提供信息来源。但直升机机体振动有其自身特殊性:1)由于直升机上不同的振源,不同的频率及不规则的作用使得振动分析非常复杂;2)直升机由于其动力源和结构上特点使机体始终处于主旋翼和尾桨为主的强干扰源下作强迫振动。其振动的特点是:随机信号上叠加其几个强正弦信号,正弦信号的幅值又带有随机性;干扰频率成分较复杂且主干扰源的频率较低;机体刚体姿态频率很低。这些特点决定现有的频域傅里叶变换或时域滤波等处理方法难达到理想的测量效果,另外传统方法对不同振动环境下信号处理方法一般相同,导致复杂振动环境下测量精度降低,而简单振动环境下测量效率较低。因此需要一种根据直升机机体振动复杂程度的自适应信号处理方法,既保证测量精度又提高测量效率。
发明内容
针对已有技术存在的不足,本发明的目的在于提供一种直升机机体振动信号的自适应处理方法。
本发明的发明目的通过以下技术方案实现:
一种直升机机体振动信号的自适应处理方法,包含以下步骤:
步骤1、对采集到的直升机机体振动信号进行信号滤波处理,得到滤波后的数字信号;
步骤2、对滤波后的数字信号进行重叠分段,对每个分段数据进行谱估计,获得每个分段数据的振动频率点的幅值和相位;
步骤3、分别计算六个分段数据的振动频率点的幅值和相位的累加平均、七个分段数据的振动频率点的幅值和相位的累加平均、八个分段数据的振动频率点的幅值和相位的累加平均,得到六段平均值、七段平均值、八段平均值;
步骤4、将六段平均值、七段平均值、八段平均值转换为极坐标系,计算三点之间任意两点的距离并取最大值,计算该最大值与八段平均值到极坐标零点距离的比值,如果比值小于等于5%,那么给出八段平均值作为测量结果;
步骤5、如果比值大于5%,继续测量,增加下一分段数据,所有原有计算数据整体向左移动一分段,将新增的分段数据放置最右,重复执行步骤3、步骤4,直至比值小于5%给出测量结果。
优选地,所述信号滤波处理包含以下步骤:
步骤1.1、滤除采集到的直升机机体振动信号中的高频噪声和低频气动干扰,得到滤波模拟信号;
步骤1.2、以直升机机体振动信号的频率的2的正整数次幂为采样率对滤波模拟信号进行采样,得到高频数字信号;
步骤1.3、采用二级抽取的方式对高频数字信号进行重采样;
步骤1.4、对重采样后的高频数字信号先进行加窗处理,再与滤波器单位脉冲响应进行卷积,最终得到滤波后的数字信号。
优选地,所述重叠分段根据滤波后的数字信号的频率范围进行重叠率调整。
优选地,所述谱估计采用离散傅里叶变换方法。
本发明的一种直升机机体振动的自适应信号处理方法,通过模拟滤波、过采样与重抽样以及数字滤波去除了除信号频率外的其他干扰频率,通过分段谱估计与阀值界定实时自适应根据信号稳定性调整累加平均测量次数,提高测量结果准确性和稳定性,而且信号稳定情况下,测量次数越少,测量效率越高;信号复杂情况下,测量次数随之增加,测量效率降低,但测量稳定性和准确性提高,达到自适应的效果。
附图说明
图1本发明信号处理方法的过程概要图。
图2本发明数字信号处理过程的详细实现图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明的。
如图1所示,一种直升机机体振动信号的自适应处理方法,包括模拟滤波1、过采样率采样2、重采样3,数字滤波4,分段谱估计5,谱平均6,阀值界定7。直升机机体振动信号通过所述模拟滤波1滤除高频噪声和低频气动干扰后,通过所述过采样率采样2的高频采样转换为数字信号,然后经过所述重采样3限制信号截止频率在奈奎斯特频率附近,接着进行所述数字滤波4的数字滤波,滤波后的数据按照所述分段谱估计5进行振动幅值和相位的估计,紧接着按照所述谱平均6进行各段谱估计值的平均,最后根据平均结果和所述阈值界定7来判定给出测量结果。下面对各个步骤作详细说明。
所述模拟滤波1,用于滤除采集到的直升机机体振动信号中高频噪声和低频气动干扰。采用模拟带通滤波器,高通滤波阶数不低于2阶,低通滤波阶数不低于6阶。
所述过采样率采样2,采用比输入信号的比奈奎斯特频率高很多的频率进行抽样,得到高频数据信号。通过过采样率采样2使量化噪声分布在较宽的频带来降低噪声水平,使得较少位数的模数转换器件达到与高分辨率模数转换器件相同的信噪比性能,实现过程中过采样的采样率不大于4KHz,一般选取为直升机机体振动信号的频率的2的正整数次幂。
所述重采样3,实现过程中采用信号二级抽取的方式进行采样率降低。即首先以M1(正整数)的抽取系数进行抽取,然后再以M2(正整数)的抽取系数进行抽取,最终使得采样率降至信号频率四倍左右,可以有效放宽模拟端的抗混叠滤波器,减轻数字滤波器的设计难度,并且滤波器的总有限字长效应也比较小,从而降低数据存储和运算量。
所述数字滤波4,采用FIR数字滤波器,剔除其他频率成分的干扰,得到滤波后的数字信号。重采样后的信号以M点为一段进行加窗处理,然后与滤波器单位脉冲响应进行卷积,最终得到加窗滤波后的信号。M是2的正整数次幂,不低于64。
所述分段谱估计5,对滤波后的数字信号进行重叠分段,并根据滤波后的数字信号的频率范围进行重叠率调整,4-8Hz时重叠率为75%,8-16Hz时重叠率为50%,16Hz以后重叠率为0。谱估计采用离散傅里叶变换,每分段(即S个数据)经过离散傅里叶变换获得振动频率点的幅值Am和相位ph。
所述谱平均6,对六个分段进行累加平均后得到6组(Am、ph)的六段平均值对七个分段进行累加平均后得到7组(Am、ph)的七段平均值对八个分段进行累加平均后得到8组(Am、ph)的七段平均值
所述阀值界定7,首先将所述谱平均6的三组平均值 转换为极坐标系,然后计算极坐标下三点 之间任意两点距离的最大值,即:取该最大值与ρ8的比值。如果比值小于等于5%,那么给出第八次的平均结果即为测量结果;如果比值大于5%,继续测量,增加下一分段数据,所有原有计算数据整体向左移动一分段,将新增的分段数据放置最右,并按所述分段谱估计5、谱平均6、阀值界定7重复计算流程,并进行判断,直至比值小于5%给出测量结果;如果直至测量40分段数据,比值依然大于5%,那么报错,此次测量不能得出准确稳定的结果。
本发明发明的一种直升机机体振动的自适应信号处理方法,通过模拟滤波、过采样与重抽样以及数字滤波去除了除信号频率外的其他干扰频率,通过分段谱估计与阀值界定实时自适应根据信号稳定性调整累加平均测量次数,提高测量结果准确性和稳定性,而且信号稳定情况下,测量次数越少,测量效率越高;信号复杂情况下,测量次数随之增加,测量效率降低,但测量稳定性和准确性提高,达到自适应的效果。
可以理解的是,对本领域普通技术人员来说,可以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,而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (4)
1.一种直升机机体振动信号的自适应处理方法,包含以下步骤:
步骤1、对采集到的直升机机体振动信号进行信号滤波处理,得到滤波后的数字信号;
步骤2、对滤波后的数字信号进行重叠分段,对每个分段数据进行谱估计,获得每个分段数据的振动频率点的幅值和相位;
步骤3、分别计算六个分段数据的振动频率点的幅值和相位的累加平均、七个分段数据的振动频率点的幅值和相位的累加平均、八个分段数据的振动频率点的幅值和相位的累加平均,得到六段平均值、七段平均值、八段平均值;
步骤4、将六段平均值、七段平均值、八段平均值转换为极坐标系,计算三点之间任意两点的距离并取最大值,计算该最大值与八段平均值到极坐标零点距离的比值,如果比值小于等于5%,那么给出八段平均值作为测量结果;
步骤5、如果比值大于5%,继续测量,增加下一分段数据,所有原有计算数据整体向左移动一分段,将新增的分段数据放置最右,重复执行步骤3、步骤4,直至比值小于5%给出测量结果。
2.根据权利要求1所述的自适应处理方法,其特征在于所述信号滤波处理包含以下步骤:
步骤1.1、滤除采集到的直升机机体振动信号中的高频噪声和低频气动干扰,得到滤波模拟信号;
步骤1.2、以直升机机体振动信号的频率的2的正整数次幂为采样率对滤波模拟信号进行采样,得到高频数字信号;
步骤1.3、采用二级抽取的方式对高频数字信号进行重采样;
步骤1.4、对重采样后的高频数字信号先进行加窗处理,再与滤波器单位脉冲响应进行卷积,最终得到滤波后的数字信号。
3.根据权利要求1所述的自适应处理方法,其特征在于所述重叠分段根据滤波后的数字信号的频率范围进行重叠率调整。
4.根据权利要求1所述的自适应处理方法,其特征在于所述谱估计采用离散傅里叶变换方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610012377.8A CN105628189B (zh) | 2016-01-08 | 2016-01-08 | 一种直升机机体振动信号的自适应处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610012377.8A CN105628189B (zh) | 2016-01-08 | 2016-01-08 | 一种直升机机体振动信号的自适应处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105628189A true CN105628189A (zh) | 2016-06-01 |
CN105628189B CN105628189B (zh) | 2018-07-27 |
Family
ID=56043335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610012377.8A Active CN105628189B (zh) | 2016-01-08 | 2016-01-08 | 一种直升机机体振动信号的自适应处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105628189B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106500829A (zh) * | 2016-09-30 | 2017-03-15 | 广州机智云物联网科技有限公司 | 一种自适应采样频率追踪方法 |
CN108426690A (zh) * | 2018-01-22 | 2018-08-21 | 浙江大学 | 基于交叠残周期采样的振级快速调整方法 |
CN108444590A (zh) * | 2018-01-22 | 2018-08-24 | 浙江大学 | 基于交叠周期采样的振级快速调整方法 |
CN108444591A (zh) * | 2018-01-22 | 2018-08-24 | 浙江大学 | 残周期采样确定振动台振级的方法 |
CN112326164A (zh) * | 2020-09-25 | 2021-02-05 | 中国航空工业集团公司上海航空测控技术研究所 | 一种共轴正反转双旋翼振源分离方法 |
CN112556930A (zh) * | 2020-12-25 | 2021-03-26 | 中国人民解放军32382部队 | 一种直升机动部件振动信号数据质量计算方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200118A (zh) * | 2014-09-15 | 2014-12-10 | 吉林大学 | 自动平衡机振动信号处理方法 |
CN104614166A (zh) * | 2015-01-29 | 2015-05-13 | 西北工业大学 | 一种飞机发动机转子振动信号故障状态识别的方法 |
US20150330867A1 (en) * | 2014-05-16 | 2015-11-19 | RMCI, Inc. | Diagnosis of gear condition by comparing data from coupled gears |
-
2016
- 2016-01-08 CN CN201610012377.8A patent/CN105628189B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150330867A1 (en) * | 2014-05-16 | 2015-11-19 | RMCI, Inc. | Diagnosis of gear condition by comparing data from coupled gears |
CN104200118A (zh) * | 2014-09-15 | 2014-12-10 | 吉林大学 | 自动平衡机振动信号处理方法 |
CN104614166A (zh) * | 2015-01-29 | 2015-05-13 | 西北工业大学 | 一种飞机发动机转子振动信号故障状态识别的方法 |
Non-Patent Citations (3)
Title |
---|
BIQING WU 等: "VIBRATION MONITORING FOR FAULT DIAGNOSIS OF HELICOPTER PLANETRY GEARS", 《IFAC PUBLICATIONS》 * |
基于TSA的直升机传动系统振动信号处理: "付海燕 等", 《计算机测量与控制》 * |
孙灿飞 等: "直升机振动信号处理技术的研究", 《测控技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106500829A (zh) * | 2016-09-30 | 2017-03-15 | 广州机智云物联网科技有限公司 | 一种自适应采样频率追踪方法 |
CN108426690A (zh) * | 2018-01-22 | 2018-08-21 | 浙江大学 | 基于交叠残周期采样的振级快速调整方法 |
CN108444590A (zh) * | 2018-01-22 | 2018-08-24 | 浙江大学 | 基于交叠周期采样的振级快速调整方法 |
CN108444591A (zh) * | 2018-01-22 | 2018-08-24 | 浙江大学 | 残周期采样确定振动台振级的方法 |
CN112326164A (zh) * | 2020-09-25 | 2021-02-05 | 中国航空工业集团公司上海航空测控技术研究所 | 一种共轴正反转双旋翼振源分离方法 |
CN112556930A (zh) * | 2020-12-25 | 2021-03-26 | 中国人民解放军32382部队 | 一种直升机动部件振动信号数据质量计算方法 |
CN112556930B (zh) * | 2020-12-25 | 2023-03-03 | 中国人民解放军32382部队 | 一种直升机动部件振动信号数据质量计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105628189B (zh) | 2018-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105628189A (zh) | 一种直升机机体振动信号的自适应处理方法 | |
CN107356432B (zh) | 基于频域窗经验小波共振解调的滚动轴承故障诊断方法 | |
CN104819766B (zh) | 基于谐噪比的包络解调频带确定方法 | |
CN107956708A (zh) | 一种基于快速谱峭度分析的泵潜在空化故障检测方法 | |
CN103308152B (zh) | 基于瞬时频率估计的旋转机械振动信号角域重采样方法 | |
CN110046476B (zh) | 滚动轴承故障的三元二进分形小波稀疏诊断方法 | |
CN107941510A (zh) | 基于等角度双重采样的滚动轴承故障特征的提取方法 | |
CN109827777A (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
CN109186964A (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
CN109813547A (zh) | 基于稀疏分解优化算法的旋转机械局部型故障诊断方法 | |
CN106096200B (zh) | 一种基于小波分解和谱峭度的包络分析方法 | |
Xu et al. | An adaptive spectrum segmentation method to optimize empirical wavelet transform for rolling bearings fault diagnosis | |
Zhao et al. | Rolling bearing composite fault diagnosis method based on EEMD fusion feature | |
Shi et al. | The VMD-scale space based hoyergram and its application in rolling bearing fault diagnosis | |
CN108801634A (zh) | 基于奇异值分解和优化的频带熵提取轴承故障特征频率的方法及其应用 | |
CN111896260A (zh) | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 | |
CN108398260B (zh) | 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法 | |
CN108388839A (zh) | 一种基于二阶同步提取变换的强转速波动特征提取方法 | |
CN114218778A (zh) | 一种用于声爆试验数据的分析方法及装置 | |
Wei et al. | Fault diagnosis of bearings in multiple working conditions based on adaptive time-varying parameters short-time Fourier synchronous squeeze transform | |
Li et al. | Multi-fault diagnosis of rotating machinery via iterative multivariate variational mode decomposition | |
Truong et al. | Harmonic and broadband separation of noise from a small ducted fan | |
Li et al. | Fault diagnosis of train axle box bearing based on multifeature parameters | |
Xiong et al. | Early fault diagnosis of rolling bearings based on parameter-adaptive multipoint optimal minimum entropy deconvolution adjusted and dynamic mode decomposition | |
Zhou et al. | Multi-node feature learning network based on maximum spectral harmonics-to-noise ratio deconvolution for machine condition monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |