CN109684898A - 航空发动机及其振动信号盲分离方法和装置 - Google Patents

航空发动机及其振动信号盲分离方法和装置 Download PDF

Info

Publication number
CN109684898A
CN109684898A CN201710969110.2A CN201710969110A CN109684898A CN 109684898 A CN109684898 A CN 109684898A CN 201710969110 A CN201710969110 A CN 201710969110A CN 109684898 A CN109684898 A CN 109684898A
Authority
CN
China
Prior art keywords
source
signal
channel
observation
frequency
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.)
Pending
Application number
CN201710969110.2A
Other languages
English (en)
Inventor
王凤森
张永强
牛超阳
顾晓华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
AECC Commercial Aircraft Engine Co Ltd
Original Assignee
AECC Commercial Aircraft Engine Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by AECC Commercial Aircraft Engine Co Ltd filed Critical AECC Commercial Aircraft Engine Co Ltd
Priority to CN201710969110.2A priority Critical patent/CN109684898A/zh
Publication of CN109684898A publication Critical patent/CN109684898A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/22—Source localisation; Inverse modelling
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Engines (AREA)

Abstract

本发明公开一种航空发动机及其振动信号盲分离方法和装置。该方法包括：采用小波变换估计系统的源个数，并估计每个源对应的基频；获取每个观测通道中的源信号；根据能量关系确定每个源信号的最优估计值。本发明通过采用小波变换估计系统的源个数，获取每个观测通道中的源信号，可以有效地抑制观测信号中的噪声干扰，并可以实现对相互耦合的振动源信号的有效分离。

Description

航空发动机及其振动信号盲分离方法和装置
技术领域
本发明涉及航空发动机领域，特别涉及一种航空发动机及其振动信号盲分离方法和装置。
背景技术
随着旋转机械向着高速高负载方向发展，对旋转机械实时的状态监测变得尤为重要，而振动信号分析是一种非常有效的旋转机械状态监测方法。但是由于旋转机械结构的复杂性以及工作条件的限制，状态监测的传感器一般不能直接布置在主要振动源的附近，而只能布置在机械的外壳和距离振动源较近的位置等合适的部位，例如对航空发动机进行状态监测时，传感器一般布置在发动机的机匣上，这就导致传感器测得的振动信号，一般称作“观测信号”，通常是机械中不同部件产生的振动源和噪声的一种混合信号，直接对这中观测信号进行诊断存在较大的误差，甚至导致错误的结果。
盲分离技术近年来在信号处理，图像恢复，系统的盲辨识等各个方面有了广泛的应用，是各个信号相关领域的热点，现已涌现出很多优秀的算法。有基于某种统计量如峭度或基于最大似然估计准则而进行迭代思想的盲分离算法，如FastICA算法，Sobi算法，Jade算法，WaSobi算法，Informax算法等。这类算法通常应用到正定场合，过于依赖先验信息，并且刚干扰能力参差不齐，难以除去信号的相关性，无法判断信号源个数等缺陷。
发明内容
鉴于以上技术问题，本发明提供了一种航空发动机及其振动信号盲分离方法和装置，可以有效地抑制观测信号中的噪声干扰。
根据本发明的一个方面，提供一种航空发动机振动信号盲分离方法，包括：
采用小波变换估计系统的源个数，并估计每个源对应的基频；
获取每个观测通道中的源信号；
根据能量关系确定每个源信号的最优估计值。
在本发明的一个实施例中，所述方法还包括：
根据源信号来自于传感器的位置，结合发动机高低压转速确定源的位置。
在本发明的一个实施例中，所述采用小波变换估计系统的源个数，并估计每个源对应的基频包括：
使用连续小波变换将每个通道的观测信号分解到不同的小波尺度上；
去除谐波成分，估计每个通道观测信号中的主要频率数；
整合每个通道观测信号的主要频率，估计整个系统的主要频率数，根据整个系统的主要频率数确定系统的源个数，并确定每个源对应基频。
在本发明的一个实施例中，所述采用小波变换估计系统的源个数，并估计每个源对应的基频还包括：
根据源振动信号基频的频率范围以及不同小波尺度上对应的伪频率，确定小波尺度范围；之后执行使用连续小波变换将每个通道的观测信号分解到不同的小波尺度上的步骤。
在本发明的一个实施例中，所述获取每个观测通道中的源信号包括：
采用时间同步平稳法从每个观测通道上提取每个源信号。
在本发明的一个实施例中，所述根据能量关系确定每个源信号的最优估计值包括：
对于每个源信号，使用源信号的二范数确定所述源信号的最优估计值。
根据本发明的另一方面，提供一种航空发动机振动信号盲分离装置，包括：
源个数确定模块，用于采用小波变换估计系统的源个数，并估计每个源对应的基频；
源信号获取模块，用于获取每个观测通道中的源信号；
源信号估计模块，用于根据能量关系确定每个源信号的最优估计值。
在本发明的一个实施例中，所述装置还包括：
源定位模块，用于根据源信号来自于传感器的位置，结合发动机高低压转速确定源的位置。
在本发明的一个实施例中，源个数确定模块包括：
观测信号分解单元，用于使用连续小波变换将每个通道的观测信号分解到不同的小波尺度上；
通道频率数确定单元，用于去除谐波成分，估计每个通道观测信号中的主要频率数；
源个数确定单元，用于整合每个通道观测信号的主要频率，估计整个系统的主要频率数，根据整个系统的主要频率数确定系统的源个数，并确定每个源对应基频。
在本发明的一个实施例中，源个数确定模块包括：
小波尺度范围确定单元，用于根据源振动信号基频的频率范围以及不同小波尺度上对应的伪频率，确定小波尺度范围；之后观测信号分解单元执行使用连续小波变换将每个通道的观测信号分解到不同的小波尺度上的操作。
在本发明的一个实施例中，源信号获取模块用于采用时间同步平稳法从每个观测通道上提取每个源信号。
在本发明的一个实施例中，源信号估计模块用于对于每个源信号，使用源信号的二范数确定所述源信号的最优估计值。
根据本发明的另一方面，提供一种航空发动机振动信号盲分离装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述的方法步骤。
根据本发明的另一方面，提供一种航空发动机，包括如上述任一实施例所述的航空发动机振动信号盲分离装置。
本发明通过采用小波变换估计系统的源个数，获取每个观测通道中的源信号，可以有效地抑制观测信号中的噪声干扰，并可以实现对相互耦合的振动源信号的有效分离。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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1为盲分离技术的基本原理图。
图2为本发明航空发动机振动信号盲分离方法一个实施例的示意图。
图3为本发明航空发动机振动信号盲分离方法另一实施例的示意图。
图4为本发明时间同步平稳法的原理图。
图5为模拟航空发动机的源信号的时域图以及幅频图。
图6为模拟混合信号的时域和频域图。
图7为本发明一个实施例中基频为325Hz源的最优估计。
图8为SOBI算法的分离结果。
图9为单通道盲分离算法分离结果。
图10为本发明小波变换和时间同步平稳的盲分离算法的分离结果。
图11为本发明航空发动机振动信号盲分离装置一个实施例的示意图。
图12为本发明一个实施例中源个数确定模块的示意图。
图13为本发明航空发动机振动信号盲分离装置另一实施例的示意图。
图14为本发明航空发动机振动信号盲分离装置又一实施例的示意图。
具体实施方式
下面将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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
申请人发现：盲源分离形象来说，就好比在一个聚会上拿出几把手机同时录音，有人的说话声有音乐有噪声等等，并将这些录音拿给聚会外的人听，分辨出聚会上每个人讲的话。盲源分离应用于故障诊断，是因为机械系统一般由较大数量的结构部件组成，机械系统运作起来，每个部件都有自己的规则特征，并通过系统传递叠加在一起。这时候应用盲源分离可以从观测信号中将各个源信号分离出来以供故障诊断。盲分离技术的基本原理图如图1所示。
但是盲分离技术的实现需要几个前提条件：第一，各个源相互统计独立；第二，各个源之间是线性混合或者卷积混合；第三，噪声为高斯白噪声，且噪声与源相互统计独立。
但是航空发动机机匣观测振动信号并不完全满足这几个条件。首先航空发动机是一个有机整体，各个振动源之间是通过各种弹性体杆件或者是壳体结构连接在一起的，因此各个源信号之间的振动会相互耦合影响，不是严格意义上的相互独立；其次航空发动机由于其结构的复杂性以及故障的多样性，很难得到发动机振动源个数等先验知识，因此就不能确定观测信号的数目，但是，如果观测信号的数目小于源的数目时，算法就不能准确的将各个源信号有效的分离开。航空发动机观测振动信号一般存在强噪声干扰，通常情况下，把噪声作为单独的一个源信号进行分离，但是噪声混入到观测信号中的形式多种多样，不同的混合形式就需要不同的分离方法，而且大部分的盲分离技术是在不考虑噪声的情况下进行的，通过大量的模拟和试验验证，表明当观测信号中存在大量噪声时，盲分离技术的分离效果会受到干扰。
申请人发现：将盲分离技术应用到实测航空发动机机匣振动信号的分离上主要解决以下难点问题：
第一、源信号的相互耦合问题。一般情况下，将航空发动机内部的几个主要振动部件当作航空发动机的几个主要振动源，包括高压轴振动源，低压轴振动源，燃烧室振动源，附件机匣振动源等，这些振动源部件之间是通过连接机构相互联系的，物理结构上不是完全独立，一个振动源的振动可能会干扰另一个振动源的振动，源信号之间相互耦合，不满足源信号完全独立的条件。
第二、噪声等干扰较强。经典盲分离算法要求不存在噪声或噪声干扰较小，并且噪声和源信号之间满足统计独立，但是实测航空发动机机匣振动信号噪声干扰较大，且噪声不完全是高斯白噪声。
第三、能量失真问题。由于经典盲分离技术需要对观测信号进行归一化处理，导致分离后源信号幅值失真，这严重影响到对信号程度的判断。
因此，申请人提出了一种基于小波变换和时间同步平稳处理的盲分离方法，来解决上述问题。
图2为本发明航空发动机振动信号盲分离方法一个实施例的示意图。优选的，本实施例可由本发明航空发动机振动信号盲分离装置执行。该方法包括以下步骤：
步骤21，使用基于小波变换的源个数估计方法估计每列观测信号源个数，并估计每个源对应的基频，其中所述基于小波变换的源个数估计方法为通过小波分解，频谱分析，确定系统的源个数的方法。
步骤22，获取每个观测通道中的源信号。
在本发明的一个实施例中，步骤22可以包括：采用时间同步平稳法从每个观测通道上提取每个源信号，其中，所述时间同步平稳法为根据转速对应的基频，提取谐波和次谐波成分的方法。
步骤23，由于传感器布置位置不同，不同传感器测得的同一源信号的强度不同，可以根据能量关系选出最能反映某一信号源的估计源信号。
在本发明的一个实施例中，步骤23可以包括：对于每个源信号，使用源信号的二范数确定所述源信号的最优估计值。
在本发明的一个实施例中，在步骤23之后，所述方法还可以包括：
根据源信号来自于传感器的位置，结合发动机高低压转速等先验知识，初步判断源的位置。
基于本发明上述实施例提供的航空发动机振动信号盲分离方法，可以将小波变换和时间平稳处理综合应用于盲分离处理。本发明上述实施例对振动信号小波分解后进行谱分析，结合航空发动机振动信号特征，可较好地解决源信号的相互耦合问题。本发明上述实施例采用时间同步平稳法，能够有效地提取信号中的周期及谐波成分，抑制噪声。
本发明上述实施例基于二范数进行最优源判别。本发明上述实施例从不同观测通道提取的同一个源信号都是来自于相同的源，估计出的能量越大的源信号越接近真实的源信号，二范数的平方操作使判据数值更大，源信号判别更容易。
图3为本发明航空发动机振动信号盲分离方法另一实施例的示意图。优选的，本实施例可由本发明航空发动机振动信号盲分离装置执行。该方法包括以下步骤：
步骤1，源个数估计。
由于单通道的提供的信息不足以进行盲分离，通过小波变换可以将信号分解到各个小波尺度上，这样就可以从单通道上提取更多的信息。由于连续小波变换相对于离散小波变换有着更好的频率分辨率等，故本申请采用连续小波变换，一般选择Morlet小波基函数，因为在形状上Morlet小波基函数和机械故障信号比较接近。
在本发明的一个实施例中，步骤1可以包括：
步骤11，根据研究频率范围确定小波尺度范围[L*,L]。在信号分解的过程中，小波尺度数L的选择至关重要。为了既能保证计算精度又保证计算效率，根据源振动信号基频的频率范围以及不同小波尺度上对应的伪频率，估计小波尺度数。
如公式(1)所示，每一个小波尺度都对应了一个小波伪频率，源最小基频(minfinterest)应该大于等于最大尺度对应的伪频率，源最大基频应该小于等于最小尺度对应的伪频率，即
公式(1)中，a表示小波尺度，L和L*分别表示小波尺度的上下界，表示小波伪频率。
根据公式(1)就可以求出小波尺度上界限和下界限。
步骤12，使用连续小波变换将每个通道的观测信号分解到不同的小波尺度Wi(a,b)上。
对观测信号xi(t)(i＝1,…,M)进行连续小波变换，得到小波分解系数Wi(a,b)，其中，i为通道标号，i的取值范围为从1到M的自然数，M为通道的总数；a为小波尺度，a的取值范围为从1到L的自然数，L为小波尺度的上界；b表示小波变换的时延系数，如图3所示，b的取值范围为从1到Tn的自然数，Tn表示观测信号x的采样点数。
步骤13，去除谐波成分，估计每个通道观测信号中的主要频率数。
对每个通道的小波分解后的系数Wi(a,b)进行快速傅里叶变换，得到每个通道的频谱{FWi,a(f)}，每个通道的频谱在每个尺度上都应该有一个极大值，每个幅值对应一个基频，这些频谱上的极大值对应的基频最有可能和源信号相关，被称为主要频率并且用公式(2)表示。为了确定源个数，在各个尺度上的主要频率应该首先被确定。
fi,a(a＝1,…,L；i＝1,…,M) (2)
步骤14，整合每个通道观测信号的主要频率，估计整个系统的主要频率数；根据整个系统的主要频率数确定系统的源个数，并确定每个源对应基频。
在某一尺度上的主要频率可能是其它尺度主要频率的谐波成分，如果是这种情况，这个主要频率不应被当做一个独立源。此外许多尺度上的主要频率不在所研究的范围。主要频率中满足以上两个条件的被称为可能的主要频率，可能的主要频率的个数P，即通过该通道估计出的源个数。
如图3所示，M个通道上的主要频率分别为：
通道1上有P1个主要频率：
通道2上有P1个主要频率：
通道M上有PM个主要频率：
根据M个通道上的主要频率可以估计整个系统的主要频率数(即，系统的源个数)为P个。
P个源的对应基频分别为f1,f2,...,fP。
步骤2.源主要成分提取
时间同步平稳法是一种有效的提取周期成分的工具，它相当于一类特殊的梳状滤波器，在已知源信号基频的情况下，时间同步平稳法可以有效的提取出源信号中的谐波及次谐波成分。
为了提取周期为T(对应基频为fp)的信号的相关成分(包括谐波和次谐波)，首先对信号进行重采样，采样频率一般设为基频fp的整数倍，然后将信号分成D段，每一段的长度为T，即每一段为基频对应的一个周期的时长，设每一段有Q个点。
图4为本发明时间同步平稳法的原理图。图4中观测信号xi(t)被分成D段，每一段的时长为T，点数为Q，时间同步平均法的即对每一段同一位置的点进行平均(参考图4中的黑点)
对第i个通道上的观测信号xi(t)，根据上面的定义，根据时间同步平稳法获取的每个源的主要成分如公式(3)所示，其中r表示段序号，r的取值范围为从0至D-1的自然数。
当需要提取源信号中的次谐波成分时，如需要提取同步平均时，将信号分成m×D段即可。
步骤3.最优源估计
用时间同步平稳法能够在每个观测通道上提取出该源信号的一个估计，用Sji(j＝1,2,...,P；i＝1,2,...,M)表示从第i个观测通道上提取出的第j个源信号，接下来需要对所有通道提取的同一个源信号进行优化，选择最优的源信号作为该源信号的最终估计。当传感器比较靠近某个源时，它捕捉到的该源的能量较大，那么从该观测通道提取出的源信号最能反映真实的源信号的信息。根据上述假设，我们以二范数为标准确定最优源，因为二范数最能反映信号的能量信息。
设Sj(j＝1,2,...,P)表示第j个源信号的最优估计，那么第j个源信号的最优估计应该满足公式(4)。
公式(4)中，上标“2”表示该信号的二范数。根据上式确定每一个源信号的最优估计。
步骤4.源初步定位。
结合源的基频以及各主要部件的转速，可以对源信号实现粗略定位。例如，如果某估计源的基频为738Hz，而高压轴转速对应基频同样为738Hz，那么可以判断该估计源位于高压轴。
联合小波变换和时间同步平稳的盲分离技术是本发明提出的一种针对航空发动机振动信号分离的方法，本发明上述实施例能够有效地估计航空发动机中的振动源，并提取每个振动源对应的基频，谐波和次谐波成分。此外，结合先验经验，本发明上述实施例可实现源信号的初步定位。本发明上述实施例在分析观测信号时，采用每个通道单独分析的方法，因为每个通道对应一个传感器，每个传感器总是能有效地反应它附近的几个振动源的情况。本发明上述实施例通过分析所有的通道的观测信号，就可以把发动机上各个源的振动信息有效地反映出来。
下面通过具体的数值算例和试验案例来说明本发明航空发动机振动信号盲分离方法的技术效果。
一、数值模拟信号验证专利算法效果
图5为模拟航空发动机的源信号的时域图以及幅频图。图6为模拟混合信号的时域和频域图。如6所示，混合信号(4个测试通道由740Hz，348Hz，325Hz及其谐波信号，信噪比为3dB的高斯白噪声混合组成)。
按照图2或图3实施例的航空发动机振动信号盲分离方法进行盲分离。
第一步：估计源个数及对应基频
首先估计每个通道的源个数，设置频率范围为[300Hz,800Hz].每个通道的估计出的源个数见表1所示。
表1
通道序号 估计源个数 源对应基频(Hz)
通道1 2 348,740
通道2 2 325,740
通道3 2 348,740
通道4 2 348,740
从4个观测通道中统计每个源信号出现的次数，峰值数即为源个数。可以看出，系统中含有3个振动源，对应基频分别为325Hz、348Hz、740Hz。
第二步：分别从每个观测通道提取源(以基频为325Hz的源为例)。
使用时间同步平稳法提取基频为325Hz的源信号。
第三步：确定源的最优估计(以基频为325Hz的源为例)
图7为本发明一个实施例中基频为325Hz源的最优估计。从图7可以看出，本发明上述实施例有效地提取出了基频为325Hz的源信号中的主要成分，包括谐波成分。对比图7和图5，基频为325Hz的源信号即为模拟信号源3，它们的主要频率成分(325Hz，652Hz)和对应幅值比(0.3384:1.162＝1:3.4，0.5:1.6＝1:3.2)基本一致。说明本发明上述实施例的算法基本上分离出的模拟源信号3(325Hz及652Hz谐波信号)。同理可以分离出模拟源信号1和模拟源信号2。
二、实测发动机信号对比经典盲分离算法验证新算法效果
为了说明本专利所提算法的分离效果，分别使用经典的SOBI(Second OrderBlind Identification，二阶盲辨识)算法，单通道盲分离算法，本发明小波变换和时间同步平稳的盲分离算法分别对某实测航空发动机机匣观测信号进行信号分离，此时高压轴转频为737Hz，低压轴转频为348Hz。
分离结果如图8，图9，图10所示。图8为SOBI算法的分离结果。图9为单通道盲分离算法分离结果。图10为本发明小波变换和时间同步平稳的盲分离算法的分离结果。
图8和图9是SOBI算法、单通道盲分离算法的分离结果，可以看出，SOBI算法没能将高低压轴振动源提取出；SOBI算法和单通道盲分离算法分离后的三个源信号中，高压轴振动源(基频737Hz)，低压轴振动源(基频348Hz)和燃烧室振动源(650Hz)仍然混合在一起，没有有效地区分开。
图10是本发明小波变换和时间同步平稳的盲分离算法的分离结果，可以看出，本发明上述实施例所用算法提取出了低压轴、燃烧室和高压轴振动源的基频，谐波成分和一些次谐波成分，观测信号中的噪声成分被有效地抑制，源中几乎不再含有噪声干扰。此外，本发明上述实施例中，主要源的幅值的大小也得到了完整的保留，有利于对源的振动程度作进一步的分析。结合先验知识，可以判断本发明上述实施例可以分离出的航空发动机内部的主要振动源。
本发明上述实施例联合小波变换和时间同步平稳的盲分离方法是一种针对航空发动机振动信号分离的方法，本发明上述实施例能够有效地估计航空发动机中的振动源，并提取每个振动源对应的基频，谐波和次谐波成分。此外，本发明上述实施例的方法还可以实现源信号的粗略定位。
由于航空发动机的整体结构比较大，一个传感器很难反映出其整体的振动信息特点，为了能够更为准确的反应航空发动机整体振动以及各个部位振动特点，一般布置传感器时，应在发动机上布置几个典型的监测截面，每个截面上在相互垂直的位置上布置两个传感器。这样可以大大增加观测通道数，更能准确的测试发动机的整体振动情况。
而本发明上述实施例在分析观测信号时，采用每个通道单独分析的方法，因为每个通道对应一个传感器，每个传感器总是能有效地反应它附近的几个振动源的情况。本发明上述实施例通过分析所有的通道的观测信号，就可以把发动机上各个源的振动信息有效地反映出来。
图11为本发明航空发动机振动信号盲分离装置一个实施例的示意图。如图11所示，所述航空发动机振动信号盲分离装置包括源个数确定模块100、源信号获取模块200和源信号估计模块300，其中：
源个数确定模块100，用于采用小波变换估计系统的源个数，并估计每个源对应的基频。
源信号获取模块200，用于获取每个观测通道中的源信号。
在本发明的一个实施例中，源信号获取模块200用于采用时间同步平稳法从每个观测通道上提取每个源信号。
源信号估计模块300，用于根据能量关系确定每个源信号的最优估计值。
在本发明的一个实施例中，源信号估计模块300用于对于每个源信号，使用源信号的二范数确定所述源信号的最优估计值。
图12为本发明一个实施例中源个数确定模块的示意图。如图12所示，图11实施例的源个数确定模块100可以包括小波尺度范围确定单元110、观测信号分解单元120、通道频率数确定单元130和源个数确定单元140，其中：
小波尺度范围确定单元110，用于根据源振动信号基频的频率范围以及不同小波尺度上对应的伪频率，确定小波尺度范围。
观测信号分解单元120，用于使用连续小波变换将每个通道的观测信号分解到不同的小波尺度上。
通道频率数确定单元130，用于去除谐波成分，估计每个通道观测信号中的主要频率数。
源个数确定单元140，用于整合每个通道观测信号的主要频率，估计整个系统的主要频率数；根据整个系统的主要频率数确定系统的源个数，并确定每个源对应基频。
基于本发明上述实施例提供的航空发动机振动信号盲分离装置，可以将小波变换和时间平稳处理综合应用于盲分离处理。本发明上述实施例对振动信号小波分解后进行谱分析，结合航空发动机振动信号特征，可较好地解决源信号的相互耦合问题。本发明上述实施例采用时间同步平稳法，能够有效地提取信号中的周期及谐波成分，抑制噪声。
本发明上述实施例基于二范数进行最优源判别。本发明上述实施例从不同观测通道提取的同一个源信号都是来自于相同的源，估计出的能量越大的源信号越接近真实的源信号，二范数的平方操作使判据数值更大，源信号判别更容易。
图13为本发明航空发动机振动信号盲分离装置另一实施例的示意图。与图11所示实施例相比，在图13所示实施例中，所述装置还可以包括源定位模块400：
源定位模块400，用于根据源信号来自于传感器的位置，结合发动机高低压转速确定源的位置。
由于航空发动机的整体结构比较大，一个传感器很难反映出其整体的振动信息特点，为了能够更为准确的反应航空发动机整体振动以及各个部位振动特点，一般布置传感器时，应在发动机上布置几个典型的监测截面，每个截面上在相互垂直的位置上布置两个传感器。这样可以大大增加观测通道数，更能准确的测试发动机的整体振动情况。
而本发明上述实施例在分析观测信号时，采用每个通道单独分析的方法，因为每个通道对应一个传感器，每个传感器总是能有效地反应它附近的几个振动源的情况。本发明上述实施例通过分析所有的通道的观测信号，就可以把发动机上各个源的振动信息有效地反映出来。
图14为本发明航空发动机振动信号盲分离装置又一实施例的示意图。如图14所示，所述航空发动机振动信号盲分离装置，包括存储器500、处理器600及存储在存储器500上并可在处理器600上运行的计算机程序，所述处理器600执行所述程序时实现本发明上述任一实施例所述的方法步骤。
基于本发明上述实施例提供的航空发动机振动信号盲分离装置，联合小波变换和时间同步平稳的盲分离方法是一种针对航空发动机振动信号分离的方法，本发明上述实施例能够有效地估计航空发动机中的振动源，并提取每个振动源对应的基频，谐波和次谐波成分。此外，本发明上述实施例的方法还可以实现源信号的粗略定位。
根据本发明的另一方面，提供一种航空发动机，包括如上述任一实施例所述的航空发动机振动信号盲分离装置。
基于本发明上述实施例提供的航空发动机，可以通过航空发动机的振动信号盲分离装置将小波变换和时间平稳处理综合应用于盲分离处理。本发明上述实施例对振动信号小波分解后进行谱分析，结合航空发动机振动信号特征，可较好地解决源信号的相互耦合问题。本发明上述实施例采用时间同步平稳法，能够有效地提取信号中的周期及谐波成分，抑制噪声。
在上面所描述的航空发动机振动信号盲分离装置可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
至此，已经详细描述了本发明。为了避免遮蔽本发明的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (14)

1.一种航空发动机振动信号盲分离方法，其特征在于，包括：
采用小波变换估计系统的源个数，并估计每个源对应的基频；
获取每个观测通道中的源信号；
根据能量关系确定每个源信号的最优估计值。
2.根据权利要求1所述的方法，其特征在于，还包括：
根据源信号来自于传感器的位置，结合发动机高低压转速确定源的位置。
3.根据权利要求1或2所述的方法，其特征在于，所述采用小波变换估计系统的源个数，并估计每个源对应的基频包括：
使用连续小波变换将每个通道的观测信号分解到不同的小波尺度上；
去除谐波成分，估计每个通道观测信号中的主要频率数；
整合每个通道观测信号的主要频率，估计整个系统的主要频率数，根据整个系统的主要频率数确定系统的源个数，并确定每个源对应基频。
4.根据权利要求3所述的方法，其特征在于，所述采用小波变换估计系统的源个数，并估计每个源对应的基频还包括：
根据源振动信号基频的频率范围以及不同小波尺度上对应的伪频率，确定小波尺度范围；之后执行使用连续小波变换将每个通道的观测信号分解到不同的小波尺度上的步骤。
5.根据权利要求1或2所述的方法，其特征在于，所述获取每个观测通道中的源信号包括：
采用时间同步平稳法从每个观测通道上提取每个源信号。
6.根据权利要求1或2所述的方法，其特征在于，所述根据能量关系确定每个源信号的最优估计值包括：
对于每个源信号，使用源信号的二范数确定所述源信号的最优估计值。
7.一种航空发动机振动信号盲分离装置，其特征在于，包括：
源个数确定模块，用于采用小波变换估计系统的源个数，并估计每个源对应的基频；
源信号获取模块，用于获取每个观测通道中的源信号；
源信号估计模块，用于根据能量关系确定每个源信号的最优估计值。
8.根据权利要求7所述的装置，其特征在于，还包括：
源定位模块，用于根据源信号来自于传感器的位置，结合发动机高低压转速确定源的位置。
9.根据权利要求7或8所述的装置，其特征在于，源个数确定模块包括：
观测信号分解单元，用于使用连续小波变换将每个通道的观测信号分解到不同的小波尺度上；
通道频率数确定单元，用于去除谐波成分，估计每个通道观测信号中的主要频率数；
源个数确定单元，用于整合每个通道观测信号的主要频率，估计整个系统的主要频率数，根据整个系统的主要频率数确定系统的源个数，并确定每个源对应基频。
10.根据权利要求9所述的装置，其特征在于，源个数确定模块包括：
小波尺度范围确定单元，用于根据源振动信号基频的频率范围以及不同小波尺度上对应的伪频率，确定小波尺度范围；之后观测信号分解单元执行使用连续小波变换将每个通道的观测信号分解到不同的小波尺度上的操作。
11.根据权利要求7或8所述的装置，其特征在于，
源信号获取模块用于采用时间同步平稳法从每个观测通道上提取每个源信号。
12.根据权利要求7或8所述的装置，其特征在于，
源信号估计模块用于对于每个源信号，使用源信号的二范数确定所述源信号的最优估计值。
13.一种航空发动机振动信号盲分离装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-6中任一项所述的方法步骤。
14.一种航空发动机，其特征在于，包括如权利要求7-13中任一项所述的航空发动机振动信号盲分离装置。
CN201710969110.2A 2017-10-18 2017-10-18 航空发动机及其振动信号盲分离方法和装置 Pending CN109684898A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710969110.2A CN109684898A (zh) 2017-10-18 2017-10-18 航空发动机及其振动信号盲分离方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710969110.2A CN109684898A (zh) 2017-10-18 2017-10-18 航空发动机及其振动信号盲分离方法和装置

Publications (1)

Publication Number Publication Date
CN109684898A true CN109684898A (zh) 2019-04-26

Family

ID=66183219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710969110.2A Pending CN109684898A (zh) 2017-10-18 2017-10-18 航空发动机及其振动信号盲分离方法和装置

Country Status (1)

Country Link
CN (1) CN109684898A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110146152A (zh) * 2019-06-17 2019-08-20 沈阳天眼智云信息科技有限公司 航空发动机振动源分离方法
CN112082792A (zh) * 2020-08-31 2020-12-15 洛阳师范学院 一种基于mf-jade的旋转机械故障诊断方法
CN113252929A (zh) * 2021-07-05 2021-08-13 格创东智(深圳)科技有限公司 转速确定方法、装置、电子设备及计算机可读存储介质
CN113970419A (zh) * 2021-10-13 2022-01-25 中国科学院力学研究所 一种基于时频变换的激波风洞测力天平信号数据处理方法
CN114034937A (zh) * 2021-11-18 2022-02-11 四川省冶勘设计集团有限公司 无人机航空频域电磁弱信号接收装置及方法
CN114199365A (zh) * 2021-12-14 2022-03-18 中国航发南方工业有限公司 一种振动信号处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101729157A (zh) * 2009-12-11 2010-06-09 南京航空航天大学 一种强噪声环境下的振动信号盲源分离方法
CN104374575A (zh) * 2014-11-25 2015-02-25 沈阳化工大学 一种基于盲源分离的风力机主轴承故障诊断方法
CN104408025A (zh) * 2014-11-19 2015-03-11 天津大学 基于频谱校正的超定盲信号分离方法及其装置
CN105021399A (zh) * 2015-06-26 2015-11-04 长安大学 一种基于单通道信号盲分离滚动轴承的特征提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101729157A (zh) * 2009-12-11 2010-06-09 南京航空航天大学 一种强噪声环境下的振动信号盲源分离方法
CN104408025A (zh) * 2014-11-19 2015-03-11 天津大学 基于频谱校正的超定盲信号分离方法及其装置
CN104374575A (zh) * 2014-11-25 2015-02-25 沈阳化工大学 一种基于盲源分离的风力机主轴承故障诊断方法
CN105021399A (zh) * 2015-06-26 2015-11-04 长安大学 一种基于单通道信号盲分离滚动轴承的特征提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ATMAN JBARI等: "Blind Source Separation Based On Wavelet Signal Representation", 《2007 14TH IEEE INTERNATIONAL CONFERENCE ON ELECTRONICS, CIRCUITS AND SYSTEMS》 *
杨广振等: "利用航空发动机信号特征的振动源盲分离算法", 《西安交通大学学报》 *
艾延廷等: "《航空发动机状态监测与故障诊断技术》", 31 July 2017, 北京：北京理工大学出版社 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110146152A (zh) * 2019-06-17 2019-08-20 沈阳天眼智云信息科技有限公司 航空发动机振动源分离方法
CN112082792A (zh) * 2020-08-31 2020-12-15 洛阳师范学院 一种基于mf-jade的旋转机械故障诊断方法
CN113252929A (zh) * 2021-07-05 2021-08-13 格创东智(深圳)科技有限公司 转速确定方法、装置、电子设备及计算机可读存储介质
CN113252929B (zh) * 2021-07-05 2022-02-01 格创东智(深圳)科技有限公司 转速确定方法、装置、电子设备及计算机可读存储介质
CN113970419A (zh) * 2021-10-13 2022-01-25 中国科学院力学研究所 一种基于时频变换的激波风洞测力天平信号数据处理方法
CN114034937A (zh) * 2021-11-18 2022-02-11 四川省冶勘设计集团有限公司 无人机航空频域电磁弱信号接收装置及方法
CN114034937B (zh) * 2021-11-18 2022-03-25 四川省冶勘设计集团有限公司 无人机航空频域电磁弱信号接收装置及方法
CN114199365A (zh) * 2021-12-14 2022-03-18 中国航发南方工业有限公司 一种振动信号处理方法

Similar Documents

Publication Publication Date Title
CN109684898A (zh) 航空发动机及其振动信号盲分离方法和装置
CN108168891B (zh) 滚动轴承微弱故障信号特征的提取方法及设备
Ericsson et al. Towards automatic detection of local bearing defects in rotating machines
Albarbar et al. Diesel engine fuel injection monitoring using acoustic measurements and independent component analysis
CN104112072B (zh) 基于小波阈值去噪的主成分分析的工作模态参数识别方法
CN102928514B (zh) 一种基于频率特征的木材应力波无损检测方法
CN109374119A (zh) 变压器振动信号特征量提取方法
CN108954020A (zh) 一种管道定位方法
CN112098102B (zh) 一种基于ewt-scwt的内燃机异响识别与诊断方法
CN110501158A (zh) 针刺机传动机构振动信号特征提取方法
CN108444715A (zh) 轴承状态诊断方法、装置、存储介质及电子设备
CN109409341A (zh) 一种近场的航空发动机噪声源辨识方法
Sun et al. Application of wavelet soft threshold denoising algorithm based on EMD decomposition in vibration signals
Wan et al. Optimal tonal detectors based on the power spectrum
CN205786484U (zh) 一种综合声波衰减系数的测试装置
Huang et al. Separation method of rolling bearing compound fault characteristics based on Improved harmonic wavelet packet decomposition and fast ICA
CN109946085A (zh) 一种固体火箭发动机振动信号声振降噪的方法
CN105954353A (zh) 一种综合声波衰减系数的测试方法及测试装置
RU2331893C1 (ru) Способ выделения дискретных составляющих в спектре сигнала и устройство для его осуществления
Wu et al. Faults classification of a scooter engine platform using wavelet transform and artificial neural network
Thanagasundram et al. Autoregressive based diagnostics scheme for detection of bearing faults
Chen et al. Rotating machinery diagnosis using wavelet packets-fractal technology and neural networks
Wang et al. Centrifugal pump fault diagnosis based on MEEMD-PE Time-frequency information entropy and Random forest
Jiang et al. Vibration signal processing for gear fault diagnosis based on empirical mode decomposition and nonlinear blind source separation
Tang et al. Time-frequency feature extraction from multiple impulse source signal of reciprocating compressor based on local frequency

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190426

RJ01 Rejection of invention patent application after publication