CN110717303A - 基于解析带通数字滤波的故障发生时刻检测方法及装置 - Google Patents

Abstract

本发明公开了一种基于解析带通数字滤波的故障发生时刻检测方法及装置，包括：分别对受噪声干扰的背景信号和纯信号进行FFT谱分析，比较两者占用的频带差异，提取出差异频带的下截止频率和上截止频率；计算两个整数值；计算带通FIR滤波器系数；用带通FIR滤波器系数对含噪干扰信号进行滤波，对其滤波输出做阈值判断，检测出信号发生时刻。装置包括：将采集到的多路观测信号x(t)经过A/D(模数转化器)采样得到样本序列x(n)，以并行数字输入的形式进入DSP芯片，经过DSP芯片的内部算法处理，得到观测信号的滤波输出；最后借助输出驱动及其显示模块显示故障发生的时刻值。

Description

基于解析带通数字滤波的故障发生时刻检测方法及装置

技术领域

本发明涉及数字信号处理技术领域，尤其涉及一种基于解析带通数字滤波的故障发生时刻检测方法及装置，具体涉及当背景存在强噪声干扰情况下，准确地检测出感兴趣的故障信号发生时刻的问题。

背景技术

在光学工程、机械振动、电力工程、雷达、声纳检测等领域，存在着大量实时故障检测的问题。

这类问题的共同点是，当不发生故障事件时，事件检测系统仍需对观测信号做分析处理，当故障事件发生时，事件检测系统必须及时做出反应。而在占绝大多数时间的不发生故障的空闲时段，事件检测系统仍要在后台工作，故在该时段内，要求观测数据不断进入，经过处理后又不断释放系统的内存资源，因而客观上要求事件检测系统必须以流水线方式工作。而一旦故障发生，该流水线立即快速输出故障指示，以启动后续的故障处理系统。

数字滤波器是一个典型的流水线系统，非常适合于故障事件的实时检测。然而数字滤波器设计本质上是个复杂的优化过程。就故障检测系统而言，数字滤波器的传输特性必须适应故障对象的特性，因而当故障对象特性发生变化时，数字滤波器必须及时更新。

然而现在滤波器设计存在一个突出问题：高的设计效率(即设计算法复杂度低)和优良滤波器性能(即滤波器通带波纹小、阻带衰减大、边界频率可灵活控制)的兼顾问题。而工程应用时，总是期望滤波环境改变时(如时变信道要求OFDM均衡滤波器随之变化)，可以快速实现满足期望性能的滤波器设计。

而现有的3类FIR滤波器设计法都不能解决兼顾高效率和高性能问题：第一类是经典设计法，主要有窗函数法和频率采样法^[1,2]；第二类是经典优化算法^[3,4]，主要有Parks-McClellan方法、加权最小二乘(Weighted least square，WLS)方法^[5-7]、神经网络法^[8-10]等；第三类是现代进化算法，主要有遗传算法(Genetic algorithm，GA)^[11-13]、粒子群优化算法(Particle swarm optimization，PSO)、差分演化算法(Differential evolution，DE)^[14-16]、猫群演化算法(Cat swarm optimization，CSO)^[17-18]等。

参考文献

[1]Oppenheim A V,Schafer R W,Buck J R.Discrete-time signal processing[M].Prentice-hall Englewood Cliffs,1989.

[2]Mitra S K,Kuo Y.Digital signal processing:a computer-basedapproach[M].McGraw-Hill New York,2006.

[3]Parks T,Mcclellan J.Chebyshev approximation for nonrecursivedigital filters with linear phase[J].Circuit Theory,IEEE Transactions on,1972,19(2):189-194.

[4]Mcclellan J H,Parks T W,Rabiner L.A computer program for designingoptimum FIR linear phase digital filters[J].Audio and Electroacoustics,IEEETransactions on,1973,21(6):506-526.

[5]Algazi V R,Suk M,Rim C-S.Design of almost minimax FIR filters inone and two dimensions by WLS techniques[J].Circuits and Systems,IEEETransactions on,1986,33(6):590-596.

[6]Nguyen T Q.The design of arbitrary FIR digital filters using theeigenfilter method[J].Signal Processing,IEEE Transactions on,1993,41(3):1128-1139.

[7]Tkacenko A,Vaidyanathan P,Nguyen T Q.On the eigenfilter designmethod and its applications:a tutorial[J].Circuits and Systems II:Analog andDigital Signal Processing,IEEE Transactions on,2003,50(9):497-517.

[8]Bhattacharya D,Antoniou A.Real-time design of FIR filters byfeedback neural networks[J].Signal Processing Letters,IEEE,1996,3(5):158-161.

[9]王小华,何怡刚,刘美容.Four optimal design approaches of high-orderfinite-impulse response filters based on neural network[J].Journal of CentralSouth University of Technology,2007,1:020.

[10]Jou Y-D,Chen F-K.Least-squares design of FIR filters based on acompacted feedback neural network[J].Circuits and Systems II:Express Briefs,IEEE Transactions on,2007,54(5):427-431.

[11]Goldberg D E,Holland J H.Genetic algorithms and machine learning[J].Machine learning,1988,3(2):95-99.

[12]Ababneh J I,Bataineh M H.Linear phase FIR filter design usingparticle swarm optimization and genetic algorithms[J].Digital SignalProcessing,2008,18(4):657-668.

[13]Ye W B,Yu Y J.Single-stage and cascade design of high ordermultiplierless linear phase FIR filters using genetic algorithm[J].Circuitsand Systems I:Regular Papers,IEEE Transactions on,2014,60(11):2987-2997.

[14]Abbass H A,Sarker R,Newton C.PDE:a Pareto-frontier differentialevolution approach for multi-objective optimization problems[C].EvolutionaryComputation,2001.Proceedings of the 2001 Congress on,2001:971-978.

[15]Karaboga N,Cetinkaya B.Design of digital FIR filters usingdifferential evolution algorithm[J].Circuits,Systems and Signal Processing,2006,25(5):649-660.

[16]Reddy K S,Sahoo S K.An approach for FIR filter coefficientoptimization using differential evolution algorithm[J].AEU-InternationalJournal of Electronics and Communications,2015,69(1):101-108.

[17]Tsai P-W,Pan J-S,Chen S-M,et al.Parallel cat swarm optimization[C].Machine Learning and Cybernetics,2008 International Conference on,2008:3328-3333.

[18]Saha S K,Ghoshal S P,Kar R,et al.Cat Swarm Optimization algorithmfor optimal linear phase FIR filter design[J].ISA transactions,2013,52(6):781-794.

发明内容

本发明提供了一种基于解析带通数字滤波的故障发生时刻检测方法及装置，本发明快速确定背景干扰和故障发生信号的频谱特征差异，提取带通滤波器特征参数，将特征参数代入解析公式，快速算出带通FIR滤波器的系数，用解析生成的带通滤波器对受噪声干扰信号做滤波，经简单阈值判断，检测信号发生时刻，详见下文描述：

一种基于解析带通数字滤波的故障发生时刻检测方法，所述方法包括：

分别对受噪声干扰的背景信号和纯信号进行FFT谱分析，比较两者占用的频带差异，提取出差异频带的下截止频率f_cL和上截止频率f_cH；

通过如下公式计算两个整数值p、q；

其中，f_s指的是事件检测系统的采样速率，N为阶数，Δf＝f_s/N为频率分辨率；

通过如下公式，计算出带通FIR滤波器系数g(n)；

其中，w_c(n)由任意长度为N的对称窗与翻转的矩型窗卷积而成，C为卷积窗中心元素C＝w_c(0)，n∈[-N+1,N-1]；

用带通FIR滤波器系数g(n)对含噪干扰信号进行滤波，对其滤波输出做阈值判断，检测出信号发生时刻。

其中，所述方法提高检测到的电晕放电的发生距离。

一种基于解析带通数字滤波的故障发生时刻检测装置，将采集到的多路观测信号x(t)经过A/D(模数转化器)采样得到样本序列x(n)，以并行数字输入的形式进入DSP芯片，经过DSP芯片的内部算法处理，得到观测信号的滤波输出；最后借助输出驱动及其显示模块显示故障发生的时刻值。

本发明提供的技术方案的有益效果是：

1、带通滤波器的参数很容易确定：仅仅需要借助FFT即可确定故障信号区分于干扰信号的特征频带B＝(f_L,f_H)，而正数p、q都可以快速确定；

2、带通滤波器的设计非常快捷，将带通滤波器的参数代入计算式中，即可快速地算出带通滤波器系数g(n)，省略传统滤波器复杂的优化过程；

3、由于带通滤波器为有限冲击响应的滤波器，故其检测过程可以以流水线式进行，方便快捷；

4、检测出的故障发生时刻前后的输出波形存在明显的剧烈变化，能够准确地检测出故障信号的发生时刻，增加精确度；

5、提高检测到的电晕放电的发生距离。

附图说明

图1为本发明提出的故障时刻检测流程图；

图2为没有发生电晕放电时检测到的背景干扰波形图和其FFT频谱图；

其中，(a)为无电晕放电时的背景干扰的波形示意图；(b)为背景干扰的FFT频谱示意图。

图3为发生电晕放电时检测到的背景干扰波形图和其FFT频谱图；

其中，(a)为电晕放电发生时的背景干扰的波形示意图；(b)为电晕信号的FFT频谱示意图；

图4为本发明所设计的带通滤波器的幅频曲线和衰减曲线图；

其中，(a)为带通滤波器的幅频曲线示意图；(b)为带通滤波器的衰减曲线示意图。

图5为背景干扰的滤波输出示意图；

图6为电晕信号的滤波输出示意图；

图7为一种基于解析带通数字滤波的故障发生时刻检测装置的结构示意图。

图8为检测距离增加到150m时远距离电晕放电的原始波形和其滤波输出示意图；

其中，(a)为远距离电晕放电的原始波形；(b)为远距离电晕放电滤波输出示意图

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

本发明组织结构如下：先给出技术发明流程及操作步骤，再给出故障检测模型，再详细介绍解析带通滤波器的设计原理及过程，基于此用该滤波器滤波后再进行阈值设定实现故障发生时刻的检测。

实施例1

本发明提出按照如下步骤进行处理，即可检测出信号发生时刻，详见下文描述

步骤1：分别对受噪声干扰的背景信号和纯信号进行FFT谱分析，比较两者占用的频带差异，提取出差异频带的下截止频率f_cL和上截止频率f_cH；

步骤2：通过设计的公式(1)计算两个整数值p、q；

其中，f_s指的是事件检测系统的采样速率，N为阶数，Δf＝f_s/N为频率分辨率。

步骤3：通过设计的公式(2)，计算出带通FIR滤波器系数g(n)；

其中，w_c(n)由任意长度为N的常用对称窗与翻转的矩型窗卷积而成(该参数为本领域技术人员所公知)，C为卷积窗中心元素C＝w_c(0)，n∈[-N+1,N-1]。

步骤4：用带通FIR滤波器系数g(n)对含噪干扰信号进行滤波，对其滤波输出做简单的阈值判断，检测出信号发生时刻。

以上步骤的信号处理流程如图1所示。

实施例2

下面结合具体的实例、计算公式对实施例1中的方案进行进一步地介绍，详见下文描述：

2.1故障信号模型

故障系统之所以称呼为故障，从频域观点来看，故障发生时的观测信号的频谱一定与不发生故障的观测信号(即背景信号)存在差异。具体而言，也就是说存在某一特征频带B＝(f_L,f_H)，对于无故障的背景信号而言，在特征频带内的能量较小，而对于故障发生时的观测信号而言，在特征频带内的能量较大。

故可以利用有故障和无故障在特征频带B＝(f_L,f_H)内的能量差异，通过设定合理比例阈值、检测窗步长和宽度，检测出故障是否发生。

因而，这就引发两个问题：一是如何确定特征频带B＝(f_L,f_H)，二是确定该特征频带后，如何根据该特征频带快速配置滤波器。

2.2基于FFT谱分析的特征频带的确定

对于需要检测的故障，通常事先对其有先验知识。具体而言，可事先获取故障发生时的观测样本，另外，作为大多数空闲时段都存在的背景信号，也很容易收集到其观测样本。比较这两类样本的FFT频谱差异，即可确定其特征频带。

故如图1所示，可分别对背景干扰及噪声、纯故障信号进行FFT谱分析，比较两者的FFT谱图差异。对于存在某一特定频带B＝(f_L,f_H)，纯故障信号的频谱覆盖了该频带范围，而背景干扰及噪声的频谱没有覆盖该频率范围，则可将B＝(f_L,f_H)称之为故障信号的“特殊频带”，依据该频带即可解析设计出带通滤波器。

2.2解析带通数字滤波器的设计

2.2.1设计原理

既然故障时刻检测可归结为带通滤波器问题，因而有必要来分析。

不失一般性，为设计带通滤波器，需构造如下长度为N的频率采样向量H：

显然式(3)内部元素满足：

H(k)＝H(N-k),k＝0,...,N-1 (4)

如果对式(3)的各个元素与将ω∈[0,2π]均匀分割的N个频率采样位置(频率间隔为2π/N)相对应，则可得到在0、1交界处的两个截止数字角频率为：

ω₁＝p2π/N,ω₂＝(p+q-1)2π/N, (5)

假定事件检测系统的采样速率为F_s，则ω₁、ω₂对应的两个模拟频率为：

f_L＝pF_s/N,f_H＝(p+q-1)F_s/N, (6)

相应地，两个正整数p、q应配置为：

p＝[f_LN/F_s],q＝[(f_H-f_L)N/F_s]+1, (7)

其中，“[·]”表示四舍五入取整操作。

进而对式(3)的频率向量H做逆离散傅立叶变换，有：

进一步化简，有：

进一步用欧拉公式对上式进行化简，有：

式(10)对n＝0时，分母为零，故不适用。将n＝0代入式(8)，有：

h(0)＝2q/N (11)

将卷积窗元素w_c(n)与h(n)相乘，即为最终的带通数字滤波器的解析表达式：

实施例3

实验中采样速率设为F_s＝4×10⁹samples/s，频率采样向量长度N＝2048。以高压电晕放电检测为例。

从图3可发现背景干扰强度较大，尽管电晕放电已经发生，但是电晕的幅度小，基本被噪声所淹没。然而，进一步比较图2(b)和图3(b)可发现，存在一个特殊的频带B＝(f_L,f_H)＝[230MHz,270MHz]，对于图2(b)的背景干扰，在该频带的谱能量几乎为0(呈现凹槽状)，而对于图3(b)的背景干扰，在该频带内具有较大能量，因而可选取该频带作为带通滤波器的特征频带。

进而将f_L＝230MHz、f_H＝270MHz、F_s＝4×10⁹samples/s、N＝2048代入式(5)可得p＝17,q＝4，进一步将长度为N的汉明窗和翻转的长度为N的矩型窗进行卷积，生成2N-1个卷积窗元素w_c(n)，将以上值代入式(12)，可得带通滤波器系数g(n)，进一步求取该滤波器的频率响应函数G(j2πf)及其幅度衰减曲线，如图4(a)、(b)所示。

从图4(a)可看出，带通滤波器的通带准确地落在特征频带B＝(f_L,f_H)＝[230MHz,270MHz]内，从图4(b)可看出，在B＝[230MHz,270MHz]的阻带，其衰减可高达60dB以上，故带通滤波器具有很好的传输特性。

进一步用该带通滤波器对图2(a)的背景干扰信号和图2(b)的电晕发生信号分别进行滤波，其滤波输出的波形分别如图5、图6所示。

对比图5、图6，由于背景干扰信号的频谱不含特征频带B＝[230MHz,270MHz]，故其图5的滤波输出一直呈现出很小的数值，而对于电晕故障信号而言，由于B＝[230MHz,270MHz]为其背景干扰信号的特征频带，故其滤波输出在约为t＝0.9us处，呈现大脉冲的幅值，进而可判定t＝0.9us为其电晕发生时刻。

从而借助本发明提出的解析带通滤波器设计完成了电晕故障发生时刻的检测。

实施例4

硬件实施图如图7，将采集到的多路观测信号x(t)经过A/D(模数转化器)采样得到样本序列x(n)，以并行数字输入的形式进入DSP芯片，经过DSP芯片的内部算法处理，得到观测信号的滤波输出；最后借助输出驱动及其显示模块显示故障发生的时刻值。

其中，图7的DSP(Digital Signal Processor，数字信号处理器)为核心器件，在信号参数估计过程中，完成如下主要功能：

1)调用核心算法，确定特征频带，以解析形式完成带通滤波器设计；

2)根据实际需要，将数字滤波得算出的突变时刻转化为实际的时钟时间；

3)将结果输出至驱动和显示模块。

DSP器件的内部程序流程如图5所示。本发明实施例1和2中的核心估计算法植入DSP器件内，基于此完成高精度、低复杂度、高效的源信号数目及混合矩阵的估计。

图7流程分为如下几个步骤：

1)首先需根据具体应用要求，设置频率采样向量长度N、ADC采样速率F_s；

2)其次，CPU主控器从I/O端口读采样数据，进入内部RAM；

3)最终，按前述的处理过程进行故障时刻检测，并将恢复信号通过外部显示装置进行显示。

实施例5

将检测距离从100m增加到150m。图8(a)和图8(b)分别给出了原始电晕波形和滤波后波形。

从图8(a)可以看出，相比于图3的100m的检测距离来说，随着探测距离的增加，电晕放电与背景干扰难以区分。但是，从图8(b)中可以看出，滤波后的电晕的出现仍然很明显，验证了基于带通滤波方案的高灵敏度，检测距离增长。

实施例6

对于变化的t观测时刻，以Δt为步长，2Δt为宽度，开启观测窗[t-Δt,t+Δt]，不断记录用本发明提出的带通滤波器的滤出波形在观测窗范围内的最大值max_t和最小值min_t，并且存储上一个观测时间窗内的最大值max_t-Δt和最小值min_t-Δt，当在某观测时刻t，发现其前后窗口的最大值与最小值的差值比高于某比例阈值η时，

则判定t为故障发生时刻。

对于电晕发生检测，不妨设定Δt＝10ms，比例阈值η＝8。其他故障检测情形，视具体应用而设定。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于解析带通数字滤波的故障发生时刻检测方法，其特征在于，所述方法包括：

分别对受噪声干扰的背景信号和纯信号进行FFT谱分析，比较两者占用的频带差异，提取出差异频带的下截止频率f_cL和上截止频率f_cH；

通过如下公式计算两个整数值p、q；

其中，f_s指的是事件检测系统的采样速率，N为阶数，Δf＝f_s/N为频率分辨率；

通过如下公式，计算出带通FIR滤波器系数g(n)；

其中，w_c(n)由任意长度为N的对称窗与翻转的矩型窗卷积而成，C为卷积窗中心元素C＝w_c(0)，n∈[-N+1，N-1]；

用带通FIR滤波器系数g(n)对含噪干扰信号进行滤波，对其滤波输出做阈值判断，检测出信号发生时刻。

2.根据权利要求1所述的一种基于解析带通数字滤波的故障发生时刻检测方法，其特征在于，所述方法提高检测到的电晕放电的发生距离。

3.一种基于解析带通数字滤波的故障发生时刻检测装置，其特征在于，

将采集到的多路观测信号x(t)经过A/D采样得到样本序列x(n)，以并行数字输入的形式进入DSP芯片，经过DSP芯片的内部算法处理，得到观测信号的滤波输出；最后借助输出驱动及其显示模块显示故障发生的时刻值。

Images