设备故障诊断信息预处理系统研究

2013-12-09李自鹏杨彦涛黄志伟

黄河水利职业技术学院学报 2013年3期

李自鹏，范龙，杨彦涛，黄志伟

（黄河水利职业技术学院，河南开封 475004）

0 引言

大型旋转机械设备从设计、制造到安装、运行有诸多环节，任何不应有的偏差都可能导致设备的“先天不足”，造成带病运行。在运行过程中，设备可能处于各种各样的环境之中，其内部必然受到力、热、摩擦等多种物理、化学作用，使其性能劣化，造成“后天故障”[1]。对设备进行离线或者在线故障诊断，可以预测出可能出现的故障，从而在一定程度上减少或者避免损失。传统的故障诊断方法往往是对传感器采集的模拟信号进行简单的放大、滤波、模数转换等预处理后，直接将其送到服务器，进行信息的提取和故障的诊断。为了获得比较准确的分析结果，就必须保证经采样和传输过程后数据的可靠性和准确性。但是，受测量工具、方法、环境以及人为干扰等因素的影响，系统采样得到的一些数据往往会偏离真实数值。如果不对信号采集过程中产生的异常数据进行预处理，必然会直接影响到分析的准确性，使用不当，可能导致重大失误[2]。因此，在对设备进行故障诊断之前，必须对含有粗差的测量数据进行预处理。

笔者把嵌入式技术与故障诊断技术结合起来，在前端的数据采集系统基础上，初步建立基于以32位ARM 为内核的实时嵌入式硬件系统和Linux 操作系统的故障诊断信息预处理系统。该系统对A/D转换后的数字信息进行进一步的数字滤波，剔除信号中在模拟滤波中没有被剔除的噪声，提高信息纯度。同时，该系统建立了一个数字滤波工具箱，该工具箱中具有小波滤波、自适应滤波等几种滤波形式，供系统选择，以适应不同设备、不同环境对滤波方法的不同要求。

1 滤波方法分析

1.1 小波消噪的基本原理及方法

一个含噪声的一维信号的模型可表示为：

式中：f（i）为真实信号；e（i）为噪声；s（i）为含噪信号；σ 为噪声强度。

在实际工程中，有用信号通常表现为低频信号或较平稳的信号，噪声信号则表现为高频信号。所以，消除噪声的过程为：（1）对实际信号进行小波分解。选择小波，并确定分解层次为N，则噪声部分通常包含在高频中。（2）对小波分解的高频系数进行门限阈值量化处理。（3）根据小波分解的第N 层低频系数和经过量化后的1～N 层高频系数进行小波重构，达到消除噪声的目的。

小波消噪的方法一般有3 种[1]：（1）用小波分解与重构法去噪。即根据需要将含有噪声的信号在某一尺度下分解到不同的频带内，然后将噪声所处的频带置零，进行小波重构，从而达到去噪的目的。（2）用小波变换阈值去噪。由于小波变换的小波基都是紧支集，因此小波变换具有一种“集中”的能力，可以使信号的能量在小波变换域集中于少数系数上。这些系数的取值大于域内噪声的小波系数值。这就意味着对小波系数进行阈值处理，可以在小波变换域中去除低于固定幅度的噪声。（3）用小波变换模极大值法去噪。观察不同尺度间小波变换模极大值变化的规律，去除幅度随尺度的增加而减小的点（对应噪声的极值点），保留幅度随尺度增加而增大的点(对应于有用信号的极值点)，然后再由保留的模极大值点进行重建，即可以达到去噪的目的。

1.2 自适应滤波

当输入信号的统计特性未知或者输入信号的统计特性变化时，自适应滤波器能够自动地迭代调节自身的滤波器参数，以满足某种准则的要求，从而实现最优滤波。因此，自适应滤波器具有“自我调节”和“跟踪”能力。它广泛应用于系统辨识、回波消除、自适应谱线增强、自适应信道均衡、语音线性预测、自适应天线阵等诸多领域。自适应滤波器可以分为线性自适应滤波器和非线性自适应滤波器。非线性自适应滤波器包括Volterra 滤波器和基于神经网络的自适应滤波器。非线性自适应滤波器具有更强的信号处理能力。但是，由于非线性自适应滤波器的计算较复杂，实际用得最多的仍然是线性自适应滤波器[6]。本文只讨论线性自适应滤波器及其算法，其工作原理如图1 所示。

图1 自适应滤波器原理框图Fig.1 Self-adaptive filter schematic

图2 智能信息预处理系统组成图Fig.2 Intelligent information pretreatment system

图中，W（n）表示自适应滤波器在时刻n 的权矢量；X（n）=[x（n），x（n-1），…，x（n-L+1）]T为时刻n的输入信号矢量； d（n）为期望输出值；v（n）为干扰信号；e（n）是误差信号；L 是自适应滤波器的长度。

根据优化准则的不同，自适应滤波算法可以分为最小均方误差（LMS）算法和递推最小二乘（RLS）算法两类[6]。LMS 算法使滤波器的输出信号与期望输出信号之间的均方误差E[e2（n）]最小，RLS 算法决定自适应滤波器的权系数向量W（n），使估计误差的加权平方和J（n）=最小。其中，λ 为遗忘因子，且0＜λ≤1。本文只应用LMS 算法。

2 总体方案设计

2.1 系统的总体规划

本文以信息预处理为研究对象，设计了旋转机械现场信号的采集和预处理系统。该系统是ARM芯片在实际工业测试中的一种应用，具有快速、灵活、操作简便、性能可靠等特点。它可以提供较强的数字信号分析和控制功能（包括从预设的预处理菜单和滤波工具箱中选择合适的预处理方式和数字滤波方法），并且具有波形数据和频谱数据存储功能，还可以将数据导入后台，进行进一步的精确分析和故障诊断。整个系统由数据采集处理模块和主控制模块（数据的管理、通信以及人机交互部分等）两个基本单元组成。系统总体框图如图2 所示。

2.2 系统软件设计

本文所设计的预处理系统软件部分主要完成的以下功能：（1）根据指令或者设置对模数转换后的数据进行相应的信号处理；（2）处理键盘扫描，响应按键命令，进行相应处理；（3）USB 数据通信和网络传输；（4）根据相应操作，进行数据存储。按照所要实现的功能，整个系统被划分为几个并行存在的任务层。对信号进行预处理时，根据实际需要选择其中一种或者几种任务，并且可以随时调整。

系统利用嵌入式实时操作系统内核对所有“任务”进行统一调度和管理，使CPU 的使用权在建立的“任务”间切换；同时，在多任务机制下，使应用程序模块化、开发任务层次化。软件系统的整体框架如图3 所示。

图3 主控制软件系统的整体结构图Fig.3 Massive structure of master-control software system

3 滤波工具箱的设计

3.1 设计思路

数据采集与预处理部分是故障诊断系统的最前端。传感器采集的旋转机械工况参数通过跟踪式抗频混低通滤波器去除信号中的高频噪声，并使后续的模数转换满足采样定理[4]。从滤波器出来的信号经过放大处理，使信号电压与A/D 芯片的输入电压匹配。 A/D 芯片在处理器的控制下，完成输入模拟信号的采集和数字转换。获得的数字信号在ARM 芯片中进行进一步的信息预处理。

本文设计了一个具有滤波功能的“工具箱”，它能对A/D 转换后的数字信息进行滤波，剔除模拟滤波中没有被剔除的噪声，为后续信息处理和故障诊断打下良好基础。

3.2 结构设计

本次设计的滤波工具箱中主要有小波分解与重构法、小波变换阈值去噪中的软阈值法和硬阈值法、小波变换模极大值法、LMS 自适应滤波算法和RLS 自适应滤波算法等几种滤波形式供系统选择使用，以适应不同设备、不同环境对滤波方法的不同要求。各种滤波程序分块储存在系统存储器的指定位置，主控制ARM 芯片根据指令发生中断，然后调用所需要的滤波程序，对信号进行相应的处理。使用该工具箱时，可以根据信号类型、工作环境、专家经验等事先设定或者从诊断中心通过指令随时改变滤波方法，也可以对几种滤波方法逐个实验，再根据结果选择较适合的方法。