高速电机监测信号自动滤波系统的设计

杨 鹏

(核工业理化工程研究院，天津 300180)

0 引 言

我院对高速电机的性能检测主要通过机电试验完成，机电试验的考核指标来源于监测的振动信号。对于监测信号一般由放置于高速电机的上中下位点的传感器捕获，但在测得监测信号的同时，不可避免的就会混杂进一些噪声信号，如果遇到一些极端情况，噪声信号甚至会淹没掉有用的信号。这时对高速电机的状态的判断就会出现差错。由于高速电机的特殊性，保证其安全运行具有非常重要意义，正是由于上述原因，将动态自动滤波系统引入高速电机数据捕捉阶段是必不可少的。

1 高速电机用监测信号自动滤波系统设计

1.1 论文思路

方案为：将测试信号和噪声信号输入神经网络，由于神经网络良好的非线性映射能力，可以将输入的信号很快地进行处理。经过权值与阈值的判定与运算后，多路信号进入自适应部分，由多路信号汇总得到的第n阶输出值y(n)结合参考输入d(n)值作为反馈输入信号，将其输入自适应算法中，作为n+1阶的反馈修正值进行不断的修正，直到滤波完毕，输出滤波后的波形。具体设计原理如图1所示。

图1 设计原理图

1.2 自适应理论模块

基于自适应理论的滤波器一般称为自适应滤波器，顾名思义，其最本质的特点就是它能够自学习和自调整，即所谓的自适应能力。一般来说，自适应滤波器能够依靠某种预先确定的准则，在迭代过程中自动调整自身的参数和结构，去适应变化的环境，以实现在这种最优准则下的滤波。

原始输入信号x(n)由有用信号s(n)与两噪声m1(n)和v(n)之和组成，参考输入d(n)由两外两个噪声u(n)=v(n)*a(n)和m2(n)之和组成。其中，a(n)为传输通道的单位脉冲响应，其对应的传递函数A(z)。由于v(n)与u(n)=v(n)*a(n)共源，因此二者是相关的，噪声m1(n)与m2(n)是互不相关的，且二者与s(n)，v(n)和u(n)均不相关。x(n)=s(n)+v(n)+m1(n)为期望响应。e(n)为误差信号，等于自适应滤波系统的输出，即e(n)=y(n)。

滤波系统的自适应部分设计如图2所示：

图2 滤波系统的自适应部分

1.3 神经网络模块

(1)概述

人工神经网络是模仿和延伸人脑认知功能的新型智能信息处理系统,它是由大量的简单处理单元(即神经元)所构成的一个非常复杂的非线性自适应动力学系统。由于神经元本身具有高度自适应性,因而由大量神经元组成的神经网络具有自学习性、自组织性、存贮分布性、结构可变性等特点,能解决常规信息处理方法难以解决或无法解决的问题[1]。因此,我们将神经网络引入自适应信号处理中来。

(2)神经网络的建立

在现今的神经网络应用中，由于BP神经网络的理论和应用比较成熟，因而在本文的神经网络部分选择BP神经网络，如图3所示。

其结构为，输入：2，隐层：4，输出层：1，

权值：0.7932，-0.8637，0.7143，0.5294，

阈值：0.4959，-0.6725，0.3026，-0.5211，

隐层变换函数为tansig，

输出层变换函数为：purelin；

图3 滤波系统的神经网络部分

2 高速电机用监测信号自动滤波系统的仿真

2.1 概 述

对比一个真实系统，使用Matlab软件中的Simulink仿真有着很大的优点，可以将现实中的各种仪器进行虚拟，并且集成化、模块化，使经费和工作量都大大地减少。所以在离心机用智能自适应滤波系统设计完成以后，我们针对它建立一个Simulink仿真系统进行仿真[2]。

其仿真程序如图4所示，其中原始信号为正弦信号，噪声信号为随机噪声信号。

图4 动滤波系统的仿真程序

2.2 试验一 信号幅值与噪声幅值比为5∶3

首先将正弦信号的幅值定义为5，随机噪声信号的幅值定义为3，具体情况如图5和图6所示,随后观察滤波情况。

图5 幅值为5的正弦信号图

图6 被噪声污染后的幅值为5的正弦信号图

我们发现幅值为5的正弦信号被幅值为3的随机噪声污染以后，已经很难看出原来的波形。经过基于自适应理论与神经网络滤波系统后，消噪效果如图7所示。

图7 经过消噪后的波形图

如图7所示，经过信号与噪声幅值比为5∶3的试验后，我们发现高速电机用监测信号自动滤波系统可以很好地滤除噪声并且保留原波形。

那么如果信号与噪声幅值比更为接近的情况下，消噪效果如何？为了检验系统还能否正常工作，我们进行更高信号、噪声幅值比的试验。

2.3 试验二 信号幅值与噪声幅值比为1∶1

在试验二中，有两个情况发生了变化。第一，正弦信号的幅值定义为1，随机噪声信号的幅值也定义为1，信号与噪声幅值比已经达到1∶1；第二，需要系统过滤的波形幅值发生变化，需要考察其是否能自适应的进行波形幅值调节滤波。

图8为幅值为1的正弦信号波形图，图9为其随机噪声污染的波形图。

图8 幅值为1的正弦信号图

图9 被噪声污染后的幅值为1的正弦信号图

其消噪效果如图10所示。

图10 经过消噪后的波形图

如图10所示，经过信号与噪声幅值比为1∶1的试验后，我们发现高速电机用监测信号自动滤波系统能很好随波形变化进行消噪，并且消噪效果良好。

2.4试验三复合信号幅值与噪声幅值比为1∶1

在进行了上述试验后，我们发现该滤波系统对于单一的波形信号有良好的滤波能力，但是我们的实际应用中多为复合信号，那么该系统对于实际中的复合信号的滤波信号效果如何呢？下面进行试验三 复合信号的消噪试验：

其中，输入信号为：幅值为1，频率为5的正弦信号与幅值为3，频率为1的正弦信号构成的复合信号。噪声信号的噪声幅值为3。未被噪声污染的信号图和被噪声污染的信号图，见图11和图12。经过试验三，发现该系统对于实际中经常出现的复合信号的消噪效果也十分良好。

图11 未被噪声污染的复合信号图

图12 被噪声信号污染的复合信号

3 高速电机用监测信号自动滤波系统的实际应用

3.1 实际支承轴磨损信号的滤波

现使用本滤波系统对引言部分中夹杂着大量噪声信号的支承轴磨损信号进行滤波。将原始信号输入滤波系统，滤波前后的波形如图13所示。

图13 夹杂大量噪声的支承轴磨损信号图

滤波以后，如图14，我们明显地发现了周期性的冲击，这正是支承轴磨损的重要特征。对比原始信号，我们发现了明显的故障特征。

图14 滤除噪声后的支承轴磨损信号图

3.2 实际一阶进动信号的滤波

在本滤波系统成功地对支承轴磨损信号进行滤波后，我们继续使用本滤波系统对一阶进动信号进行滤波。滤波前后的波形对比如图15和图16所示。

图15 夹杂大量噪声的一阶进动信号图

图16 滤除噪声后的一阶进动信号

对比一阶进动信号滤波前后的波形，我们也可以发现滤波后的波形特征更加明显。

通过实际应用，该滤波系统对实际信号的滤波效果也十分明显。

4 结 语

(1)高速电机用监测信号自动滤波系统解决了普通滤波器只能进行权系数固定的硬阈值滤波，即固定阈值滤波的问题。

(2)该系统解决了传统自适应滤波器在两路噪声呈现非线性相关时，使用线性自适应算法去逼近非线性变换导致用于估计的权系数向量的位数爆炸式增长，导致滤波效果变差的问题。

(3)该系统能够随输入信号幅值的变换而自适应改变消噪阈值，而且当输入信号的幅值与噪声信号的幅值比很接近的情况下，也能进行自适应消噪，并且消噪效果良好。

(4)模拟实际情况中的复合信号的噪声污染，该系统能够很好地对复合信号进行消噪。

(5)对于实际的支承轴磨损信号和一阶进动信号，该系统滤波效果良好。