振动信号干扰的分析与处理

2022-07-27华能辛店发电有限公司李海东李建鹏陈丽丽

电力设备管理 2022年11期

华能辛店发电有限公司李海东李建鹏任聪陈丽丽滕斌

某发电厂现场采集传感器使用CA-YD-187T加速度传感器。该款传感器的灵敏度是100mV/g，频率响应范围是0.6～10kHz（-3dB），测量范围达50g。该款振动加速度传感器采用2～10mA的恒流源供电，输出±5V的电压。采用1/4～28的安装螺纹可让传感器与设备紧密相连。

以现场引风机为例，分别在电机驱动端（2个）、电机非驱动端（1个）、风机驱动端（2个）、风机非驱动端（2个）处共设置7个测点，每个测点对应安装一个CA-YD-187T传感器。电机驱动端传感器安装方向为水平和轴向方向，电机非驱动端传感器安装方向为水平方向，风机驱动端传感器安装方向为水平和轴向方向，风机非驱动端传感器安装方向为垂直和轴向方向（图1）。

图1 现场引风机测点位置图

1 异常信号分析

由于工业过程状态检测和故障诊断的信号，会受到相邻设备振动信号的干扰及噪音信号污染，产生随机干扰信号。随机干扰信号不同于正常信号，其频段范围更广，但通常经过数据采集器取样后得到的振动信息中大多含有各种噪声，除去50Hz的工频和倍频之外，还含有不规律的随机干扰信息且高频成分多，因而所采集的离散的振动信号数据曲线上就会出现很多毛刺。

振动包含很多信息，设备的振动一般都比较复杂，包含了噪声和设备本身的振动，毛刺中包含了一些噪声，并且某一个点的振动是一个往复运动的过程，位移随着速度是在不断变化的，有毛刺也说明该点的位移在发生变化。在信源分析及系统故障诊断时，一般需对数据采集器采样获得的振动信号资料加以分析处理，尽量逼真地复原出实际振动现象，获得实际信息的特性。但这些信号通常会引起噪音的影响，使得信息中有用的特性数据也往往淹没在噪音之中，这样对信息的特征提取造成较大的麻烦，所以需消除信息中叠加的噪音及扰动因素。

2 信号处理

对数据采取平滑处理操作的目的就是使曲线更加光滑，从而减小干扰信号对真实数据的影响，且经过平滑处理后的数据有助于信号不规则趋势项消除操作的实现。在传感器量测振动信号的过程中，测试仪器难免会受到各种各样影响因素的信号干扰，导致个别采样信号偏离基线标注，这会影响分析结果的准确性。这时也可利用数据平滑处理技术将不规则的趋势项从采集到的原始信号中减去，从而获得数据信号的真值。

2.1 小波阈值去噪的基本原理

运用小波变换(采用Mallat算法)来处理信号处理后，由于信号的主要数据信息主要包含在信号所产生的小波系数包中，被小波分解后的信号系数变大，噪音小波系数则相对要小些，为区分信号和造成的小波系数的差异，须设置一个相应的阈值，经过比对，凡是小波系数大于阈值的可被认定为是由信号所产生的，而小于阈值的则被认为是由噪声所产生，并将其置为零，从而实现去噪的目的。其实质就是抑制了信号中无效的部分或增强有用部分。

其基本步骤为：分解。选择一个层数为N的小波，对信号进行小波分析；阈值处理过程。在分析后通过选择一个适当的阈值，再利用阀值函数对各层系数加以测量；重构。用数据处理后的系数重建信号。小波阈值去噪过程如下：噪声信号与原始信号共同组成含噪信号-小波分解-阙值处理-小波重构-去噪后信号。

图2 小波分解重构过程

小波分解：X-＞ca3，cd3，cd2，cd1；小波重构：ca3，cd3，cd2，cd1-＞X。其中ca为低频信息、近似分量，cd为高频、细节分量。小波阀值去噪的基本问题可分化成为小波基的选取、阀位的选取以及阀值函数选取三个方面。

小波基选取：虽然都期待在小波选择方面能够表现出良好的对称性以及正交性等特点，但在实际操作期间很难有符合理想状态的小波。究其原因，Haar小波虽具备反对称或对称的特点，但紧支性及高消失矩两者属于是一对矛盾的状态，因此实际运用期间通常按照信号具体的特征需要来选取合理的小波。

阈值选取：其会对去噪成效带来显著的影响，当阈值存在差异的情况下具备的去噪成效也有很大差别。现阶段用到相对较多的就是通用阀值（VisuShrink）及Minimax阈值等；阈值函数选取：其对应小波系数进行修正处理的规则情况，当函数存在差异情况下，则明确其处理策略方面也呈现出很大差别。通常能够区分是硬阈值及软阈值两大类型的函数，而且还存在着分布在两者间的Garrote函数。此外，对去噪效应优劣的评判还能借助信噪比(SNR)及均方根误差(RMSE)等完成评估工作事项。

MATLAB阈值去噪命令：一维信号去噪函数[XD，CXD，LXD]=WDEN(X，TPTR，SORH，SCAL，N，'wname')；%输入参数：X为原始带噪信号。TPTR为阈值选择准则的字符串：‘rigrsure'用Stein's无偏估计的原理进行的自适应阈值，'heursure'是启发式方法，'sqtwolog'通用阈值方法，阈值为sqrt(2lnN);'minimaxi'最大最小阈值法；%SORH选择's'为软阈值函数，选择'h'为硬阈值函数；%SCAL定义多种方法的阈值重新调节：'one'表示没有重新调节，'sln'表示基于第一层系数进行噪声估计来重新调节，'mln'层层独立进行噪声估计来重新调节；%N为小波分解层数；%‘wname’为小波函数。

图像阈值去噪法的MATLAB命令：默认的自适应阈值获取命令DDENCMP，该命令可用于默认的阈值去噪和压缩中；[THR，SORH，KEEPAPP，CRIT]=DDENCMP(IN1，IN2，X)；输入参数：IN1可选择'den'(去噪)或者'cmp'(压缩)，IN2为'wv'(单小波)或者'wp'(小波包)，X为输入信号，可以是一维信号、也可是二维的图像。

返回值：THR属于是阈值，SORH属于是硬阈值或者是软阈值，KEEPAPP属于是被允许存在着的逼近系数，CRIT则对应的是熵名称；与默认的自适应选取的去噪阈值命令对应的去噪命令为WDENCMP，该命令也可用于压缩中；[XC，CXC，LXC，PERF0，PERFL2]=WDENCMP(IN1，X，'wname'，N，THR，SORH，KEEPAPP)。

2.2 阈值函数的改进

上述介绍的二个阈值函数，软阈值函数和硬阈值函数尽管在去除信号的过程获得中有很广泛地使用，不过因为各自的缺陷仍有干扰图像去噪的作用。硬阈值函数的缺陷是每个阈值点都不连续，而软阈值函数的缺陷是原系数的小波分解系数中存在着一定的误差。这二个阈值函数都无法完整地表现出经过分析后小波系数的能量分布，这也影响了它们的继续使用。于是，必须寻找一个全新的阈值函数使其可在继承软阈值，硬阈值的长处的同时也解决它的不足。这就要求阈值函数必须在其阈值点处连续，而且还具备了高阶可导的特点，这样既能完成对阈值函数阈值选取的作用，又能完整地反映出分解后函数的能量情况。

因此，基于上述对软阈值与硬阈值的分类以及指数函数高阶可导的特性，现在提供了一个全新的阈值函数。式中，λ是阈值函数点。二个参数p，q在阈值函式中充分发挥着相应的功能，从而共同确定了阈值过程和结果，并且p∈[0，1]，q≥0。该阈值函数保持了软阈值函数在小波域内具备持续性的优势，而且在|x|≥λ时具备高阶导函数：

根据p，q在各种稳定的取值区域内的波动性，该阈值函数充分发挥着截然不同的功能。当p=0时，不论q取任何值，此阈值函数就成为了硬阈值函数；当p∈(0，1]且q=0时，此阈值函数就变成了软阈值函数；当p∈为(0，1]且q→∞时，此阈值函数就成为了一个近似软阈值的阈值函式，在该函式中，参数p能够调整阈值点函数对中小波系数的压缩程度，从而克服了传统软阈值函数的缺陷，应用性更强。

2.3 噪声在小波分解下的特性

此处可把噪声e视为在一般信号来对其相关性及频率分布等特征展开研究工作。总体而言，一维离散频率系统，其高频部分所反映的是小波分解的首层细节信息，而低频则呈现的是最深层及低频层的信息情况。若对一种由纯粹的白噪音所形成的信号加以研究，便会得到结果：高频系数幅值变化由于分解层次的提高而急剧地减少，而其方差亦是同样的改变过程。在此处用表达分解后得到的系数，j代表尺度、k代表时间，从而给离散时间信号给定下述属性：

若是e属于平稳、零均值状态的白噪声，则其得到的小波分解系数是彼此独立的状态；若是e属于高斯型噪声，则其所得到的小波分解系数都服从高斯分布，但是彼此各不相干；若是e属于平稳、有色且零均值状态的高斯型噪声序列，则其得到的小波分解系数也属于是高斯序列的存在，而且各个分解尺度j，所得系数也存在着有色、平稳的序列。怎样选取对分解系数有解相关性的小波是个非常麻烦的问题，在现阶段也还不能进行有效的处理。更要说明，尽管存在着一个小波，但其对噪音的解相关性决定了噪音的有色性质，如想利用小波变换估计噪音的解相关性，就需要先了解噪音自身的颜色。

若是e属于固定零均值ARMA模型，则对于每一次小波分解度j，就是稳定的零平均ARMA模式，对其特性起到决定影响；若是e属于噪声：如果其相关函数处在已知的状态、则能运算系数序列和，如其相关函数处在谱已知的状态则能够运算小波分解度j的交叉谱。

2.4 小波降噪的步骤和方法

通常一维信号降噪的基本流程可包括三个过程：信号的小波分解。明确了每个小波的确实划分的层次，之后再开始执行分解计算工作；小波分解高频系数的阈值量化。对不同可分解尺度下的高频系数选定一种阈值，作为软阈值测量处理；一维小波重构。基于小波分解有关的底层低频系数及各层的高频系数完成重构的工作事项。这三个过程中，最重要的是怎样选取阀位和怎样进行量化处理，直接对最后降噪处理的成效起到决定性影响。

使用一维小波分析完成降噪操作的情况，一般利用上述阐释的二个函数wden及wdencmp完成操作。Wden函数反馈的是针对原始信号s实施降噪操作的信号sd。而wdencmp函数则属于是运用更为广泛的操作形式，能够直接实现信号降噪工作，是借助对小波分解系数实施阈值量化处理的方法达成目标。

小波分析的阈值分析通常采用三种方式：默认阈值消噪。该方案首先使用函数ddencmp得到信号的默认阈值，之后再使用函数wdencmp完成消噪处理过程；对给定阈值消噪。在现实的消噪处理中阈值通常可利用经验公式得到，且该值比默认阈值的准确性更好。实际阈值量化操作期间能选择函数wthresh执行处理；强制除噪的处理。该办法主要是把小波分解结构内的每个高频系数都设为零，并滤去现有的高频部分，进而对信号达到小波重构的效果。虽然这个操作实现相对简易且消噪借助的信号也相对平稳，不足之处是极易将信号内具备的有用成分滤除。后续选择代码完成降噪工作。