汽轮机动静碰磨振动信号去噪方法分析研究

第54卷第6期2012年12月汽轮机技术TURBINETECHNOLOGYVO154NO6DEC2012汽轮机动静碰磨振动信号去噪方法分析研究邴汉昆，卢盛阳，丁常富，崔可1华北电力大学，保定071003；2河北省电力研究院，石家庄050021摘要为确保汽轮机组故障诊断特征提取的准确性，由于现场实际振动信号掺有大量不确定噪声信号，针对现场采集的实际振动信号，进行分析去噪研究。采用小波分析、经验模态分解等方法进行分解去噪，并进行去噪对比。最后分析结果显示，基于集合经验模态分解EEMD的去噪方法，在对有突变故障的诊断信号自适应分解去噪弥补了经验模态分解和小波分解的缺陷，有较好的效果。关键词去噪分析；小波变换；EMD；EEMD；信噪比分类号TK2681文献标识码A文章编号10015884201206046304ASTUDYOFTURBINERUBBINGSIGNALDENOISINGTECHNIQUEANALYSISBINGHANKUN，LUSHENGYANG，DINGCHANGFU，CUIKE1NORTHCHINAELECTRICPOVERUNIVERSITY；BAODING071003，CHINA；2HEBEIELECTRICPOWERRESEARCHINSTITUTE，SHIJIAZHUANG050021，CHINAABSTRACTTOENSURETHEACCURACYOFTURBINEFAULTDIAGNOSISFEATUREEXTRACTION，BECAUSEOFTHEONSITEVIBRATIONSIGNALSDOPEDALARGENUMBEROFUNCERTAINNOISE，THISPAPER，ANALYSISANDDENOISINGTHEACTUALVIBRATIONSIGNALSWITHWAVELETANALYSIS，EMPIRICALMODEDECOMPOSITIONEMDANDENSEMBLEMDEEMDMETHODSTOCOMPARETHEEFFECTOFDENOISINGFINALLY。THEANALYSISSHOWEDSETBASEDEEMDDENOISINGMETHODCOULDADAPTIVEDECOMPOSITIONANDDENOISINGTHEVIBRATIONSIGNALWITHMUTATIONSBETTER，ANDITMAKEUPFORTHEDEFOCTTHATEMPIRICALMODEDECOMPOSITIONANDWAVELETDECOMPOSITIONKEYWORDSDENOISINGANALYSIS；WAVELETTRANSFORM；EMD；EEMD；SNR件”时，因异常事件的局部包络与信号固有模式全局包络的0前言混叠，使EMD降噪方法效果不佳。集合经验模态分解EEMD降噪方法针对有突变故障的振动信号，依据正态分布白振动信号分析，是振动故障诊断主要手段。在故障特征噪声在EMD中的统计特性，在信号中添加的白噪声平滑异提取过程中无法区分噪声和信号中的高频成分，是影响特征常事件，使异常事件模式在EMD分解过程中混入到白噪声提取的主要原因。动静碰磨故障中，振动信号的非线性以及模式中，抑制异常事件模式和信号振动固有模式的混叠。所夹杂噪声的非稳定性，传统的FOURIER无法实现信号的时域和频域局部化定位故障发生的时间区间，对噪声信号非稳1信号分析方法及消噪原理定性突变也无法辨别。小波分析具有多分辨率、时频局部化功能。在信号突变11基于小波分析的降噪方法部分，某些小波分量表现的幅度大，与噪声在高频部分的正通过小波分解，将振动信号分解为一系列的近似分量和好成鲜明对比，因此小波分解能有效地区分信号中的突变部细节分量，由于噪声信号大部分都属于高频成分，并且分散分的高频量，也能明显地表现低频信号中所混杂的噪声高频在大量小波系数上，因次相比分布相对较集中的振动信号而量。但小波去噪效果关键在于小波基的选取，选取最优小波言，其小波系数值肯定较小。因此通过对细节分量进行阀值基是小波去噪的难点。处理，可以在一定程度上去除振动信号中的噪声。然后经过经验模态分解EMD是一种非线性信号分析方法，可将小波重构就可以得到小波去噪后的信号。一个复杂信号分成多个内禀模态函数IMF的组合，分解得在小波去噪过程中最重要的是阀值的选取，小波去噪分到的IMF分量更能体现信号的局部特征。自适应性是EMD为以下几个步骤的主要特点，EMD分解的基函数直接从原始信号中产生，对1小波分解。选取合适的小波基和分解层数，对含有不同的信号会产生不同的基函数。基于EMD的自适应信号噪声的振动信号进行小波多尺度正交分解，得到各层的近似消噪将会弥补小波分析中基函数选取带来的不变。分量和细节分量。EMD依赖信号局部极值，应用三次样条插值函数求解2阀值处理。在进行阀值处理之前需选定阀值规则，信呈包络及包络均值，次盆詹IMF，当信号中存在“异常事阀值规则包括4种，RIGRSURE一基于无偏估计原理的自适应收稿日期20111222作者简介邴汉昆1987，男，硕士研究生，研究方向汽轮发电机组振动状态检测及故障诊断。汽轮机技术第54卷阀值选择；HEURSURE一启发式阀值选择规则，最优预测变量阀值选择；SQTWOLOG一固定的阀值形式，产生阀值大小为SQT2LOG1ENGTHX；MINIMAX一极大极小原理选择阀值，产生一个最小均方误差的极值。3信号重构。根据经过阀值处理后的细节分量和对应层的近似分量进行逐层向上重构，进而得到去噪后的信号。12经验模态分解算法EMD基于信号局部特征时间尺度，从原信号中提取出内在模函数IMF。各IMF分量包含了原信号的不同时间尺度的局部特征信息。EMD分解采用基于信号的自适应基对信号进行分解，弥补了小波分析的缺陷。EMD分解的一系列IMF是单分量信号，每个IMF满足以下两点1整个IMF中过零点数和极值点数至多相差1。2信号关于时间轴对称，即信号由局部极大值确定的包络线和由局部极小值确定的包络线均值为零。经验模态分解过程1寻找数据T的极值点，将所有极大值点、极小值点分别用一条曲线联接起来，使两条曲线间包含所有的信号数据。2计算两条包络线的平均值记作MT，并用T减去M。T得到H。T。3检查H。是否满足IMF的定义，不满足需将H。视为新数据重复13；否则分离出来第一个IMF记作C。4一C将看做新的数据重复上述步骤，直到变为一个常量或者只有一个极值点不能再有IMF提取出来为止，此时RN被称作余量。13集合经验模态分解方法为克服EMD分解信号中存在异常事件存在弊端，依据正态分布白噪声在EMD中的统计特性，在信号中添加的白噪声来平滑异常事件，使异常事件模式在EMD分解过程中混入到白噪声模式中，抑制异常事件模式和信号振动固有模式的混叠。特引入EEMD分析概念。集合经验模态分解过程如下1添加与信号等长度的白噪声信号，并对加入的白噪声信号进行归一化处理；2应用EMD对加入白噪声后的信号进行分解，得到各IMF分量CT，I1；3重复1、2步骤N次，要求每次加入新的随机正态分布白噪声序列；4将每次分解得到的IMFS对应集成平均，如T，T，I1N，1N，EEMD消除模式混叠的本质在于，每次分解添加的白噪声是均匀分布的并且添加的噪声之间不相关，因此对所有EMD分解的相应IMF求整体平均后人为添加的噪声被抵消掉。14消噪原理WU等人得出IMF的能量密度和其对应的平均周期的乘积是一个常数，即ECONSTN式中，E1C表示第N个IMF的能量密度，N为数据长度；表示第N个IMF的平均周期，N为MAXC中极大值的数据数目。对于正态分布的白噪声序列可假设上式中的常数为1，则INLN70，其中ELIME。将含噪声信号进行EMD分解得IMFS；然后确定置信级，根据扩展函数画出能量密度的扩展限；最后将其与含噪信号的IMFS的能量密度相比较，超过或者低于扩展限的IMFS，将被认为在此置信级下含有信号。经过这样的处理，可以判定哪一个从含噪信号得到的IMF含有有用信息，哪一个IMF为纯噪声不含信息，从而达到去噪目的J。去噪步骤如下1对含有噪声的振动信号进行EMD分解，得到各IMF；2计算各个IMF的能量密度，以及相应的平均周期；3找出LLNEINIIN0的IMF，记集合JJNLLNE1NLN；4则去噪后的信号为；C。2碰磨振动信号降噪研究分析为了便于对比不同分析方法下的降噪性能，选用信噪比来度量去噪效果。定义信噪比SNR为SNR10LOGLL上式中的是原始信号，面是降噪后的信号。若降噪后的信号信噪比越大，则说明降噪性能越好。图L为某电厂运行过程中3号轴振动静碰磨信号，汽轮机转速3000RMIN，采样频率为2000HZ，采样点数为2408，可以明显看出振动信号中含有明显噪声。振动信号昌O0罂0_0昌董喏采样时间，S图12号轴振部分振动信号对振动信号进行分解去噪，EEMD中添加噪声参数设置为06，噪声次数为200次，分解结果如图2所示，EMD分解结果如图3所示。小波分解中采用DB6小波基，进行4层分解。进行自适应阀值去噪后对小波系数进行重构，分解结果如图4所示。针对分解出的各IMF分量，根据经验值将。设第6期邴汉昆等汽轮机动静碰磨振动信号去噪方法分析研究46502萝0201目02EEMD分解后各分量020040060080010L2加1400L6呻1跏20帅02004006008001O呻L抛L4呻16呻擒002O呻01R1R1R1R11晏0卜N九MMN1N020040060080010I1200140016001811O2010002RRRRRRTTT黾0卜V、，、，V、V、，目00茄莉1面LLL100200400600800L00O121彻L60O180020008FXLO二3二二二二二二二蓦一2E11巨X1030O1厂_FR1111_1O00E图2EEMD信号分解及去噪后频谱图置为03，计算出置信区间的IMFS进行信号重构，得到去噪后的信号。以信噪比为衡量标准，经过对去噪信号的分析计算，将结果列于表1中表13种去噪方式信噪比由计算的信噪比以及对比图4、图5与图6中经过BENT1Y208数据采集分析仪分析在ADRE软件中读取的该通道频谱图中可以看出小波分析通过阀值去噪抑制了高频噪声的及碰磨突变信号，但小波分析降噪后的振动信号存在一定程度的变形，与原始振动信号存在较大差异，这点在频谱图上表现的更为明显。这是由于针对信号的小波分析缺乏自适EMD分解后各分量0200400600800L000D00L40O16呻L咖20呻0200400600800L咖L200L40OL锄180O2O呻0200400600800L0L214001棚01踟O200002004006008OOL0L2140O16呻18002O00002R11RT1RT，_下1目。00O02RRRR1_T_R_T1_1_T10,02L0E三三三三至塞R嗣。0占_厂茄舢O。10L厂二二二二二二习。一5【1JL。LJJLLJ_一J0200400600800100012F1014001600180020帅EMD去噪后频谱图昌毒骧图3EMD信号分解及去噪后频谱图应性，导致在高频部分分析时，处理低能量的高频噪声和碰磨信号在高频部分的分量时产生混淆，无法通过阀值滤噪来去除。对比EMD和EEMD去噪，两者去噪效果较好，在振动信号处理中，EEMD去噪效果相对较好，通过EMD和EEMD降噪后的频谱图，经过图片放大可以看出EEMD分解后在高频部分的振动幅值相比较小，尤其是350HZ以后的信号部分。EMD对噪声和振动信号分析产生了混叠现象，EEMD表现了对高频部分有较好的去噪效果。在研究中发现，针对EEMD去噪，有两个参数添加的噪声与振动信号的标准差之比和添加噪声的次数。两个参数直接影响去噪效果。经过在MATLAB中进行交叉验证试验得到图7，可以得出以下结论当标准差之比确定的情况下，随着噪声次数的增加信噪比逐渐增大，但当增加到200次情况下，再增加添加次数信噪比不再显著增加；当添加噪声次数确定时，标准差之比越高，去噪效果越明显，但当比值到达06时，再增加比值信噪比也不再有大幅度的增加。故本文在保证精度的情况下参数选择为06和200。1O11O110LL0L0000O000_【陶茸N旨N嗣寸466汽轮机技术第54卷N小波分解各分量POINT3X45OLELTDIRAMPL69MICROMPPNNNMACHINEHPTUMBLEMACHINESPEED300110MAR20091253S46STMOJDNMLESPECNLAL【姗S400RES0L叨ON25HTZ“抛枷鲫跏舢伽姗舢砌50III一IIL名。I。I1I。L。枷删枷咖舢伽姗姗砌30。LI。LL鲁州。1I。L005赢L111L量II。F。ULJ1I_II10孽LL。01。204681000N1，；一O2叫000图FREEQU软E件NC中Y该通0H道ERT频ZD谱IV图小波去噪后频谱圈UU5U_0230、10045225220一鼎疆00402150035200003019S0025。4000020001500100005IIUA。加。L5。O0。40。45。EEMD在针对碰磨故障信号进行去噪分析时有较好的效果，频率HZ一一。能很好地处理有突变故障的振动信号。改振动信号去噪方图4小波信号分解及去噪频谱图法为故障诊断特征提取的准确性奠定了基础。K凡M参考文献一01002003004005006007008009001000原始振动信号1彭玉华小波变换与工程应用M北京科学出版社，2003一MM方法分析和实噪后振动信号00LJ_W洲UD，叫5儿3ZHFA，HUAILGNEA。0FTHECHARAEEMDJLUUYCTERISTICS01I14WHJTETNOISEUSINGTHEEMPIRICALMODEDECOMPOSONNLETLLO3_C