摘"要：為了提高濾波器下故障信號時域波形有效信息的提取能力，設(shè)計一種開關(guān)卡爾曼濾波算法應(yīng)用到葉輪故障振動信號特征提取領(lǐng)域。預(yù)測出所有時間點(diǎn)監(jiān)測數(shù)據(jù)最可能呈現(xiàn)出的狀態(tài)，將噪聲除去且有效辨別各沖擊成分，進(jìn)一步加強(qiáng)信號的信噪比。仿真信號結(jié)果表明，濾波后信噪比接近于噪聲添加后的信噪比，脈沖辨別成效顯著。試驗驗證結(jié)果表明，測量得到信號中有著顯著的噪聲，各個時刻評判出的信號成分都與現(xiàn)實(shí)情況相符。該研究可以拓寬到其他的機(jī)械傳動領(lǐng)域，且具有很好的市場應(yīng)用價值。

關(guān)鍵詞：葉輪；開關(guān)卡爾曼濾波；特征提?。辉肼曅盘?/p>

中圖分類號：TH17""文獻(xiàn)標(biāo)志碼：A""文章編號：1671-5276（2024）02-0067-04

Feature Extraction of Impeller Fault Vibration Signal Based on Switched Kalman Filter

YUAN Yan1， LI Feng2， WANG Dong3

（1. School of Mechanical and Electrical Engineering， Xi 'an Traffic Engineering Institute， Xi 'an 710399， China；

2. School of Mechanical Engineering， Xi 'an Jiaotong University， Xi 'an 710049， China；

3. Xi 'an Research Institute， China Coal Science and Industry Group， Xi 'an 710076， China）

Abstract：In order to improve the effective information extraction ability of fault signal time-domain waveform under filter， a switched Kalman filter algorithm was designed and applied to the feature extraction field of impeller fault vibration signal. The most likely state of monitoring data at all time points was predicted， the noise was removed and each impact component was effectively distinguished， and the signal to noise ratio was further strengthened. The simulation signal results show that the signal to noise ratio after filtering should be close to the noise ratio after adding noise， and the pulse discrimination effect is remarkable. The experimental verification results indicate that there is a significant noise in the measured signal， and the components of the signal judged at every moment are consistent with the reality. This research can be extended to other fields of mechanical transmission and has good market application value.

Keywords：rolling bearing; switched Kalman filter; feature extraction; noise sign

0"引言

國內(nèi)高爐煤氣余壓發(fā)電裝置（TRT），其葉輪作為核心部件，在運(yùn)行過程中受到流體載荷、離心力載荷等多種不同荷載的共同作用，極易受損，同時產(chǎn)生激烈的振動，甚至產(chǎn)生共振，引發(fā)機(jī)組故障，造成經(jīng)濟(jì)損失和人員傷亡［1］。目前，已有許多學(xué)者對如何提取葉輪的故障特征進(jìn)行研究，且獲得大量成果［2］。賀王鵬等［3］提出了一種全新的超小波構(gòu)造方式，實(shí)現(xiàn)對初期故障微弱信息的有效提取。CUI L L等［4］通過對匹配追蹤算法等方式的利用，著重分析葉輪故障診斷方法。AHMED H O A等［5］首先通過對壓縮感知法的利用，形成相應(yīng)的壓縮測量信號；其次，在深度神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上對數(shù)據(jù)的超完備稀疏表示進(jìn)行學(xué)習(xí)；最后，對故障類別實(shí)施劃分，仍可測量極度壓縮。以上診斷形式都以最終的診斷效果為中心，并未對診斷過程的時效性引起重視。

卡爾曼濾波算法的計算過程僅利用目前的監(jiān)測數(shù)據(jù)以及上個步驟的最佳估計值，所以理論層面無需保存非常多的監(jiān)測數(shù)據(jù)，有利于緩解硬件儲存負(fù)擔(dān)，同時也可大大提高計算速率。自卡爾曼濾波算法被KALMAN R E［6］提出后，被廣泛運(yùn)用在航空制導(dǎo)和電氣系統(tǒng)等方面；然而，現(xiàn)有研究卻并未將其與葉輪故障診斷相結(jié)合。KHANAM S等［7］在提取葉輪故障特征的過程中利用H∞濾波和卡爾曼濾波，結(jié)果發(fā)現(xiàn)卡爾曼濾波在診斷葉輪故障中的運(yùn)用是完全可行的，然而創(chuàng)建的單一濾波器模型無法對故障信號的變化情況進(jìn)行衡量；同時，在時域波形下，無法實(shí)現(xiàn)對故障沖擊的有效提取。

根據(jù)上述分析，本文提出全新的以開關(guān)卡爾曼濾波算法為基礎(chǔ)的故障特征提取方法。針對不同狀態(tài)構(gòu)建卡爾曼濾波器，完成相應(yīng)的處理工作。預(yù)測出所有時間點(diǎn)監(jiān)測數(shù)據(jù)最可能呈現(xiàn)出的狀態(tài)，從而將噪聲除去且有效辨別各沖擊成分，進(jìn)一步加強(qiáng)信號的信噪比。通過試驗驗證，可實(shí)現(xiàn)對沖擊成分的全面提取，說明本文所提方式是完全有效的。

1"開關(guān)卡爾曼濾波

在現(xiàn)實(shí)中，系統(tǒng)狀態(tài)是隨時發(fā)生變化的，所以本文提出了開關(guān)卡爾曼濾波算法。首先，對系統(tǒng)各式各樣的狀態(tài)進(jìn)行分析，同時根據(jù)所有狀態(tài)創(chuàng)建對應(yīng)的卡爾曼濾波器；其次，對所有時刻不同狀態(tài)的概率進(jìn)行計算，從而判斷出在此時刻系統(tǒng)會出現(xiàn)的狀態(tài)［8］。具體計算步驟如下。

基于貝葉斯估計理論，針對由l個卡爾曼濾波器描繪的動態(tài)系統(tǒng)模型的變換概率如下［9］：

Sijk=ZijSik－1∑li=1ZijSik－1（1）

式中：Zij是模型轉(zhuǎn)移矩陣；Sk是系統(tǒng)概率。

加權(quán)狀態(tài)和協(xié)方差估計：

X～jk－1=∑li=1SijkXik－1（2）

P～jk－1=∑li=1SijkPik－1+Xik－1－Xjk－1Xik－1－Xjk－1T（3）

式中：X是后驗狀態(tài)估計值；P是后驗估計協(xié)方差。

將式（2）和式（3）的結(jié)果應(yīng)用于式（1），能夠得到所有模型相應(yīng)的最佳狀態(tài)。計算所有濾波器模型的似然估計：

Lik=N（Vik，0，Cik）（4）

式中：測量殘差Vk=Yk－HX∧k；殘差協(xié)方差Ck=HP∧kHT+R。

在k時刻，所有模型的概率為

Sik=Lik∑li=1ZijSik－1∑li=1（Lik∑li=1ZijSik－1）（5）

更新以后的加權(quán)狀態(tài)與協(xié)方差計算為

Xk=∑li=1SikXik（6）

Pk=∑li=1SikPikXik－XkXik－XkT（7）

根據(jù)上述分析可知，本文通過開關(guān)卡爾曼濾波算法對故障信號進(jìn)行處理，可實(shí)現(xiàn)對沖擊成分的有效識別，從而達(dá)到故障診斷的目的。本文所提方法的詳細(xì)流程如圖1所示。

2"仿真與試驗驗證

2.1"仿真驗證

對故障葉輪振動信號進(jìn)行仿真，結(jié)果如圖2（a）所示。為了對各種信噪比狀況下的噪聲去除成效進(jìn)行驗證，針對圖2（a）中的信號添加高斯白噪聲，使其信號信噪比達(dá)到10 dB、-10 dB，結(jié)果如圖2（b）所示。針對圖2（b）中的信號進(jìn)行時域濾波處理，最終結(jié)果如圖3所示。通過對圖3（a）和圖2（b）的分析可知，開關(guān)卡爾曼濾波將噪聲高效過濾，實(shí)現(xiàn)對沖擊成分的有效辨別。如果噪聲較大，判斷時間較少，與現(xiàn)實(shí)誤差極大。因此可知，如果噪聲非常大，在濾波時通常會將后期幅值比較低的高頻振動作為噪聲，進(jìn)而造成判斷失誤。本文所提方式可以基本準(zhǔn)確判斷沖擊出現(xiàn)的時間點(diǎn)，這對于葉輪故障診斷是極其關(guān)鍵的。濾波前后指標(biāo)值如表1所示。通過對比可知，相較于濾波前，濾波后的所有指標(biāo)均有顯著的改變。

表2—表3列舉了對應(yīng)的時域量綱—指標(biāo)值。利用普通振動濾波器模型，濾波后的指標(biāo)值較濾波前有很大的變化，然而其沒有辨別出脈沖。如表4所示，針對以上3種不同的濾波形式進(jìn)行比較。在理想狀況下，濾波后的信噪比理應(yīng)接近于噪聲添加后的信噪比。根據(jù)表4可知，利用普通振動濾波器模型后，濾波后的信噪比都有不同程度的下降，說明其對于信號的濾波是過度的，有效成分同樣會被濾除。然而，通過對基于脈沖沖擊模型的利用，信噪比有所上升，說明其對于信號沒有完全濾波，無法除去噪聲?？傮w而言，本文所提方式集中了以上兩類模型具有的優(yōu)點(diǎn)，脈沖辨別成效顯著。

2.2"試驗驗證

通過IMS提供的數(shù)據(jù)開展驗證試驗。旋轉(zhuǎn)軸由4個“RexhordZA-2115”葉輪來帶動，所有葉輪座都加裝了傳感器并對數(shù)據(jù)進(jìn)行實(shí)時收集。數(shù)據(jù)收集的間隔為10min，每次收集時間為1s。各葉輪共收集984組數(shù)據(jù)。

葉輪的振動信號原始波形如圖4所示。從圖中可以發(fā)現(xiàn)，測量得到的信號中有著顯著的噪聲。通過本文所提方式對此信號進(jìn)行處理，獲得圖5所示的時域濾波結(jié)果。與初期測量信號相比，濾波以后的結(jié)果更加干凈、沖擊成分十分顯著。由此得到驗證，各個時刻評判出的信號成分都與現(xiàn)實(shí)情況相符。

為了對本文所提方式的優(yōu)越性進(jìn)行驗證，依次單獨(dú)利用兩類濾波器模型來處理信號，最終結(jié)果如圖6和圖7所示。試驗結(jié)果與仿真分析相同，利用普通振動濾波器模型，對于信號的濾波是過度的，有效成分同樣會被濾除；而利用基于脈沖沖擊模型，則無法將噪聲成分完全濾除。

3"結(jié)語

1）仿真信號結(jié)果表明：濾波后的信噪比理應(yīng)接近于噪聲添加后的信噪比，其對于信號沒有完全濾波，本文所提方式集中了以上兩類模型具有的優(yōu)點(diǎn)，脈沖辨別成效顯著。

2）試驗驗證結(jié)果表明：測量信號中有顯著噪聲，各個時刻評判出信號成分都與現(xiàn)實(shí)情況相符。試驗結(jié)果與仿真分析相同，如利用普通振動濾波器模型，對于信號濾波是過度的，有效成分會被濾除。

參考文獻(xiàn)：

［1］ 雷亞國，賈峰，孔德同，等. 大數(shù)據(jù)下機(jī)械智能故障診斷的機(jī)遇與挑戰(zhàn)［J］. 機(jī)械工程學(xué)報，2018，54（5）：94-104.

［2］ 劉東東，程衛(wèi)東，萬廣通. 基于故障特征趨勢線模板的滾動軸承故障診斷［J］. 機(jī)械工程學(xué)報，2017，53（9）：83-91.

［3］ 賀王鵬，訾艷陽，陳彬強(qiáng)，等. 周期稀疏導(dǎo)向超小波在風(fēng)力發(fā)電設(shè)備發(fā)電機(jī)軸承故障診斷中的應(yīng)用［J］. 機(jī)械工程學(xué)報，2016，52（3）：41-48.

［4］ CUI L L，WU N，MA C Q，et al. Quantitative fault analysis of roller bearings based on a novel matching pursuit method with a new step-impulse dictionary［J］. Mechanical Systems and Signal Processing，2016，68/69：34-43.

［5］ AHMED H O A，WONG M L D，NANDI A K. Intelligent condition monitoring method for bearing faults from highly compressed measurements using sparse over-complete features［J］. Mechanical Systems and Signal Processing，2018，99：459-477.

［6］ KALMAN R E. A new approach to linear filtering and prediction problems［J］. Journal of Basic Engineering，1960，82（1）：35-45.

［7］ KHANAM S，TANDON N，DUTT J K. A system dynamic approach to bearing fault identification with the application of Kalman and H∞ filters［J］. Journal of Vibration and Control，2016，22（13）：3032-3056.

［8］ 朱麟海，馮春達(dá)，劉金福，等. 基于濾波陣列的燃?xì)廨啓C(jī)氣路故障診斷研究［J］. 熱能動力工程，2022，37（12）：174-180.

［9］ 崔玲麗，王鑫，王華慶，等. 基于改進(jìn)開關(guān)卡爾曼濾波的軸承故障特征提取方法［J］. 機(jī)械工程學(xué)報，2019，55（7）：44-51.

收稿日期：20230511