一种电机传动系统多参量监测信号自适应处理方法、设备及介质与流程

摘要: 本发明属于电机传动设备状态监测与信号处理,具体涉及了一种电机传动系统多参量监测信号自适应处理方法、设备及介质。背景技术:1、当前电机传动系统作为设备核心动力控制...
一种电机传动系统多参量监测信号自适应处理方法、设备及介质与流程

本发明属于电机传动设备状态监测与信号处理,具体涉及了一种电机传动系统多参量监测信号自适应处理方法、设备及介质。

背景技术:

1、当前电机传动系统作为设备核心动力控制传输部件,其状态监测多采用单一传感器或多传感器简易采集方案,在信号处理环节存在以下局限:

2、1)传统方案多采用固定阈值小波去噪、常规卡尔曼滤波等单一算法,难以适配传动系统外场复杂工况、变转速、变负载的动态干扰变化,易出现滤波强度匹配性不足的问题。

3、2)常规信号处理方式较为笼统,无法针对性区分随机野值、电磁周期干扰、温度基线漂移等多类异常信号类型,难以适配不同干扰的差异化处理需求。

4、3)电流高频响应信号、振动冲击信号、温度慢变漂移信号属于异构特性信号,现有技术缺少差异化辨识与精准处理策略,微弱故障特征提取能力有限。

5、4)多源异构信号采集独立计时,易产生时序偏移,影响后端特征关联分析与状态研判准确性。

6、5)传统信号处理多为开环单次运算模式,无法根据现场工况与干扰环境动态迭代优化,长期运行下适配性与稳定性受限。

技术实现思路

1、本发明为解决现有电机传动系统多参量监测信号处理技术工况适配性弱、异常处理同质化、微弱特征提取能力不足、多源信号时序一致性差、无动态优化机制的技术局限,在第一方面,提供了一种电机传动系统多参量监测信号自适应处理方法,包括:

2、步骤1:同步采集系统三个通道的第一信号,分别计算各通道第一信号的干扰因子

if,基于配置的干扰判定阈值,根据所述干扰因子

if分别判定各通道的第一信号的干扰等级为强干扰、中度干扰或弱干扰;

3、步骤2:将干扰等级为强干扰的第一信号,执行改进自适应小波阈值去噪得到第二信号;对于干扰等级为中度干扰的第一信号,跳过所述改进自适应小波阈值去噪,将原始的第一信号作为第二信号,对于干扰等级为弱干扰的第一信号,跳过步骤3和步骤4,将原始的第一信号作为第三信号;

4、步骤3:基于各通道的第二信号分别计算正常阈值区间,并基于预制定的量化分类辨识机制分别识别各第二信号的异常类型,所述异常类型包括随机野值、周期电磁干扰和温度漂移;

5、步骤4:基于各异常类型的第二信号,基于预制定的量化异常剔除机制分别对各异常类型的第二信号进行异常剔除得到第三信号;

6、步骤5:分别对各第三信号执行带残差判别的卡尔曼滤波平滑处理,输出平滑信号,滤波过程中,根据滤波残差与预设阈值的比较结果,自适应更新滤波参数;

7、步骤6:分别对各平滑信号执行同步校准得到第四信号;

8、步骤7:将步骤5中的滤波残差、滤波参数和步骤4中提取到的周期干扰主频反馈至步骤1,以动态更新下一周期的干扰判定阈值,形成闭环迭代优化。

9、进一步地,在步骤1中,所述分别计算各通道第一信号的干扰因子

if,根据所述干扰因子

if分别判定各通道的第一信号的干扰等级为强干扰、中度干扰或弱干扰,包括:

10、在一个处理周期中,传感器基于预设的采样频率采集系统各通道的采样值作为第一信号,基于各通道的采样值,信号均值和采样点数计算干扰因子

if,包括:

11、

12、式中,

x(

n)为单路信号第

n个瞬时采样值,为信号幅值的均值,

n为信号采样点数;

13、预先设定强干扰阈值

ifh和低干扰阈值

ifl,并将各通道计算出的干扰因子

if,与预设强干扰阈值

ifh和低干扰阈值

ifl作比较,基于比较结果判定各通道信号的干扰等级为强干扰、中度干扰和弱干扰,包括;

14、如果

if≥

ifh:判定对应通道上的第一信号的干扰等级为强干扰;

15、如果

ifl≤

if<

ifh:判定对应通道上的第一信号的干扰等级为中度干扰;

16、如果

if<

ifl:判定对应通道上的第一信号的干扰等级为弱干扰。

17、进一步地,在步骤2中,将干扰等级为强干扰的第一信号,执行改进自适应小波阈值去噪,得到第二信号,包括:

18、将干扰等级为强干扰的第一信号经小波变换拆解为低频近似系数和各层高频细节系数;构建自适应小波阈值,所述自适应小波阈值计算公式包括:

19、

20、其中

σ为噪声方差,

j为小波分解层数;

21、基于自适应小波阈值制定小波系数分层处理规则,将各层高频细节系数分别基于分层处理规则输出阈值处理后的修正系数,将修正系数与低频近似系数执行小波逆变换重构,得到第二信号。

22、进一步地,所述基于自适应小波阈值制定小波系数分层处理规则,将各层高频细节系数分别基于分层处理规则输出阈值处理后的修正系数,包括:

23、若高频细节系数绝对值满足,则将高频细节系数直接置零作为修正系数;

24、若高频细节系数绝对值满足,则将高频细节系数乘以比例因子进行比例压缩后作为修正系数;

25、若高频细节系数绝对值满足,则执行软阈值收缩处理作为修正系数,所述软阈值收缩处理通过计算修正系数,其中sgn()为符号函数,若括号内变量的值大于0,则函数值为1;若括号内变量的值等于0,则函数值为0;若括号内变量的值小于0,则函数值为-1。

26、以上步骤的有益效果为;区别于传统单一硬/软阈值,三段式分级约束可将低于半阈值的小幅高频底噪直接置零滤除,对介于半阈值与全阈值之间的临界微弱分量进行压缩保留,对高于阈值的有效信号特征采取软阈值收缩处理,在强效滤除无效噪声的同时,最大限度的保留电机传动设备冲击类故障敏感特征,兼顾去噪与故障特征保留。

27、进一步地,在步骤3中,所述基于各通道的第二信号分别计算其时域幅值的正常阈值区间,并基于预制定的量化分类辨识机制分别识别各第二信号的异常类型,包括:

28、计算各通道上第二信号幅值的均值为

μ和标准差

σ,并基于均值和标准差计算第二信号的正常阈值区间为[,],其中,;

29、预先制定量化分类辨识机制,将第二信号基于预定制的量化分类辨识机制输出各第二信号的异常类型为随机野值、周期电磁干扰、温度漂移和正常信号;

30、所述预制定的量化分类辨识机制包括基于瞬时异常持续长度的辨识机制,基于周期重复性的辨识机制和基于慢变漂移特征的辨识机制,包括:

31、获取同一个处理周期内的任意一个通道上的所有采样点并按照被采集的时间顺序排列,记排列后所有信号幅值超出正常阈值区间的采样点为异常点,并统计异常点的数量为;

32、所述瞬时异常持续长度的辨识机制包括:若=1,且异常点的采集时间前后的第二信号均处于正常阈值区间,则判定该信号的异常类型为随机野值;

33、所述基于周期重复性的辨识机制包括:若,且在设定的l个信号观察窗口内,统计所有的异常点,将采集时间为相邻时间的异常点共同构成一个异常信号片段,将所有异常信号片段按照采集时间顺序排列,若相邻两个所述异常数据片段的特征极值点之间的实际时间间隔,与预设的固定理论周期t之间的相对偏差百分比小于预设的百分比阈值,则判定该信号的异常类型为周期电磁干扰;其中,所述特征极值点为异常数据片段中的局部最大值或局部最小值,所述固定理论周期t为从信号频域中提取到的所述干扰主频的倒数;

34、所述基于慢变漂移特征的辨识机制包括:若=0,则从第二个采样点开始,计算当前采样点的温度值与前一时刻第二信号的温度值的差值作为当前采样点的一阶差分,若连续预设数量

nc个采样点的一阶差分都保持同一符号,并且连续

nc个采样点的累积温度变化大于预设温度阈值

tdiff,则判定该信号的异常类型为温度漂移,其中,所述累积温度变化为所述

nc个采样点中首个采样点与末个采样点的温度差值的绝对值;

35、进一步地,所述累积温度变化包括:在所有预设数量

nc个采样点中,首个采样点和末个采样点的温度差值的绝对值。

36、进一步地,将不符合任一辨识机制的第二信号判定为正常信号,均输出原始的正常信号为第三信号。

37、进一步地,在步骤4中,所述基于预制定的量化异常剔除机制对各异常类型的第二信号进行异常剔除得到第三信号,包括:

38、预先制定量化异常剔除机制,并将各异常类型的第二信号基于预制定的量化异常剔除机制进行异常剔除得到第三信号;

39、所述预制定的量化异常剔除机制,包括:基于随机野值的精准剔除机制、基于周期电磁干扰的精准剔除机制和基于温度漂移的精准剔除机制:

40、基于随机野值的精准剔除机制:以随机野值类型的异常点的序号k为中心,分别同时获取异常点的采集时间前后若干采样点作为初始候选点,剔除所有初始候选点中存在的异常点,保留预设数量的剩余的候选点为有效候选点,构成有效候选点集合ω,计算集合ω中各有效候选点权重,并通过加权平均公式计算修正替换值,并将所述修正替换值替换原异常点处的信号幅值,其中为有效候选点的信号幅值,i为有效候选点的序号,为异常点索引与候选点索引之间的采集时间序列距离;

41、基于周期电磁干扰的精准剔除机制:获取异常类型为周期干扰的所有异常信号片段基于傅里叶频谱分析解析频域分量,剔除工频基础分量后,在剩余的频谱中筛选频谱幅值大于剩余的频谱的均值三倍的窄带干扰主频,基于窄带干扰主频设计二阶带阻陷波器,阻带区间为,将周期电磁干扰的异常信号片段基于所述二阶带阻陷波进行窄带滤波处理,输出滤除周期干扰后的信号为第三信号;

42、进一步地,当第二信号中存在多个干扰主频时,将多个带阻陷波器级联,依次滤除各周期干扰频点。

43、基于温度漂移的精准剔除机制:将判定为温度漂移类型的连续采样点区间确定为漂移区间;提取所述漂移区间内所有采样点的温度值,构成待拟合温度序列;对所述待拟合温度序列执行二次多项式最小二乘拟合,得到缓慢漂移趋势项;将所述待拟合温度序列中的温度值减去所述缓慢漂移趋势项,得到校准后的温度信号,并将所述校准后的温度信号作为所述第三信号。

44、进一步地,在步骤5中,所述分别对各第三信号执行带残差判别的卡尔曼滤波平滑处理,输出平滑信号,滤波过程中,根据滤波残差与预设阈值的比较结果,自适应更新滤波参数,包括:

45、采用标准离散线性卡尔曼滤波递推框架,将第三信号输入递推框架中,在当前时刻k的观测信号被获取后、且在对该当前时刻进行观测更新之前,提取所述标准递推框架中基于上一时刻最优估计值所生成的一步状态预测值;

46、将所述观测信号和所述一步状态预测值作差,生成滤波残差,其中,

h为卡尔曼滤波框架的状态矩阵;

47、当时,则判定信号平滑合格,直接输出经当前时刻观测更新后得到的最优状态估计值作为最终平滑信号;

48、当时,判定存在残余强干扰,自适应更新卡尔曼滤波模型过程噪声协方差q和观测噪声协方差r,并对第三信号重新执行滤波迭代,再次计算滤波残差;

49、设定一个最大迭代次数,当检测到滤波残差大于进入自适应更新,每完成一次迭代,迭代次数计数器加1;

50、如果迭代次数达到后,计算出的滤波残差仍然大于,系统判定当前信号属于极端强瞬态干扰或传感器硬件故障,此时放弃继续迭代,强制输出当前最新的最优估计值

x(

k|

k)作为平滑结果,同时为此时输出的平滑信号并同步保存生成一个滤波异常告警标志;

51、所述自适应更新卡尔曼滤波模型过程噪声协方差q和观测噪声协方差r,包括:

52、计算残差偏离程度因子

β,;

53、更新过程噪声协方差q为:q_{new} = β×q_{current},其中q_{new}为更新后的过程噪声协方差,q_{current}为当前过程噪声协方差;

54、利用更新后的q_{new}和当前的观测噪声协方差

r,重新执行卡尔曼滤波迭代,重新计算卡尔曼增益

k(

k)并更新最优状态估计值

x(

k|

k),并再次计算此时的滤波残差;

55、如果重新迭代后的滤波残差依然大于,则将观测噪声协方差r也适度放大为r_{new} = 1.2×r,并以更新后的r_{new}重新执行卡尔曼滤波迭代步骤,直至滤波残差满足收敛条件或达到最大迭代次数。

56、进一步地,在步骤6中,所述平滑信号执行同步校准得到第四信号,包括:

57、提取基准通道上平滑信号的过零特征点作为基准时间戳,分别读取其他通道上的平滑信号在同一处理周期内的实际时间戳,计算其他通道上平滑信号的实际时间戳与基准时间戳的时间差值δ

t;

58、若δ

t大于预设阈值,获取所述其他通道上平滑信号的采集时间前后相邻的平滑信号的信号幅值和实际时间戳,通过线性插值公式计算并重构出在基准时间戳时该信号的理论幅值,并利用所述理论幅值替换所述其他通道上平滑信号在所述实际时间戳处的原始采样值,实现精准对齐;

59、若δ

t不大于预设阈值,直接将所述其他通道上平滑信号的实际时间戳强制改写为基准时间戳,完成时间维度的物理对齐;

60、进一步地,所述基准通道为电流信号通道,所述过零特征点为电流信号的过零特征点,所述其他通道包括振动信号通道和温度信号通道。

61、进一步地,将校准同步后的信号处理过程参数包括:噪声标准差

σ、干扰判定阈值、周期干扰主频、滤波系数等存储至存储器中,在对下一周期的信号进行自适应处理时,利用更新后的噪声标准差

σ动态修正下一周期的干扰等级判定区间与过程参数,形成持续迭代优化闭环,长期提升复杂工况下信号处理稳定性与精度。

62、进一步地,所述利用更新后的噪声标准差

σ动态修正下一周期的干扰等级判定区间与过程参数,形成持续迭代优化闭环,包括:

63、计算当前周期噪声标准差σnew与预设基准噪声标准差σbase的偏差率,利用所述偏差率按预设的调节系数动态放大或缩小下一周期的强干扰阈值ifh和低干扰阈值ifl,形成闭环迭代优化。

64、在第二方面,本发明还提供一种电子设备,包括:

65、一个或多个处理器;

66、存储器,用于存储一个或多个程序;

67、当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述电机传动系统多参量监测信号自适应处理方法。

68、在第三方面,本发明还提供一种计算机可读存储介质,包括计算机程序,所述计算机程序在计算机上被执行时,使得所述计算机执行上述电机传动系统多参量监测信号自适应处理方法。

69、本发明的有益效果:

70、(一)干扰分级自适应精准处理:三路信号独立干扰量化分级,针对强、中、弱不同干扰强度匹配差异化去噪策略,高频随机噪声、电磁谐波干扰压制彻底,完美适配电机传动系统重载、交变转速、强电磁干扰等复杂现场工况。

71、(二)多类型异常精细化区分处理:通过连续超限点数、周期间隔误差、差分趋势连续性等量化判据,精准区分单点野值、周期性电磁干扰、温度基线漂移三类典型异常,配套专属处理算法,避免同质化处理导致的特征损耗。

72、(三)微弱故障特征高保真提取:通过三段式小波阈值约束、反距离加权邻域修正、基线趋势项分离扣除等优化设计,在高效滤除干扰的同时,完整保留轴承、齿轮、电机早期微弱冲击与故障特征分量,提升故障早期预警能力。

73、(四)多源信号高精度时序统一:依托高速响应过零特征点作为全局时间锚点,实现异构信号亚毫秒级精准对齐,消除时序偏移带来的数据分析误差,保障多源特征融合研判的准确性。

74、(五)闭环迭代自适配优化:首创信号处理闭环反馈机制,利用现场实时有效数据动态迭代更新判定基准与滤波参数,具备工况自识别、干扰自适配能力,长期连续运行鲁棒性与稳定性显著提升。

75、(六)工程落地性强:整体算法模块化、轻量化设计,运算负荷低,可直接嵌入式部署于本地监控控制器,无需额外硬件改造,适配电机传动设备规模化在线监测应用场景。