基于压缩小波频谱图像的汽轮机位移故障特征信号滤波方法
本发明涉及汽轮机状态监测与数字信号处理,具体应用于汽轮机位移故障特征信号的降噪滤波及故障诊断场景。
背景技术:
1、汽轮机运行状态监测领域中,位移故障特征信号是反映转子运行状态的重要依据,信号质量直接影响故障识别与状态评估的可靠性。实际工程场景下,受现场电磁环境、设备振动及供电系统等因素影响,通过传感器采集的汽轮机位移故障特征信号通常同时包含随机噪声与工频噪声,若直接将含噪信号用于状态分析,易造成对汽轮机实际运行状态的误判。
2、目前针对汽轮机位移故障特征信号的降噪处理,通常采用独立的技术手段分别滤除随机噪声与工频噪声。其中工频噪声的抑制多采用陷波器方案,该方案的应用前提为工频噪声的频谱保持固定,而实际工况中的工频噪声存在一定幅度的波动,为保证工频噪声的滤除效果,需要将陷波器的频谱范围设置得较宽,这一设置会同时造成有用信号成分的损失,降低信号处理的整体准确性。现有处理方式难以在有效滤除两类噪声的同时,完整保留原始信号中的故障特征信息,无法充分满足后续信号分析与故障诊断的使用需求。
技术实现思路
1、本发明的目的在于提供一种基于压缩小波频谱图像的汽轮机位移故障特征信号滤波方法,用于解决现有技术难以同时有效滤除随机噪声与工频噪声,且滤波过程易造成有用信号成分损失的问题。
2、为实现上述目的,本发明提供以下技术方案:
3、一种基于压缩小波频谱图像的汽轮机位移故障特征信号滤波方法,包括以下步骤:
4、采集汽轮机位移故障特征信号;
5、对所述汽轮机位移故障特征信号进行相空间重构与奇异值分解,得到奇异值序列与奇异向量序列;
6、依据所述奇异值序列与所述奇异向量序列进行阶次优化,得到最优奇异值重构阶次,对所述最优奇异值重构阶次对应的分量进行奇异值分解逆变换,得到降噪后故障特征信号;
7、对所述降噪后故障特征信号进行同步挤压小波变换,生成二维频谱图像;
8、对所述二维频谱图像进行频谱区间定位,得到工频噪声对应的最优频谱区间;
9、将所述二维频谱图像中对应所述最优频谱区间的小波系数置零,进行同步挤压小波逆变换,得到滤波后的汽轮机位移故障特征信号。
10、在一种可能的实现方式中,所述对所述汽轮机位移故障特征信号进行相空间重构与奇异值分解,得到奇异值序列与奇异向量序列的步骤包括,
11、对所述汽轮机位移故障特征信号进行相空间重构,生成多维相空间矩阵;
12、对所述多维相空间矩阵进行奇异值分解,得到两组正交奇异矩阵与对角奇异值矩阵;
13、从所述对角奇异值矩阵中提取对角元素,生成奇异值序列,从所述正交奇异矩阵中提取列向量,生成奇异向量序列。
14、在一种可能的实现方式中,所述依据所述奇异值序列与所述奇异向量序列进行阶次优化,得到最优奇异值重构阶次的步骤包括,
15、对所述奇异值序列进行前向差分运算,得到差分奇异值序列;
16、依据所述差分奇异值序列的峰值位置确定初始有效奇异值阶次;
17、对所述初始有效奇异值阶次范围内的奇异向量波形进行特征判别,剔除对应噪声分量的奇异向量阶次,得到最优奇异值重构阶次。
18、在一种可能的实现方式中,所述对所述降噪后故障特征信号进行同步挤压小波变换,生成二维频谱图像的步骤包括,
19、对所述降噪后故障特征信号进行连续小波变换,得到多尺度小波系数矩阵;
20、对所述多尺度小波系数矩阵进行时间维度偏导运算,计算得到各尺度各时刻对应的瞬时频率值;
21、对频率轴进行区间划分,将瞬时频率落入同一频率区间的小波系数进行叠加挤压,得到各频率区间对应的同步挤压小波系数;
22、以时间为横轴、频率为纵轴,结合所述同步挤压小波系数构建生成二维频谱图像。
23、在一种可能的实现方式中,所述对所述二维频谱图像进行频谱区间定位,得到工频噪声对应的最优频谱区间的步骤包括,
24、对所述二维频谱图像沿频率维度进行行内能量求和,将二维系数数据转换为一维频谱能量序列;
25、在所述一维频谱能量序列中定位工频成分对应的能量峰值位置;
26、查找所述能量峰值位置两侧的能量极小值点,将两侧极小值点对应的频率范围确定为工频噪声对应的最优频谱区间。
27、在一种可能的实现方式中,所述对所述降噪后故障特征信号进行连续小波变换,得到多尺度小波系数矩阵的步骤包括,
28、选取母小波函数,对所述降噪后故障特征信号进行多尺度连续小波卷积运算,得到不同尺度与时间位置的小波系数,组成多尺度小波系数矩阵。
29、在一种可能的实现方式中,所述对所述初始有效奇异值阶次范围内的奇异向量波形进行特征判别,剔除对应噪声分量的奇异向量阶次的步骤包括,
30、分析各阶奇异向量的波形形态特征,将波形呈现无规则随机波动的奇异向量判定为噪声分量;
31、将噪声分量对应的阶次从所述初始有效奇异值阶次中剔除,保留包含故障特征信息的奇异向量对应的阶次,得到最优奇异值重构阶次。
32、在一种可能的实现方式中,所述采集汽轮机位移故障特征信号的步骤包括,
33、采用电涡流位移传感器对汽轮机轴颈处的位移信号进行采集,按照预设采样频率获取离散数据点,生成汽轮机位移故障特征信号。
34、本发明与现有技术相比,其有益效果在于:本发明采用奇异值前向差分与奇异向量波形筛选结合的方式确定最优奇异值重构阶次,相较于传统依据单一阈值选取重构阶次的降噪方式,能够更准确地区分信号分量与噪声分量,在滤除随机噪声的同时减少故障特征信息的丢失,提升降噪后信号的信噪比。
35、本发明通过同步挤压小波变换生成二维频谱图像,基于频谱能量分布定位工频噪声对应的最优频谱区间,再对对应区间的小波系数置零并完成逆变换。相较于固定带宽的陷波器滤波方式,该发明能够匹配实际工频噪声的频谱分布范围,在滤除工频噪声的同时降低对相邻频段有用信号的影响,避免有用信号成分的过度损失。
36、本发明将随机噪声滤波与工频噪声滤波分阶段执行,先后通过相空间奇异值分解与同步挤压小波变换实现两类噪声的依次去除,处理后的汽轮机位移故障特征信号能够保留更多原始故障特征,可为后续的故障分析与状态评估提供更可靠的数据基础。
1.一种基于压缩小波频谱图像的汽轮机位移故障特征信号滤波方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于压缩小波频谱图像的汽轮机位移故障特征信号滤波方法,其特征在于,所述对所述汽轮机位移故障特征信号进行相空间重构与奇异值分解,得到奇异值序列与奇异向量序列的步骤包括,
3.根据权利要求1所述的基于压缩小波频谱图像的汽轮机位移故障特征信号滤波方法,其特征在于,所述依据所述奇异值序列与所述奇异向量序列进行阶次优化,得到最优奇异值重构阶次的步骤包括,
4.根据权利要求1所述的基于压缩小波频谱图像的汽轮机位移故障特征信号滤波方法,其特征在于,所述对所述降噪后故障特征信号进行同步挤压小波变换,生成二维频谱图像的步骤包括,
5.根据权利要求1所述的基于压缩小波频谱图像的汽轮机位移故障特征信号滤波方法,其特征在于,所述对所述二维频谱图像进行频谱区间定位,得到工频噪声对应的最优频谱区间的步骤包括,
6.根据权利要求4所述的基于压缩小波频谱图像的汽轮机位移故障特征信号滤波方法,其特征在于,所述对所述降噪后故障特征信号进行连续小波变换,得到多尺度小波系数矩阵的步骤包括,
7.根据权利要求3所述的基于压缩小波频谱图像的汽轮机位移故障特征信号滤波方法,其特征在于,所述对所述初始有效奇异值阶次范围内的奇异向量波形进行特征判别,剔除对应噪声分量的奇异向量阶次的步骤包括,
8.根据权利要求1所述的基于压缩小波频谱图像的汽轮机位移故障特征信号滤波方法,其特征在于,所述采集汽轮机位移故障特征信号的步骤包括,
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com