简荣坤， 李冰冰， 韩　诚

(1.中国电子科技集团公司 第四十九研究所，黑龙江 哈尔滨 150001；2.中国船舶重工集团公司 第七○三研究所，黑龙江 哈尔滨 150001)



智能传感器故障诊断系统数据预处理方法

简荣坤1， 李冰冰1， 韩诚2

(1.中国电子科技集团公司 第四十九研究所，黑龙江 哈尔滨 150001；2.中国船舶重工集团公司 第七○三研究所，黑龙江 哈尔滨 150001)

发动机故障诊断系统中传感器采集到的信号是实际信号和随机噪声的合成，这给故障检测和诊断带来许多不利的影响。将中值滤波和小波分析结合起来使用，中值滤波用于消除数据中的脉冲噪声，小波滤波用于消除数据中的其他平稳随机噪声，仿真结果表明：混合滤波能够有效去除信号中的脉冲噪声与随机噪声，较好地还原了原始信号，将该方法应用于发动机的试车数据，结果表明：该方法具有理想的去除噪声效果。

智能传感器； 故障诊断系统； 数据预处理

0　引　言

发动机在试车或实际工作过程中，为了了解发动机内部的工作状态，避免由于工作过程中的异常而导致灾难性事故的发生，需要采用各种传感器来监测发动机工作过程中各个关键部位和重点部位的压力、温度、转速、流量和振动加速度等参数[1]。当传感器的测量值发生了大的偏差时，就意味着两种情况的发生：一是发动机本身出现了故障，二是传感器发生了故障。为了避免由于传感器的故障导致控制系统失败，产生降低发动机性能甚至损毁发动机的严重后果，及时准确检测并隔离出故障传感器具有重大意义。

在发动机运行过程中，传感器采集到的信号是实际信号和随机噪声的集成，这给故障检测和诊断带来许多不利的影响。而对所采集数据中脉冲型噪声的处理非常重要和关键，这是因为：一方面某个或者几个测量数据的突发性阶跃变化有可能是发生故障和出现异常的真实反映；另一方面数据中零星出现的脉冲型噪声或是因需要不断调整工况而表现出的陡峭边沿、升降斜坡、谷峰交错等特征，类似于故障信号，极易造成“故障”的误判。同时，数据中也会无一例外的含有其他类型的平稳随机噪声。中值滤波方法能够消除脉冲型噪声但对平稳随机信号效果不好；小波方法能够平滑的降低高斯噪声，但不太适用于对脉冲噪声的处理[2,3]。

本文通过中心加权等幂中值滤波与小波滤波的混合滤波的方法对传感器数据进行去噪处理，仿真结果显示,该方法能够有效地去处数据中的脉冲噪声和平稳随机噪声。

1　故障诊断系统原理

智能传感器故障诊断技术是通过各种数据处理的方法实施分离出传感器的故障信息并迅速报警，以便在传感器将要失效或者已经失效的时刻帮助维修人员迅速查找出故障源，进行排除。由于硬件冗余需要额外的配套传感器来比对目标传感器，这增加了成本及系统的复杂程度，且不利于小型化设计，因此目前普遍采取软件冗余的方式[4]。

故障诊断的内容包括：状态检测、信号处理、分析诊断和故障预测四个方面，其诊断过程如图1所示[5]。

图1　智能传感器故障诊断系统过程

2　系统硬件组成

系统设计构成框图如图2所示。

图2　系统硬件组成框图

电源变换单元通过采取降压、稳压、滤波等技术为系统其他工作单元提供其所需的电压，敏感单元将被测物理量转变为电信号，信号经过信号调理单元的滤波、放大以及补偿等技术处理后，将微弱电信号变换成0～5 V标准输出，再由A/D转换单元进行数字化处理。

中心控制单元是整个系统的核心，一方面控制A/D转换单元的数字化信号采集并通过数字通信单元根据通信协议以20 ms的时间间隔向上位机发送采集数据；另一方面控制单元内部对采集的数据进行去噪滤波、特征分析等处理，判断传感器是否处于故障状态。

3　数据预处理方案设计

在传感器数据中，随机噪声表现为脉冲噪声和其他的平稳随机噪声相混合的形式。对此，应当分别进行分析：对于平稳随机噪声，它对所有的小波系数的影响是相同的，同时它对信号的低频成分影响较小，所以,可以通过小波变换平滑地降低高斯噪声；脉冲噪声只影响少数的小波系数，但由于其对应的小波系数较大，它对信号的高频成分影响较大，并通过平滑算法将其影响扩展到周围信号，所以,采用阈值量化的方法不太适用于对脉冲噪声的处理，应考虑使用中值滤波。算法流程图如图3所示[6]。

拥有40多年产品研发和市场开拓经验的美国邦纳公司是专业的传感、检测和自动化技术方案提供者，是全球顶尖的自动化技术专家和整体解决方案提供者。邦纳拥有22 000多种产品，具有最为齐全的产品线，包括光电传感器、测量与检测产品、工业无线网络产品、视觉传感器、安全产品、工业智能指示灯及旋转编码器系列，能满足各种不同的检测需求。

图3　算法流程图

3.1中心加权等幂中值滤波器设计

中值滤波器的定义如下：设W为一长度为L=2N+1的滤波窗口，这里N为整数。设在第n时刻输入信号序列在窗口内的样点位[Xn-N,…,Xn,…,Xn+N]。中值滤波的输出被定义为[7]

Yn=MEDIAN[Xn-N,…,Xn,…Xn+N]

(1)

式中MEDIAN[]表示窗口内所有的数按从小到大的秩序排列后，取其中间值的运算。从上述的定义可以看出，由于叠加的原理此时已不再成立，故中值滤波是一种非线性滤波。

标准中值滤波器在消除噪声的同时能较好地保护锐利边缘，但由于其仅考虑滤波窗内输入数据的排序信息，而未考虑输入数据的时序源信息，故会产生边缘抖动，并删除一些重要的信号细节。但其特性正好满足于传感器故障诊断的要求，只是需要进一步改进。

标准中值滤波器窗口内各点对输出的作用是相同的，如果希望强调中间点或距中间点最近的几个点的作用，应该采用加权中值滤波器。加权中值滤波的基本原理是改变窗口中变量的个数，可以使一个以上的变量等于同一点的值，然后对扩张后的数字求集中值[8]。

加权中值滤波可以如下表示：

输入向量X=[X1，X2，…,XN]；

输出Y=MEDIAN[X1·W1，X2·W2，…,XN·WN]，MEDIAN表示取中值，“·”表示复制。

这一滤波技术可做如下描述：在对窗口内的数据序列进行取中值操作之前，对其中第i个位置的信号值Xi先复制Wi次，然后再取窗口内全部数据排序后的中央位置的数据作为输出信号[9]。

因为权值可以通过比较适当选择，因此，该滤波方法比标准中值滤波能更好地从受噪声污染的数据中恢复出阶跃边缘及其他细节。加权中值滤波器可以通过设置不同权值形成不同特性的滤波器，从而产生不同的滤波结果，比标准中值滤波器有更大的灵活性。

3.2小波变换设计

采用Mallat算法对经过中值滤波的信号进行一维小波分解，平滑信号中残留在中值滤波系列中的平稳随机噪声分量[10]。

对于函数f(t)∈L2(R)，有

(2)

(3)

硬阈值

(4)

4　实验分析

采用以欧氏距离为基础的均方根差作为评估滤波质量的量度[8]

(5)

原始信号由阶跃间断和界面交错的信号序列组合而成，以模拟在突发性故障和传感器线性漂移状态下未受到噪声污染的某压力信号；再在这个原始信号的基础上迭加上随机噪声和脉冲噪声，组成包含噪声的试验信号。

分别采用3种去噪方法进行3次随机试验，中值滤波采用5点宽度窗口的中心加权等幂中值滤波器；小波滤波采用dB4小波，进行5层分解；中值滤波加小波分析按上述方法进行。采用θ作为评估滤波质量高低的量度。表1是3次随机试验的θ值比较，从中可以看出，中值与小波混合滤波的效果较好。

表1　3次随机试验的θ值比较

图4中，从上到下依次为：原始数据图，噪声数据图，中值与小波混合滤波效果图。通过效果图的对比，可以看到混合滤波能够有效地去除信号中的脉冲噪声和随机噪声，较好地还原了原始信号。

图4　滤波前后仿真信号

为了进一步检验中值滤波与小波变换相结合的方法应用于发动机传感器实验数据预处理的效果，给出了通过某型发动机试验数据预处理的结果。本次采用地面热试车所采集到的数据。在本次试车中，数据采集系统采集到的信号具有较大的噪声干扰，包含许多处脉冲噪声。图5给出了压力传感器的原始信号和去除噪声之后的数据片段对比。结果表明，该方法能够较好地消除传感器信号中的噪声，其应用于发动机传感器试验数据预处理是有效的。

图5　发动机信号滤波前后对比图

5　结　论

为了消除发动机传感器故障检测与诊断数据中的噪声，研究了一种将中值滤波和小波分析结合起来使用的数据预处理方法。其中，中值滤波用于消除数据中的脉冲噪声，小波分析用于滤除数据中的其他平稳随机噪声。之后设计了一段原始信号迭加上噪声信号，对该方法进行了测试。通过理论分析、数值试验和历史数据验证，表明该混合方法具有理想的去除噪声效果。

[1]李业波，李秋红，黄向华，等.航空发动机传感器故障与部件故障诊断技术[J].北京航空航天大学学报，2013，39(9):1174-1180.

[2]罗亚军，孙兴林，郑森炎.智能传感器节点身份识别与故障处理方法研究 [J].传感器与微系统，2015，34(8):54-56.

[3]刘庆贵，周冬桥.基于多传感器融合的卷烟机自诊断系统设计[J].传感器与微系统，2012,31(3)：136-139.

[4]常虹.传感器故障诊断方法研究[D].保定：华北电力大学，2002.

[5]徐涛，王祁.PCA在火箭发动机试车台传感器故障诊断中的应用[J].南京理工大学学报,2006,30(6):669-672.

[6]唐雅娟.发动机传感器数据证实的软件计算方法与系统实现研究[D].长沙:国防科技大学，2007.

[7]程正兴.小波分析算法和应用[M].西安：西安交通大学出版社，1998.

[8]赵荣珍，李超，张优云.中值与小波消噪集成的转子振动信号滤波方法研究[J].振动与冲击，2005，24(4)：12-14.

[9]Lee C.Sensor fault identification based on time-lagged PCA in dynamic process[J].Chemometrics and Intelligent Laboratory Systems，2004,70：165-178.

[10] 王海清，宋执环，李平.主元分析方法的故障可检测性研究[J].仪器仪表学报，2002，23(3):232-235.

[11] 张粤，倪桑晨，倪伟.基于智能传感器网络的环境信息监测系统 [J].传感器与微系统，2012，31(2):140-145.

简荣坤(1982- )，男，黑龙江哈尔滨人，硕士，工程师，从事嵌入式系统开发与传感器设计。

Data preprocessing method of intelligent sensor fault diagnosis system

JIAN Rong-kun1， LI Bing-bing1， HAN Cheng2

(1.The 49th Research Institute，China Electronics Technology Group Corporation,Harbin 150001，China；2.The 703th Research Institute,China Shipbuilding Industry Corporation，Harbin 150001，China)

Signal collected by sensor in engine fault diagnosis system is synthesis of actual signal and random noise.This brings many adverse effects to fault detection and diagnosis.It needs to eliminate noise.In view of data characteristics of sensors for engine，a method of data processing based on faults diagnosis system of intelligent sensor is introduced.The method combines median filtering and wavelet analysis.The median filtering is used to eliminate pulse noise and wavelet analysis is used to eliminate random noise.Simulation results show that hybrid filtering can effectively remove pulse noise and random noise,and can restore the original signal.The method is applied to the engine test data,and the results show that the method is effective in removing noise.The method is applied to the test data of the engine,the results show that the method has ideal effect of denoising.

intelligent sensor; faults diagnosis system; data preprocessing

10.13873/J.1000—9787(2016)09—0027—03

2016—06—06

TP 212

A

1000—9787(2016)09—0027—03