n= －ɕ ɕ
（ n） x（ n + m） 它表示信号 x （ n ） 的波形与自身经过 m 时刻后 的波形 x（ m + n） 的相似程度。 当 m = 0 时具有极大值， 即相 似度最好的时候。当以为时间恰为一个周期时 ， 又有一个一 则周期即为移位时间 m。 个极大值。且两个极大值相等， 实际测量时采样点要包含两个以上的周期 ， 先取长为 L 的窗对数据进行加窗后在做上述的相关运算 。 得到需要的 K 移位时间 K 后， 根据采样频率即可计算出周期大小为 （ f c fc 为采样率） 。 （ 二） 信号的端点检测。所谓端点检测， 就是从含噪声的 环境中检测出潜在故障信号的起始位置 。 我们采用信号的 短时能量变化为判据来进行端点检测 。 短时能量用下面公 式计算： 其中 N 为一帧现场实时信号的采样点数 （ 1024 ） 。 （ 三） 频谱相似度比较与分析 。应用协方差及相关系数 法实现特征曲线相似度比较 ， 通过实验， 此种方法准确， 可 靠。 Y ） = E （ XY ） － E （ X ） E （ Y ） ； ρ xy = 应用公 式： cov （ X， cov（ X， Y） ， D（ X） ， D（ Y） 为序列 X， Y 的方差。 D（ X） 槡 D（ Y） 槡 在这里， 对于进行进一步细化分析的判断标准很关键 ， 我们给出一个频谱相似度的概念 ， 由于信号在处理的各个环
现场噪声背景下故障信号检测研究与设计
□吕彦威 王忠策
【摘
要】 国家安全生产保障一直是困扰生产领域的核心问题之一 ， 电力系统由于其自身供电可靠性的高要求和潜在的危险 性， 也是安全生产的一个关键领域 。如何尽早发现潜在故障隐患对生产和生命安全具有重要意义 ， 研究现场噪音背 景下故障检测系统是改善此领域现状的一个途径 。本文通过论述噪音背景下故障信号检测的算法实现过程和仿真 指出了此方法的有效性 。 实验效果，
【关键词】 噪音； 去噪； Chirp － Z 变换； FFT 算法 【基金项目】 本文为吉林农业科技学院大学生创业项目 （ 编号： 2010060 ） 研究成果。 【作者简介】 吕彦威， 吉林农业科技学院 2008 级计算机科学与技术专业学生 ； 王忠策， 吉林农业科技学院教师
电厂锅炉故障隐患实时监控与检测一直是制约我国安 在国际上确保安全生产的全闭环监 全生产的一个基本环节 ， 控系统也是一突出问题 ， 具有广泛的应用前景； 当然对此功 能的实现是一个系统工程 ， 本课题项目开发的产品对此领域 此外， 此产品还可以与厂矿企业 的完善有积极的推动作用 ， 现有的安全监控系统进行系统集成 ， 提高企业现有管理系统 的故障监控与反应速度和准确性 。 笔者从事面向电力系统 参与了本项目的研发工作 ， 的故障诊断的研究和开发工作 ， 现将研究相关内容整理成文 ， 以飨读者。 一、 算法整体结构 由于在特定的背景噪声环境下 ， 可能有多个典型故障信 号单独存在或几个典型故障信号同时存在 ， 在进行算法设计 实际上对应一个如下假设 ： 对于特定的故障信号其背景 时， 信号是可变的； 对于特定的噪声背景环境下对应的故障信号 我们 可能有 1 个或多个。这实际上是一个双随机组合过程 ， 可以尽可能多的采集独立典型故障信号 ， 得到尽可能多的故 障信号标识信息。 首先应用短时能量变化阀值法 ， 区分背景噪音信号基础 上是否有其他异常信号 ， 即进行信号端点检测。 将已知的各典型故障信号抽象为稀疏多维故障空间中 的点（ 其对应坐标系的各维分别是其特定典型故障信号的主 频点序列） ， 在这里关键是如何确定主频点 ， 可通过分析某典 型故障信号频谱幅值特征 ， 对标识此故障信号特征的频峰值 进行标记， 得到典型故障信号的主频点信息 。 通过计算现场实时信号去噪后的频谱特征 ， 比较其某个 使用相关系 主频点组特征与已知的哪个典型故障信号相似 ， 数法来计算频谱包络的相似度 ， 进行主频点包络曲线相似度 分析， 初步确定对应的典型故障信号序列 ， 然后将其转化为 与典型故障信号相同的频谱起止范围和频谱分辨率 ， 进行 CZT 频谱细化， 根据 CZT 频谱细化结果计算其在故障空间中 的位置坐标， 在故障空间中计算其与典型故障点二者的欧式 距离， 如果在误差阀值范围内 ， 则可认定此信号为某典型故 障信号。通过实验， 此计算方法快速有效， 故障报出的正确
n= －ɕ
m、 n 表示时刻。r xy （ m） 在 m 时刻的值， ∑ x（ n） y（ n + m） ， 等
ɕ
于 x（ n） 保持不动而 y（ n） 左移 m 个抽样周期。 然后， 两个抽 再加和。如果 y （ n ） = x （ n ） ， 样序列在所有对应时刻值相乘 ， 则上面定义的互相关就变成了自相关函数 ： r xy （ m ） = ∑ x
·83·
Байду номын сангаас
节都会存在处理误差， 可能是系统误差， 也可能为测量误差， 也可能有计算误差， 通过允许适当的误差范围 ， 在进行实验 分析时取得较好效果。 应用协方差及相关系数法实现特征 通过实验， 此种方法准确， 可靠， 适应范围 曲线相似度比较， 广泛的优点。 对现场动态实时信号， 每隔 N 个采样点进行带重叠采样 FFT ， 点的 变换 对每个数据段 FFT 变换后得到的典型频率点 的含有的故障主频点组进行相似性比较 ， 若相似度超过相应 阀值， 再对本段数据进行 Chirp － Z 变换， 以便进行频率点附 近的细化分析， 实际的比较对象之一是故障信号频谱分析对 应的主导频率组及相对幅值特性 。 二、 核心算法数学描述 线性调频 Z 变换： 设采样数据序列 x（ n） 长度为 N， 要分析 z 平面上 M 点频 ， k = 0 ， 1 … ， M － 1 。设 z k = AW － k 0 ≤ k ≤ 谱采样值 其分析点位
率在 95% 以上。 有关技术细节有： （ 一） 应用自相关算法判断信号的周期性 。判断背景噪 音信号的周期性和典型故障信号的周期性 ， 通过应用它们的 最小公倍数得到最佳的信号分析长度 。 我们根据相关性能够反映信号相似程度的特点来解决 周期性的判定问题。 对于信号 x（ n） 与 y （ n ） 互相关函数的定义为： r xy （ m ） =