許 沖，翁藝航，朱 駿，周起華，袁 靜

（1.上海理工大學(xué)機(jī)械工程學(xué)院，上海 200093；2.上海航天電子通訊設(shè)備研究所；3.上海無(wú)線電設(shè)備研究所，上海 201109）

0 引言

復(fù)雜精密的航天電子設(shè)備具有大量的元器件和節(jié)點(diǎn)，在生產(chǎn)過(guò)程中難免會(huì)引入與產(chǎn)品規(guī)定狀態(tài)不符的多余物［1］，如螺釘、金屬屑、焊渣、導(dǎo)線皮等。這些多余物可能會(huì)吸附或嵌入在航天設(shè)備中，在失重或劇烈沖擊振動(dòng)的工況下，多余物極易從相對(duì)靜止變成游離活動(dòng)狀態(tài)，可能引發(fā)航天設(shè)備出現(xiàn)電路系統(tǒng)短路、機(jī)械機(jī)構(gòu)運(yùn)動(dòng)卡頓、液壓管道堵塞等故障［2］，甚至導(dǎo)致嚴(yán)重的航天事故，造成巨大的經(jīng)濟(jì)損失［3-5］。因此，航天設(shè)備離廠前必須進(jìn)行多余物檢測(cè)，以降低產(chǎn)品質(zhì)量隱患，增強(qiáng)可靠性［6］。

微粒碰撞噪聲檢測(cè)是一種常用的多余物檢測(cè)方法［7］，分為回轉(zhuǎn)式檢測(cè)和隨機(jī)振動(dòng)檢測(cè)，主要包括信號(hào)采集、特征提取與診斷識(shí)別等步驟，其中多余物特征提取是最關(guān)鍵的一步。但檢測(cè)中采集到的動(dòng)態(tài)信號(hào)是多種響應(yīng)的綜合，加之背景噪聲、可動(dòng)部件振動(dòng)以及其他激勵(lì)源的干擾，多余物特征信號(hào)特別微弱，難以進(jìn)行有效識(shí)別。為此，李超［8］采用卡爾曼濾波抑制白噪聲以增強(qiáng)多余物信號(hào)，但信號(hào)物理模型建立和閾值估計(jì)存在困難；Wang 等［9］針對(duì)微小多余物采用隨機(jī)共振提高檢出率，但較寬的振動(dòng)頻率帶來(lái)的非線性、非平穩(wěn)特征給后續(xù)多余物特征提取帶來(lái)了困難；郜雷陣等［10］在三門限脈沖提取原理上設(shè)計(jì)兩級(jí)門限脈沖方法以提高多余物脈沖信號(hào)完整度，但無(wú)法摒除人聲等窄頻寬脈沖干擾。

為此，本文采用一種兼具自適應(yīng)分解和降噪的集成噪聲重構(gòu)經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥nsemble Noise-reconstructed Empir?ical Mode Decomposition，ENEMD）方法以精確提取多余物非線性和非平穩(wěn)性脈沖特征，利用測(cè)試信號(hào)固有噪聲以達(dá)到降噪效果，突出微弱特征，再分別對(duì)各階IMF 使用峭度指標(biāo)判斷多余物的存在性，隨后以LabVIEW 為開發(fā)平臺(tái)，與MATLAB 混合編程，實(shí)現(xiàn)檢測(cè)結(jié)果可視化，并與已有回轉(zhuǎn)式多余物檢測(cè)設(shè)備相整合，形成一套多余物自動(dòng)檢測(cè)系統(tǒng)。

1 系統(tǒng)總體設(shè)計(jì)

本文設(shè)計(jì)的多余物自動(dòng)檢測(cè)系統(tǒng)主要包含回轉(zhuǎn)機(jī)械裝置、信號(hào)采集模塊以及工控機(jī)，如圖1 所示。其中，回轉(zhuǎn)機(jī)械裝置通過(guò)正反旋轉(zhuǎn)方式激活航天機(jī)電設(shè)備中的多余物，使之變?yōu)橛坞x狀態(tài)，進(jìn)而與設(shè)備內(nèi)壁發(fā)生碰撞產(chǎn)生聲音與振動(dòng)信號(hào)；信號(hào)采集模塊依次由聲音傳感器、NI 數(shù)據(jù)采集卡、信號(hào)調(diào)理電路構(gòu)成，對(duì)聲音信號(hào)進(jìn)行收集與處理，并傳遞給工控機(jī)；工控機(jī)通過(guò)專門的檢測(cè)算法分析采集信號(hào)以判斷多余物是否存在。在轉(zhuǎn)動(dòng)形式上，該系統(tǒng)有軸向（內(nèi)框轉(zhuǎn)動(dòng)）和徑向（外框轉(zhuǎn)動(dòng)）兩種轉(zhuǎn)動(dòng)可供選擇，在最大程度上激活多余物。

Fig.1 Structure of the remainder detection system圖1 多余物檢測(cè)系統(tǒng)結(jié)構(gòu)

2 多余物檢測(cè)方法

航天設(shè)備通常結(jié)構(gòu)復(fù)雜、材料各異，在回轉(zhuǎn)試驗(yàn)中多余物微粒會(huì)隨機(jī)與內(nèi)腔發(fā)生碰撞，加之試驗(yàn)環(huán)境復(fù)雜，因此由各種因素耦合形成的多余物試驗(yàn)采集信號(hào)成分多樣，是一種非線性、非平穩(wěn)性信號(hào)［11］。然而，其中有用的多余物特征信號(hào)往往被噪聲淹沒(méi)，不能進(jìn)行有效識(shí)別。為此，本文采用了一種可適用于非線性、非平穩(wěn)過(guò)程，集自適應(yīng)分解、智能濾波與自動(dòng)降噪于一體的集成噪聲重構(gòu)經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒ǎ?2］。該方法利用多余物信號(hào)中的固有噪聲成分代替總體平均經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒ǎ‥nsemble Empirical Mode Decomposition，EEMD）中人為添加的白噪聲［13］，以改善模態(tài)混淆現(xiàn)象，并且在總體平均過(guò)程中，固有噪聲成分會(huì)互相抵消從而達(dá)到降噪效果。因此，在分解后的本征模式分量（Intrinsic Mode Function，IMF）中，微弱的多余物特征會(huì)得到增強(qiáng)，可為判斷多余物是否存在提供準(zhǔn)確依據(jù)。

2.1 方法具體描述

設(shè)多余物試驗(yàn)采集信號(hào)為x(t)，多余物特征信號(hào)為s(t)，噪聲信號(hào)為n(t)，該算法具體步驟如下：

（1）利用閾值處理估計(jì)原信號(hào)x(t)中的固有噪聲成分［14］：

①對(duì)x(t) 執(zhí)行 EMD 分解得到 IMF 分量和余項(xiàng)并采用基于各分量中位數(shù)的信號(hào)能量公式計(jì)算各IMF 實(shí)際能量

②假設(shè)c1(t)為白噪聲，則其白噪聲能量

③根據(jù)式（2）計(jì)算各IMF 在置信區(qū)間95%和99%時(shí)的白噪聲能量和

式中，當(dāng)置信區(qū)間為95%時(shí)，β=0.719，ρ=2.449；當(dāng)置信區(qū)間為99%時(shí)，β=0.719ρ=1.919。

④當(dāng)k≥2 時(shí)，將各IMF 實(shí)際能量{Ek} 分別與對(duì)應(yīng)理論計(jì)算能量進(jìn) 行 比 較。若則將ck(t)選為可能含噪IMF；否則，ck(t)就認(rèn)為是多余物特征分量，本文取α=1。將所有選取的可能含噪IMF 組成一個(gè)新的集合{cl(t),l=1,…}。

⑤與傳統(tǒng)閾值降噪不同，本文基于相鄰系數(shù)降噪原理對(duì)cl(t)提純?cè)肼暦至浚硎緸椋?/p>

其中，Tml為極大極小閾值，其降噪效果優(yōu)于線性降噪［17］。

（4）重復(fù)步驟（2）和步驟（3）r次直到滿足預(yù)先設(shè)定的誤差允許值ε。

（5）將步驟（3）中得到的所有組IMF 分量和余項(xiàng)進(jìn)行累加平均計(jì)算，輸出平均IMF 分量和平均殘差分量

對(duì)于多余物試驗(yàn)信號(hào)而言，多余物脈沖一般在時(shí)域上呈現(xiàn)單邊振蕩衰減特性［18］，其典型波形如圖2 所示，屬于信號(hào)中的高頻部分。在EMD 分解中，信號(hào)中的高頻部分一般存在于低階IMF 中［11］，包含較多的有用信息，為此本文選擇前4 階IMF 進(jìn)行多余物特征分析。在常用統(tǒng)計(jì)指標(biāo)中，峭度指標(biāo)對(duì)脈沖特征比較敏感，因此在每一階IMF 中設(shè)定不同閾值，當(dāng)峭度指標(biāo)大于設(shè)定閾值時(shí)，則認(rèn)為試驗(yàn)信號(hào)中存在多余物分量。

Fig.2 Typical waveform of the remainder signal圖2 典型多余物信號(hào)波形

2.2 仿真對(duì)比分析

本文采用一組含噪脈沖仿真信號(hào)比較本文方法與EEMD 對(duì)微弱特征的提取效果，仿真信號(hào)表達(dá)式如下：

其中，s(t)為單邊振蕩衰減信號(hào)，用來(lái)表示多余物特征；λn(t)是高斯白噪聲，標(biāo)準(zhǔn)差λ反映噪聲強(qiáng)弱，以改變信號(hào)的信噪比。設(shè)信號(hào)x(t)的采樣頻率為5 120Hz，長(zhǎng)度為5 120。兩種方法需要提前設(shè)定的參數(shù)為：在本文方法中，允許誤差ε=0.005；在EEMD 中，令所添加噪聲的幅值為信號(hào)x(t)標(biāo)準(zhǔn)差的0.1 倍，集成個(gè)數(shù)設(shè)為50。

本文需要提取微弱特征，信號(hào)處于強(qiáng)噪聲環(huán)境，因而令λ=0.25，此時(shí)信號(hào)x(t)的信噪比為-12.229 2，其波形及其各組成分量波形如圖3 所示。圖4 和圖5 顯示了采用這兩種方法所獲得的前4 階IMF 分量，可以看出：①?zèng)_擊特征都在第3 階IMF 中較為明顯，但本方法c3的峭度值大于EEMD 的結(jié)果；②EEMD 其余3 階IMF 的幅值普遍都大于本文方法的分解結(jié)果?？梢?jiàn)，針對(duì)此類處于強(qiáng)噪聲背景下的多余物試驗(yàn)信號(hào)，采用本文方法可以達(dá)到良好的降噪效果，微弱多余物沖擊特征會(huì)得到增強(qiáng)，同時(shí)與EEMD 一樣，其具有改善模式混淆的作用。

Fig.3 Noisy impulse signal and their components圖3 含噪脈沖信號(hào)及其各分量

Fig.4 Deposition results of the proposed method圖4 本文方法分解結(jié)果

Fig.5 Deposition results of EEMD圖5 EEMD 分解結(jié)果

3 系統(tǒng)軟件設(shè)計(jì)及驗(yàn)證

3.1 檢測(cè)系統(tǒng)設(shè)計(jì)

工控機(jī)上的多余物檢測(cè)系統(tǒng)以LabVIEW 為開發(fā)平臺(tái)進(jìn)行編寫，包含數(shù)據(jù)讀取、檢測(cè)算法、結(jié)果顯示3 個(gè)模塊。其中，上述的多余物檢測(cè)算法是先在MATLAB 中完成程序編寫，并編譯成動(dòng)態(tài)鏈接庫(kù)COM 組件供LabVIEW 調(diào)用［19-20］。前面板顯示分析結(jié)果，包括多余物試驗(yàn)采集信號(hào)、前4 階IMF 及其峭度指標(biāo)，以及檢測(cè)判斷結(jié)果，如圖6 所示。

Fig.6 Front panel of the remainder detection system圖6 多余物檢測(cè)系統(tǒng)前面板

當(dāng)多余物試驗(yàn)信號(hào)經(jīng)采集模塊傳輸?shù)缴衔粰C(jī)之后，先觀察多余物試驗(yàn)信號(hào)原始波形圖。若觀察到明顯無(wú)規(guī)律的脈沖衰減特征，則說(shuō)明被檢航天設(shè)備中存在質(zhì)量較大的多余物；反之，則被檢設(shè)備可能不存在多余物或存在微小質(zhì)量的多余物。因而，需要采用本文的集成噪聲重構(gòu)經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒▽?duì)試驗(yàn)信號(hào)作進(jìn)一步處理。若存在微小質(zhì)量的多余物，則前4 階IMF 中會(huì)出現(xiàn)振蕩衰減特征，并計(jì)算和顯示各階IMF 的峭度指標(biāo)，再與設(shè)定閾值進(jìn)行比較之后，指示燈會(huì)顯示紅色，直觀地表明存在多余物；若不存在多余物，指示燈會(huì)顯示綠色。其中，在多次對(duì)實(shí)際含多余物試驗(yàn)信號(hào)進(jìn)行分析后，該檢測(cè)系統(tǒng)中各階IMF 峭度閾值分別設(shè)為25、20、15、10。檢測(cè)系統(tǒng)后面板程序框圖如圖7所示。

Fig.7 Back panel of the remainder detection system圖7 多余物檢測(cè)系統(tǒng)后面板

3.2 系統(tǒng)驗(yàn)證分析

為進(jìn)一步驗(yàn)證本文多余物檢測(cè)方法的有效性和多余物檢測(cè)系統(tǒng)的可行性，分別將兩段已知結(jié)果的無(wú)多余物和有多余物試驗(yàn)信號(hào)輸入到該檢測(cè)系統(tǒng)中進(jìn)行分析，其中采樣頻率為6 000Hz，誤差允許值設(shè)為0.02。圖8 和圖9 顯示的是這兩段信號(hào)的檢測(cè)結(jié)果，兩段試驗(yàn)信號(hào)的原始波形中均未出現(xiàn)明顯的振蕩衰減脈沖特征，再經(jīng)本文的ENEMD方法處理后，含有多余物試驗(yàn)信號(hào)的前4 階IMF 中沖擊特征比較突出，峭度指標(biāo)也均大于設(shè)定閾值，而無(wú)多余物試驗(yàn)信號(hào)的分析結(jié)果正好相反。可見(jiàn)，對(duì)于被強(qiáng)背景噪聲淹沒(méi)的多余物試驗(yàn)采集信號(hào)，在采用本系統(tǒng)進(jìn)行分析檢測(cè)后，可以準(zhǔn)確濾除大量背景噪聲，突出多余物脈沖特征，有效區(qū)分有無(wú)多余物的情況。

Fig.8 Analysis results of the none-remainders testing signal圖8 無(wú)多余物試驗(yàn)信號(hào)分析結(jié)果

Fig.9 Analysis results of the existed-remainders testing signal圖9 有多余物試驗(yàn)信號(hào)分析結(jié)果

4 結(jié)語(yǔ)

基于一種雙軸回轉(zhuǎn)式多余物微粒碰撞噪聲檢測(cè)試驗(yàn)臺(tái)，本文以LabVIEW 為開發(fā)平臺(tái)設(shè)計(jì)了一套多余物自動(dòng)檢測(cè)系統(tǒng)，能直觀、準(zhǔn)確地顯示多余物判別結(jié)果。其中，由于多余物試驗(yàn)信號(hào)處于低信噪比，且具有脈沖特性，在與EEMD 進(jìn)行比較分析后，集成噪聲重構(gòu)經(jīng)驗(yàn)?zāi)Ｊ椒纸獠粌H可以實(shí)現(xiàn)信號(hào)的自適應(yīng)分解，還利用自身固有噪聲達(dá)到降噪效果，進(jìn)而實(shí)現(xiàn)了多余物微弱特征的精確提取。實(shí)際試驗(yàn)數(shù)據(jù)驗(yàn)證結(jié)果表明，該系統(tǒng)可在一定程度上自動(dòng)判斷出設(shè)備中多余物的有無(wú)情況。實(shí)際設(shè)備中檢測(cè)出來(lái)的多余物具有多樣性，且材質(zhì)大小不一，后續(xù)將通過(guò)尋找多余物敏感時(shí)頻域特征，并與深度學(xué)習(xí)算法融合，實(shí)現(xiàn)多余物具體材質(zhì)智能識(shí)別。