姚金鑫 楊樹(shù)華 王培林 太興宇 李宏坤

（1.大連理工大學(xué)機(jī)械工程學(xué)院;2.沈陽(yáng)鼓風(fēng)機(jī)集團(tuán)股份有限公司；3.閩西職業(yè)技術(shù)學(xué)院信息與制造學(xué)院）

0 引言

早期的研究認(rèn)為壓氣機(jī)進(jìn)入旋轉(zhuǎn)失速是由本質(zhì)上二維、線性、低頻、小幅值的模態(tài)波擾動(dòng)誘發(fā)，其以20%～50%轉(zhuǎn)子旋轉(zhuǎn)速度沿周向傳播。其后，Day在研究中發(fā)現(xiàn)壓氣機(jī)在失速前會(huì)出現(xiàn)尖脈沖型擾動(dòng)信號(hào)，其本質(zhì)上是一種大幅值、三維、高頻率、非線性的擾動(dòng)，其一般以60%～80%的轉(zhuǎn)子旋轉(zhuǎn)速度沿周向傳播[1]。西北工業(yè)大學(xué)的強(qiáng)冠杰等人以單級(jí)低速軸流風(fēng)扇為研究對(duì)象，采用動(dòng)態(tài)探針測(cè)量捕捉到了“尖峰型”失速先兆波及其特征，并且測(cè)量得到的擾動(dòng)波的初始轉(zhuǎn)速均約為70%轉(zhuǎn)速[2]。因此，可以通過(guò)分析壓縮機(jī)內(nèi)流道聲壓信號(hào)的特征頻率，來(lái)進(jìn)行旋轉(zhuǎn)失速的試驗(yàn)研究。

當(dāng)前國(guó)內(nèi)外對(duì)壓縮機(jī)旋轉(zhuǎn)失速狀態(tài)識(shí)別的主要方法有時(shí)域分析、頻域分析、極坐標(biāo)圖、時(shí)頻分析法和基于混沌理論的分析方法等。本文采用了一種基于多尺度排列熵（MPE）值檢測(cè)CEEMD集成平均分量隨機(jī)性的改進(jìn)的CEEMD算法，通過(guò)分析降噪后的聲壓信號(hào)傅里葉變換后各個(gè)頻率對(duì)應(yīng)的幅值來(lái)判斷壓縮機(jī)是否處于旋轉(zhuǎn)失速狀態(tài)。

1 MPE-CEEMD算法

補(bǔ)充的經(jīng)驗(yàn)?zāi)B(tài)分解（Complementary Ensemble Empirical Mode Decomposition，CEEMD）是通過(guò)在原始信號(hào)中多次加入大小相等，方向相反的高斯白噪聲，最后以集成平均的方式來(lái)消除白噪聲對(duì)原始信號(hào)的影響[3]。事實(shí)上，在信號(hào)分解過(guò)程中，引起模態(tài)混疊的成分以及高斯白噪聲信號(hào)會(huì)首先被分解出來(lái)，在分解出異常信號(hào)之后，信號(hào)逐漸平穩(wěn)，極值點(diǎn)分布較為均勻。因此，鄭近德等人提出了基于排列熵檢測(cè)IMF分量隨機(jī)的MEEMD算法，但并沒(méi)有考慮各個(gè)尺度下的排列熵值。本文提出了一種基于多尺度排列熵（MPE）值檢測(cè)CEEMD集成平均分量隨機(jī)性的改進(jìn)的CEEMD算法，與傳統(tǒng)的排列熵相比，各個(gè)尺度的排列熵值均被考慮在內(nèi)，具有更好的抗干擾能力和適應(yīng)性，能更有效的分析時(shí)間序列信息。

1.1 MPE-CEEMD算法分解步驟

MPE-CEEMD算法剔除了EEMD，CEEMD算法中合成信號(hào)自適應(yīng)分解之后的異常分量，避免了不必要的集成平均，在保證分解的完備性的同時(shí)，減小了EEMD和CEEMD的計(jì)算量，使得到的IMF分量更具有意義。對(duì)于非平穩(wěn)信號(hào)S(t)，MPE-CEEMD算法的分解步驟如下：

圖1 算法流程圖Fig.1 Algorithm flow chart

1）在原始信號(hào)S(t)中，加入大小相等方向相反的2組白噪聲，加入的白噪聲均方根值應(yīng)接近于原始信號(hào)噪聲，或不超過(guò)0.3倍。即：

2）用EMD對(duì)Ne加入噪聲后的信號(hào)依次做經(jīng)驗(yàn)?zāi)B(tài)分解，從第一對(duì)開(kāi)始，依次得到第一階固有模態(tài)函數(shù)，

如果集成分量多尺度排列熵的平均值MMPE值大于某個(gè)閾值，那么該集成分量的隨機(jī)性較強(qiáng)，被認(rèn)為是異常分量。

4）如果I1(t)是異常分量，則繼續(xù)執(zhí)行步驟（1），直到EMD分解后的集成平均分量Ip(t)不是異常信號(hào)。

5）將已分解的前 p-1個(gè)分量從原始信號(hào)中分離出來(lái)，即：

并對(duì)剩余信號(hào)r(t)進(jìn)行EMD分解，并將所有得到IMF分量按照高頻到低頻排列。

1.2 多尺度排列熵（MPE）

排列熵是一種檢測(cè)一維離散時(shí)間序列動(dòng)力學(xué)特征的指標(biāo)，能夠準(zhǔn)確有效的提取出信號(hào)的微弱特征，在海洋、大氣、機(jī)械故障診斷和腦電信號(hào)分析等領(lǐng)域得到了廣泛的應(yīng)用。單獨(dú)的排列熵只能獲取信號(hào)在某個(gè)尺度上的動(dòng)力學(xué)信息[4]，為了更充分地研究樣本的特征信息，本文將多尺度排列熵引入軸流壓縮機(jī)旋轉(zhuǎn)失速特征識(shí)別中，并將壓縮機(jī)旋轉(zhuǎn)失速信號(hào)CEEMD分解后的集成平均分量在尺度[1,5]范圍內(nèi)的多尺度排列熵的平均值用來(lái)作為篩選IMF分量的標(biāo)準(zhǔn)。多尺度排列熵基本思想是首先將時(shí)間序列進(jìn)行多尺度粗粒化，然后計(jì)算其排列熵[5]。假設(shè)長(zhǎng)度為L(zhǎng)的時(shí)間序列xL={ }x1,x2,…xL的粗?；^(guò)程如下：

對(duì)于任意一個(gè)重構(gòu)后的時(shí)間序列Yk，都可以表示為符號(hào)序列s(l)={ j1,j2,…,jm} ，其中，{ j1,j2,…,jm} 表示相空間重構(gòu)后時(shí)間序列中的各個(gè)元素原始位置索引，其中，l=1,2,3…K，且K≤m!。所以，相空間重構(gòu)后的時(shí)間序列為：

{ j1,j2,…,jm}共有m!種排列可能，s(l)只是其中的一種，若P1,P2,…,PK表示每種序列出現(xiàn)的概率，此時(shí)根據(jù)香農(nóng)熵的定義，離散序列X的k種符號(hào)序列具有的香農(nóng)熵Hp為：

當(dāng)Pj=1m!時(shí)，Hp達(dá)到最大值ln(m !)，對(duì)尺度s下的排列熵進(jìn)行歸一化可得到歸一化的多尺度排列熵：Hp=Hp(m )ln(m !)。Hp值反映了時(shí)間序列的隨機(jī)性，放大了序列的微小變化[4]。對(duì)于尺度l(l =1,2,…,s) ，計(jì)算時(shí)間序列X={x (i),i=1,2,3,…,n}在所有尺度下的排列熵MPE(l)={Hp(1),Hp(2),…,Hp(s)}，定義多尺度排列熵的最小值：

將MMPE值作為篩選集成平均分量的指標(biāo)，所有尺度下的排列熵值都被考慮了進(jìn)來(lái)，將MMPE值大于閾值的集成平均分量繼續(xù)分解，直至滿足終止條件為止。

1.3 多尺度排列熵參數(shù)的選取

在多尺度排列熵參數(shù)的選擇中，有三個(gè)參數(shù)需要確定，尺度因子s，嵌入維數(shù)m，時(shí)間延遲τ和多尺度排列熵閾值（MMPE）。嵌入維數(shù)m和實(shí)踐延遲τ決定相空間重構(gòu)后時(shí)間序列的長(zhǎng)度，若選取的過(guò)大，則會(huì)出現(xiàn)片段細(xì)節(jié)信息丟失，無(wú)法反映時(shí)間序列的細(xì)微變化；若選取的過(guò)小，那么相空間重構(gòu)的片段過(guò)短，無(wú)法反映整體的片段信息。綜上所述，選取的嵌入維數(shù)m=5。時(shí)間延遲τ對(duì)時(shí)間序列的計(jì)算影響較小，本文選擇τ=1。從圖3中可以看出，在尺度因子超過(guò)4之后，聲壓仿真信號(hào)的多尺度排列熵（MPE）值隨著尺度的增加而越來(lái)越小，因此尺度因子區(qū)間選擇的過(guò)大對(duì)于剔除集成平均分量中的隨機(jī)分量是不利的，因此尺度因子的選擇區(qū)間為[1,5]。

風(fēng)洞壓縮機(jī)在運(yùn)行的過(guò)程中，會(huì)產(chǎn)生大量的非線性，非平穩(wěn)的噪聲信號(hào)，主要由四部分組成，空氣動(dòng)力噪聲信號(hào)；機(jī)殼、管路、電動(dòng)機(jī)軸承等輻射的機(jī)械式噪聲信號(hào)；電動(dòng)機(jī)的電磁噪聲信號(hào)；壓縮機(jī)振動(dòng)通過(guò)基礎(chǔ)輻射的固體聲信號(hào)[7]。故而構(gòu)造以下幾個(gè)代表性信號(hào)：

x1(t)為均值100，標(biāo)準(zhǔn)差為20的，長(zhǎng)度為1 024的白噪聲。

仿真信號(hào)x2(t)表示信號(hào)的主要成分-空氣動(dòng)力噪聲信號(hào)，主要包含軸頻，葉通頻，旋轉(zhuǎn)失速頻率成分，將電動(dòng)機(jī)的電磁噪聲構(gòu)造為調(diào)幅信號(hào)x3(t)；將壓縮機(jī)振動(dòng)通過(guò)基礎(chǔ)輻射的固體聲信號(hào)構(gòu)造為調(diào)幅調(diào)頻信號(hào)x4(t)，高頻噪聲信號(hào)表示為x5(t)。故而構(gòu)造的壓縮機(jī)實(shí)際運(yùn)行狀態(tài)下的仿真信號(hào)為：s(t)=x1(t)+x2(t)+x3(t)+x4(t)+x5(t)，其中空氣動(dòng)力噪聲信號(hào)，也就是壓縮機(jī)出口機(jī)殼處的壓力脈動(dòng)信號(hào)構(gòu)造為s1(t)=x2(t)，噪聲仿真信號(hào)構(gòu)造為s2(t)=x1(t)+x3(t)+x4(t)+x5(t)。仿真信號(hào)的時(shí)域圖如圖2所示。

圖2 仿真信號(hào)時(shí)域圖Fig.2 Time domain diagram of simulation signal

分別計(jì)算壓縮機(jī)實(shí)際運(yùn)行仿真信號(hào)s(t)、聲壓信號(hào)s1(t)和噪聲仿真信號(hào)s2(t)在尺度區(qū)間[1,5]范圍內(nèi)變化的多尺度排列熵值，并展示在圖3中。

圖3 仿真信號(hào)多尺度排列熵值計(jì)算Fig.3 The multi-scale entropy calculation diagram of the simulation signal

從圖中可以看出，在加入噪聲仿真信號(hào)后，壓縮機(jī)實(shí)際運(yùn)行狀態(tài)的仿真信號(hào)的多尺度排列熵值和噪聲仿真信號(hào)的多尺度排列熵值基本一致，且大于聲壓仿真信號(hào)的多尺度排列熵值的最大值0.6。通過(guò)將尺度[1,5]范圍內(nèi)多尺度排列熵均值大于0.6的集成平均分量剔除出去，實(shí)現(xiàn)對(duì)信號(hào)的隨機(jī)性檢測(cè)，這個(gè)方法可以應(yīng)用于軸流壓縮機(jī)旋轉(zhuǎn)失速特征提取中，且多尺度排列熵的閾值可以確定為0.6。

2 實(shí)驗(yàn)介紹

實(shí)驗(yàn)對(duì)象為沈鼓集團(tuán)某型風(fēng)洞壓縮機(jī)，該型壓縮機(jī)有四級(jí)動(dòng)葉，四級(jí)靜葉，每級(jí)26個(gè)葉片，葉片材料碳纖維，主軸電機(jī)額定功率80 000kW/h。實(shí)驗(yàn)地點(diǎn)位于營(yíng)口透平試驗(yàn)基地，實(shí)驗(yàn)設(shè)備布置在廠房的低臺(tái)位區(qū)。

測(cè)試系統(tǒng)采用課題組自主開(kāi)發(fā)的風(fēng)洞壓縮機(jī)壓力脈動(dòng)在線監(jiān)測(cè)系統(tǒng)，其中有6個(gè)聲壓通道，能實(shí)現(xiàn)數(shù)據(jù)的在線采集與離線分析。4級(jí)靜葉后和出口管道截面內(nèi)呈120°各布置3個(gè)聲壓傳感器。聲壓傳感器將采集到的信號(hào)通過(guò)電荷放大器轉(zhuǎn)化為低阻抗電壓信號(hào)后，再通過(guò)光纖交換機(jī)傳輸至上位機(jī)，上位機(jī)對(duì)信號(hào)進(jìn)行實(shí)時(shí)的處理。采樣頻率10.24kHz，采樣時(shí)長(zhǎng)10s，取其中5s作為研究對(duì)象，數(shù)據(jù)點(diǎn)數(shù)為51 200個(gè)。數(shù)據(jù)采集系統(tǒng)的參數(shù)配置如表1所示。

表1 數(shù)據(jù)采集系統(tǒng)配置Tab.1 Data acquisition system configuration

NI CRIO基于LabView軟件開(kāi)發(fā)架構(gòu)包含三部分，上位機(jī)LabVIEW、機(jī)箱RT實(shí)時(shí)控制器LabVIEW Real-Time、機(jī)箱背板FPGA。上位機(jī)實(shí)時(shí)控制LabVIEW RT程序運(yùn)行于實(shí)時(shí)操作系統(tǒng)平臺(tái)，與FPGA端程序進(jìn)行數(shù)據(jù)交互[8]，LabVIEW FPGA模塊對(duì)采集到的數(shù)據(jù)進(jìn)行簡(jiǎn)單操作后，通過(guò)FIFO將采集到的數(shù)據(jù)傳輸?shù)絃abVIEW RT模塊，RT端通過(guò)TCP協(xié)議將數(shù)據(jù)傳輸?shù)缴衔粰C(jī)[9]，然后將采集到的數(shù)據(jù)進(jìn)行簡(jiǎn)單的數(shù)據(jù)處理后，實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)采集功能。

為了方便對(duì)現(xiàn)場(chǎng)采集到的數(shù)據(jù)進(jìn)行更為精確地分析，在軟件中還加入了離線分析模塊，該模塊的主要功能是對(duì)數(shù)據(jù)進(jìn)行時(shí)域分析、頻域分析、包絡(luò)譜分析和倍頻程分析，另外，還可以將各通道每個(gè)工況下采集到的電壓信號(hào)轉(zhuǎn)化為工程單位，經(jīng)A計(jì)權(quán)后用能量平均法轉(zhuǎn)化為連續(xù)等效聲級(jí)，用于評(píng)估壓縮機(jī)蜂窩降噪裝置的降噪性能。

在實(shí)驗(yàn)過(guò)程中，首先調(diào)整壓縮機(jī)動(dòng)葉至某一個(gè)角度，逐漸關(guān)小閥門，測(cè)量由低到高各個(gè)壓比的試驗(yàn)點(diǎn)，直至發(fā)生旋轉(zhuǎn)失速現(xiàn)象；此時(shí)應(yīng)立即打開(kāi)閥門，降低負(fù)荷，閥門開(kāi)度以試驗(yàn)回路不發(fā)生旋轉(zhuǎn)失速現(xiàn)象，恢復(fù)正常為宜。然后，調(diào)節(jié)動(dòng)葉至下一個(gè)角度，之后增大閥門開(kāi)度，直至能找到試驗(yàn)回路能循環(huán)的最佳壓比點(diǎn)，此時(shí)可以開(kāi)始進(jìn)行下一個(gè)葉片角度的測(cè)試。最后，依次重復(fù)上面的操作，直至完成各馬赫數(shù)（即不同轉(zhuǎn)速）下各動(dòng)葉角度的性能曲線測(cè)試。

3 實(shí)驗(yàn)數(shù)據(jù)分析

壓縮機(jī)處于旋轉(zhuǎn)失速狀態(tài)時(shí)，旋轉(zhuǎn)失速團(tuán)的特征頻率為低頻，其頻率低于轉(zhuǎn)速頻率。當(dāng)壓縮機(jī)組發(fā)生旋轉(zhuǎn)失速時(shí)，該低頻信號(hào)產(chǎn)生，并且隨著流量的減小，其幅值逐漸增大?；诼晧盒盘?hào)頻譜分析，未發(fā)生旋轉(zhuǎn)失速時(shí)其頻譜主要頻率成分為轉(zhuǎn)速頻率和葉片通過(guò)頻率及其相關(guān)倍頻，而發(fā)生旋轉(zhuǎn)失速時(shí)會(huì)出現(xiàn)頻率較低的旋轉(zhuǎn)失速團(tuán)特征頻率[10]。本文通過(guò)分析壓縮機(jī)內(nèi)流道聲壓信號(hào)的特征頻率，來(lái)進(jìn)行旋轉(zhuǎn)失速的試驗(yàn)研究。

3.1 失速頻率的確定

圖4 560r/min旋轉(zhuǎn)失速頻率識(shí)別Fig.4 560r/min rotating stall frequency identification

圖4展示了壓縮機(jī)性能試驗(yàn)過(guò)程中聲壓信號(hào)頻譜的演化過(guò)程，由于變頻器轉(zhuǎn)速的誤差，導(dǎo)致實(shí)際采集得到的頻譜圖中的頻率成分會(huì)有微小的波動(dòng)。從流量點(diǎn)1到流量點(diǎn)3流量依次減小，分別為754m3/s,719m3/s,629m3/s，壓比依次升高，分別為1.057 0,1.107 1,1.205 4。從圖4可以明顯的看出轉(zhuǎn)子的轉(zhuǎn)頻9.2Hz和9.4Hz，轉(zhuǎn)頻二次諧波頻率18.6Hz和轉(zhuǎn)頻三次諧波頻率28Hz。在壓縮機(jī)流量點(diǎn)進(jìn)入754m3/s時(shí)，該壓縮機(jī)已經(jīng)進(jìn)入旋轉(zhuǎn)失速狀態(tài)。

對(duì)聲壓信號(hào)的頻譜分析結(jié)果表明，在聲壓信號(hào)的頻譜中，包含了強(qiáng)烈的5.6Hz和5.8Hz的頻率成分，它們可以認(rèn)為是在同一頻段內(nèi)，且該頻率成分對(duì)應(yīng)的幅值隨著流量的變小而增加，如表2所示，所以旋轉(zhuǎn)失速頻率成分既包含5.6Hz，又包含5.8Hz的頻率成分。C.Freeman在Viper MK522型高速單軸軸流式渦噴發(fā)動(dòng)機(jī)上所做的試驗(yàn)和I.J.Day在劍橋4級(jí)軸流式壓氣機(jī)上所做的試驗(yàn)表明：對(duì)于同一類型的壓氣機(jī)，失速團(tuán)的旋轉(zhuǎn)速度與失速時(shí)壓氣機(jī)轉(zhuǎn)速有一基本恒定比例關(guān)系[11]。性能試驗(yàn)逼喘時(shí)壓縮機(jī)進(jìn)入失速時(shí)的轉(zhuǎn)速在560r/min，轉(zhuǎn)子轉(zhuǎn)動(dòng)頻率為9.2Hz和9.4Hz，即失速團(tuán)以壓縮機(jī)轉(zhuǎn)速的60%恒定轉(zhuǎn)速旋轉(zhuǎn)。

表2 560r/min失速工況頻率統(tǒng)計(jì)Tab.2 Statistics of frequency 560r/min stall condition

結(jié)合圖5和表3可以看出在未失速聲壓信號(hào)的頻譜圖中，其頻譜圖中的主要頻率成分為轉(zhuǎn)頻和葉通頻及其相關(guān)倍頻，另外，在小于2Hz的頻率范圍內(nèi)存在1.6Hz和1.8Hz的特征頻帶，這些頻率成分同樣存在于壓縮機(jī)機(jī)械運(yùn)轉(zhuǎn)時(shí)未發(fā)生旋轉(zhuǎn)失速的聲壓信號(hào)頻譜圖中（如圖5所示），因此這些頻譜圖中的低頻成分可以認(rèn)為是噪聲干擾，應(yīng)予以剔除。

圖5 500r/min,550r/min,600r/min未失速頻譜圖Fig.5 Spectra of 500r/min,550r/min,and 600r/min without rotating stall

表3 未發(fā)生旋轉(zhuǎn)失速頻率統(tǒng)計(jì)Tab.3 Data statistics of frequency without rotating stall occurred

3.2 數(shù)據(jù)分析

當(dāng)壓縮機(jī)處于旋轉(zhuǎn)失速狀態(tài)時(shí)，在頻譜圖上存在小于軸頻，且隨著流量的減小，而幅值增大的特征頻率成分。選取壓縮機(jī)氣流處于1.3Ma，葉片角度20°，壓比1.107 1下的數(shù)據(jù)進(jìn)行傅里葉變換，此時(shí)的流量為719m3/s。從圖6的時(shí)域部分和表4中可以看出，由于噪聲污染，從時(shí)域波形中無(wú)法觀察出壓縮機(jī)是否處于旋轉(zhuǎn)失速的狀態(tài)。在圖6的頻域部分和表4中可以看出，小于軸頻范圍內(nèi)較明顯的特征頻率有1.4Hz，3.6Hz和5.8Hz，其中，1.4Hz的特征頻率為低頻噪聲干擾，3.6Hz特征頻率為未知頻率，5.8Hz屬于旋轉(zhuǎn)失速特征頻率。

表4 實(shí)測(cè)信號(hào)FFT分析的頻率成分Tab.4 Frequency components of measured signal FFT analysis

圖6 實(shí)測(cè)信號(hào)FFT分析Fig.6 FFT analysis of measured signal

對(duì)風(fēng)洞壓縮機(jī)內(nèi)流道聲壓信號(hào)做MPE-CEEMD分解，首先將多次加入白噪聲的原始聲壓信號(hào)逐級(jí)分解為多個(gè)不同特征時(shí)間尺度相對(duì)平穩(wěn)的固有模態(tài)函數(shù)（IMF），集成平均后計(jì)算所有集成平均分量的尺度為[1,5]區(qū)間內(nèi)多尺度排列熵的平均值，檢索隨機(jī)性程度較大的集成平均分量并將其中的間歇信號(hào)，脈沖信號(hào)和干擾信號(hào)等異常成分一次性剔除。最后，對(duì)剩余信號(hào)再次做EMD分解，得到7個(gè)固有模態(tài)函數(shù)IMF，如圖7所示。

圖7 信號(hào)分解圖Fig.7 Decomposition diagram of measured signal

圖8 實(shí)測(cè)信號(hào)MPE-CEEMD分析Fig.8 MPE-CEEMD analysis of measured signals

表5 實(shí)測(cè)信號(hào)MPE-CEEMD分析頻率成分Tab.5 Frequency components of measured signal MPECEEMD analysis

重構(gòu)后信號(hào)的時(shí)域圖和頻域圖如圖8所示。從時(shí)域部分可以看出，信號(hào)存在明顯的脈動(dòng)成分，能明顯的識(shí)別出壓縮機(jī)旋轉(zhuǎn)失速故障。從圖8的頻域部分和表5可以看出，在頻譜圖上小于軸頻的頻率成分中，1.4Hz的低頻干擾成分已經(jīng)消失，僅存在3.6Hz的未知頻率和5.8Hz的旋轉(zhuǎn)失速頻率成分。

4 結(jié)論

1）通過(guò)對(duì)傳統(tǒng)的單尺度排列熵進(jìn)行改造，建立以多尺度排列熵均值（MMPE）為篩選CEEMD分解后的集成平均分量的體系，考慮了尺度[1,5]范圍內(nèi)的每一個(gè)集成分量的多尺度排列熵值。通過(guò)將CEEMD與多尺度排列熵結(jié)合，在保證小剩余噪聲的情況下，不僅可以降低重構(gòu)次數(shù)，節(jié)省計(jì)算時(shí)間，還可以最大限度的剔除信號(hào)中的間歇信號(hào)，脈沖信號(hào)和干擾信號(hào)等異常成分。本文提出的信號(hào)處理方法抑制低頻噪聲效果明顯，具有一定的工程應(yīng)用價(jià)值。

2）通過(guò)使用壓縮機(jī)出口機(jī)殼處的聲壓信號(hào)來(lái)實(shí)現(xiàn)旋轉(zhuǎn)失速的特征頻率，不需要額外布置失速探頭，既簡(jiǎn)化了測(cè)試系統(tǒng)的結(jié)構(gòu)，又為企業(yè)降低了成本。

3）相比于MEEMD，MPE-CEEMD算法將各個(gè)尺度的排列熵值均被考慮在內(nèi)，這雖然增加了計(jì)算時(shí)間，但總體上增加的時(shí)間并不多，這對(duì)于壓縮機(jī)旋轉(zhuǎn)失速狀態(tài)的在線監(jiān)測(cè)具有一定的意義。