李楊 劉桂秋 張志鋒

摘要：對于多相電機定子繞組或逆變橋開關(guān)管開路造成的故障，其故障信號常被電機噪聲和環(huán)境噪聲所淹沒?，F(xiàn)提出一種將LMS-自適應濾波算法和經(jīng)驗模態(tài)分解（EMD）結(jié)合的特征信號提取方法，通過自適應濾波算法濾除含有噪聲污染的故障信號中電機產(chǎn)生的電磁噪聲，再對濾波后的信號進行經(jīng)驗模態(tài)分解，并提取出故障特征信號。仿真實驗表明，該方法能夠有效消除電機電磁噪聲的干擾，計算快且簡單易行，具有良好的可操作性。

關(guān)鍵詞：LMS-自適應濾波算法;EMD;故障診斷;電機噪聲

0? ? 引言

在常用的非平穩(wěn)信號分析方法中，Huang等提出的經(jīng)驗模態(tài)分解（EMD）非常適用于處理非線性、非平穩(wěn)信號[1]，該方法將任意信號分解為若干個基本模式分量（IMF），這些IMF可以較好地反映信號的時頻特性。但在實際應用中，由于輸入信號部分缺失、受噪聲影響或受其他脈沖信號的干擾，在EMD分解過程中會產(chǎn)生模態(tài)混疊[2-4]問題，而選擇合適的濾波方法濾除原信號中的干擾信號可以有效解決此問題。

LMS-自適應濾波算法可以直接利用觀測數(shù)據(jù)，根據(jù)設定的目標信號不斷遞歸更新處理參數(shù)。這樣的處理方法不但更接近實際情況，而且更符合非平穩(wěn)信號的濾波需求，因而其在許多參考文獻中都在去噪方面有廣泛應用[5-7]。本文選用LMS-

自適應濾波算法與經(jīng)驗模態(tài)分解相結(jié)合的方法，解決非平穩(wěn)信號的特征信號處理問題。

1? ? LMS-自適應濾波算法

自適應濾波是近些年發(fā)展起來的一種濾波方法，其由于具有更強的適應性和更優(yōu)的濾波性能，在不同領域得到了廣泛的應用。本文選用收斂速度快且易行的LMS-自適應濾波算法來去除電機的振動噪聲。

采用LMS-自適應濾波算法的目的是使濾波后的實際輸出值和期望輸出值之間的均方誤差（MSE）最小，其均方誤差為：

當均方誤差最小時有：

所以在最小均方誤差意義下的最佳FIR橫向濾波權(quán)向量為：

應用最速下降法得到：

2? ? EMD信號處理方法

經(jīng)驗模態(tài)分解（EMD）方法是黃鍔博士提出的一種自適應信號處理方法，特別適用于非線性、非平穩(wěn)信號的特征量提取，該信號處理方法關(guān)鍵是經(jīng)驗模式分解過程，把復雜信號分解為有限個本征模函數(shù)（IMF），分解出的每個IMF分量包含了原信號不同時間尺度的局部特征信號。EMD分解的具體步驟可以描述為：

（1）需求解出原信號x（t）的極大值和極小值點，若信號無極值點則先對其微分，再對得到的結(jié)果進行積分來求取極值點。根據(jù)極值點用三次樣條插值法求取信號上下包絡線，上下包絡線均值曲線記作m1（t）。將原信號x（t）減去包絡線均值曲線m1（t），得到一個新信號序列h1（t）。如果h1（t）不滿足IMF條件，把h1（t）作為原信號重復上述步驟，直到其平均包絡線趨于零，則hk（t）為第一個IMF分量，記作c1（t）。

（2）將原信號x（t）減去第一個IMF分量c1（t）得到新信號序列，對新信號重復步驟（1）可得到多個IMF分量cn（t）和一個不可分解的余項rn（t）。因此，原信號x（t）可看作是多個IMF分量cn（t）之和加上余項rn（t）信號的和。

EMD分解的本質(zhì)是對信號的篩分過程，將原信號從高頻到低頻依次分解出不同頻率段的信號分量。但由于電機在運行時受機械振動噪聲、空氣動力振動噪聲和電磁振動噪聲等多個噪聲源的影響，EMD在分解故障信號過程中會產(chǎn)生模態(tài)混疊問題，即不同頻率段信號混疊在一個IMF分量中，對故障信號提取造成干擾。由文獻[8]可知電機由逆變器供電時電機的振動噪聲源特征頻率，因此可采用自適應濾波算法先對原信號進行濾波處理，濾除電機振動噪聲源的干擾信號，再進行EMD分解，可以很好地解決模態(tài)混疊問題，提取出故障信號。

3? ? 仿真分析

為了驗證本文方法的可操作性，在Matlab中進行仿真分析。選用模擬噪聲污染的故障信號x（t），x（t）由頻率為50 Hz的正弦信號x1（t）、模擬故障的周期性指數(shù)衰減信號x2（t）、頻率為正弦信號1.5倍的噪聲信號x3（t）組成，具體為：x1（t）=

5sin（100πt）、x2（t）=e-50tsin（1 000πt）、x3（t）=10sin（1 500πt）。圖1為沒有污染的正弦波信號x1（t）波形圖、加入的噪聲x3（t）的波形圖及未經(jīng)過濾波處理的輸入合成信號x（t）的波形圖，圖2為EMD分解出的各IMF分量圖。

把原故障信號x（t）通過LMS-自適應濾波算法濾除噪聲干擾項x3（t），濾波過程的目標函數(shù)為正弦信號x1（t），濾波之后得到的輸入波形如圖3（a）所示，圖3（b）為濾波后的信號經(jīng)過EMD分解出的IMF分量圖。

將圖1中的合成信號與圖3（a）中濾波后的合成信號進行對比可以看出，經(jīng)過LMS-自適應濾波之后的信號更圓滑，更接近目標信號，并且EMD分解出的IMF更加細致。圖3（b）和圖2相比EMD多分解出一個IMF分量，使得分解出的每一個IMF頻率段更加清晰準確。

4? ? 結(jié)語

針對含有電機振動噪聲干擾的故障信號提取問題，本文提出LMS-自適應濾波與EMD分解相結(jié)合的特征信號提取方法，并且通過模擬故障信號在Matlab中進行了仿真實驗，得到了如下結(jié)論：LMS-自適應濾波算法可以有效地濾除電機振動噪聲的干擾，使輸入信號更接近未污染狀態(tài)，并且可以有效抑制EMD分解過程中的模態(tài)混疊問題。

[參考文獻]

[1] 胡愛軍，孫敬敬，向玲.經(jīng)驗模態(tài)分解中的模態(tài)混疊問題[J].振動、測試與診斷，2011，31（4）：429-434.

[2] 張小明，唐建，韓錦.基于SVD的EMD模態(tài)混疊消除方法[J].噪聲與振動控制，2016，36（6）：142-147.

[3] 黎恒，李智，莫瑋，等.噪聲干擾環(huán)境下抑制EMD模態(tài)混疊方法[J].信號處理，2015（8）：956-961.

[4] 肖瑛，殷福亮.解相關(guān)EMD：消除模態(tài)混疊的新方法[J].振動與沖擊，2015（4）：25-29.

[5] 盧斌，何勇，劉傳群，等.自適應濾波算法在紗疵信號去噪中的應用[J].自動化與儀表，2018，33（3）：46-51.

[6] 張艷艷，劉新平，邢素紅.隨鉆測量信號去噪方法研究及實現(xiàn)[J].信息通信，2016（3）：49-50.

[7] 曹昌勇，方杰.基于Wiener自適應濾波算法在語音信號去噪中的研究[J].齊齊哈爾大學學報（自然科學版），2013（2）：12-16.

[8] 宋志環(huán).車用驅(qū)動電機電磁振動噪聲源診斷技術(shù)[J].電機與控制應用，2018，45（7）：97-101.

收稿日期：2020-04-16

作者簡介：李楊（1994—），女，遼寧撫順人，碩士研究生，研究方向：電力電子與電力傳動。