基于圖像處理的航空發動機自適應頻譜報警技術研究

(1.航空工業西飛 西飛設計院，西安 710089; 2.中國飛行試驗研究院 測試技術研究所，陜西 西安 710089)

0 引言

航空發動機結構復雜、工作環境多變且惡劣，經常出現各種故障，美國航空運輸協會調查了上世紀80年代至21世紀初期間的航空事故，發現最常見的機械失效就是起落架和航空發動機故障[1-3]。而航空發動機所帶來的故障往往直接影響整套飛行系統的運行，從而造成巨大經濟損失，甚至導致機毀人亡的嚴重后果。因此，對這些航空發動機的運行狀態進行監測，對可能發生的故障給予報警并準確確定故障原因是十分必要的。而振動信號能夠迅速直接地反映出發動機的運行狀態，不需要對發動機停機或者拆卸，便于實現在線和離線監測，同時振動信號便于測量，振動信號的分析理論豐富而完備，包括時域分析方法、頻譜分析方法、時頻分析方法、圖形分析法等，因此廣泛地應用于旋轉機械、往復機械、流體機械、轉軸、軸承、齒輪等的狀態監測[4-5]。

報警技術是振動監測系統的核心技術之一，報警信號是對監測對象狀態的直接評估，通過劃分不同報警等級，可表征當前狀態的嚴重程度。當監測對象在設定條件下發生報警時，意味著發動機運行狀態惡化并且可能發生某種故障。盡管報警信息在多數情況下不能直接指出故障源，只是指示一種現象，但維修人員可根據所指現象進行分析，縮小檢測范圍，進行有目的地檢查或維修，從而防止故障的發生，并降低維修成本[4-5]。因此從預防事故的角度來講，發動機運行狀態的報警比故障診斷更為重要和有效，狀態監測的誤報、漏報等情況很大程度上與報警設置有直接關系，報警的準確性一直是故障診斷可靠性中的一個關鍵問題。可靠的報警技術不僅可以確保航空發動機運行的安全，還可以降低發動機狀態監測診斷的成本，對安全生產和國民經濟都有重要意義[6-9]。

目前，常用的報警技術有參數化報警方法[10-11]和頻譜報警方法[12-14]兩種。其中，參數化報警方法利用歷史數據得到的統計指標作為報警閾值，并通過制定各種振動標準進行報警。而頻譜報警則是通過判斷各頻率成分的幅值相位是否發生異常來報警的。運行中的發動機在各種內外因素綜合影響下，狀態處于動態遷移之中[15]，對監測對象的各種測量數據也在不斷變化之中。而傳統的參數化報警技術和頻譜報警技術側重設置固定的報警閾值，對報警對象的變化適應性差，無法滿足發動機不同工況下的報警準確性。

針對上述問題，本文通過研究基于圖像處理的航空發動機自適應頻譜報警方法，將新型包絡生成方法和頻段自動劃分方法應用到均化頻譜的報警中，以提高航空發動機故障報警的準確性。

1 頻譜報警算法

頻譜各點依次連接形成頻譜曲線，其幅值構成一組一維數據序列，如果將該序列連續復制后組成二維數據序列，則二維序列在一個方向上是頻譜曲線的幅值，另一個方向上所有數據相同。灰度圖像是RGB色彩模式下，R(紅)、G(綠)、B(藍)3個顏色通道數據均相等時的圖像，每個通道有0～255共256級強度值。將二維序列歸一化，歸一化范圍取[0, 255]，則各點數值對應某灰度級別，由各點灰度級別構成二維圖像，便得到頻譜曲線對應的灰度圖像，圖1給出了一個簡單示例。

圖1 頻譜曲線及其對應的灰度圖像

在圖1中，頻譜中各點歸一化為0～255，數值越小則能量越低，擴展到二維灰度圖像后，高能量區(亮度高)和低能量區(亮度低)區別明顯。頻譜曲線可以看作二維圖像的一種壓縮，因此頻譜報警可以借鑒圖像處理的相關理論。

1.1 基于平滑濾波的包絡線生成算法

發動機振動信號的頻譜在截止頻率范圍內的所有頻率和對應幅值構成一條曲線C，離散頻譜情況下，假設C共有n個點，在頻率軸上的坐標為{Fi,i=1,2,…,n}，在幅值軸上的坐標為{Ai,i=1,2,…,n}。考慮到頻率軸上的坐標是等間隔的(FFT頻譜)，因此在進行包絡計算時，不需要關心具體頻率數值，可將{Fi}簡化為一個計數序列{i,i=1,2,…,n}。包絡生成只是對{Ai}進行計算，其結果和{Fi}仍有對應關系。

下面分析頻譜曲線某個點Ai和相鄰點之間的關系。圖2給出了全頻帶中的一段頻譜曲線。

圖2 頻譜曲線示意圖(含5個點)

一個頻率點可能含有來自多個振動源的振動特性對應能量，在圖2中，Ai點的振動能量較大。由于傅里葉變換時的窗函數會導致能量泄露，其相鄰的兩個點Ai-1和Ai+1，可能含有一些與Ai相同的振動特性對應能量。當頻譜的頻率分辨率較高時，Ai-2和Ai+2也與Ai具有類似聯系。振動源的振動特性是變化的，振動能量可能會在某幾個頻率點中重新分配。即使Ai比相鄰點幅值偏小，或者差別不大，其能量貢獻的意義相同，只是接受相鄰點的能量貢獻程度不同。某個頻率點的包絡計算需要考慮相鄰頻率點的能量貢獻。

圖像平滑濾波用于去除圖像中的噪聲，高斯平滑將每個像素的灰度值用其鄰域的加權平均值代替，以此為基礎設計包絡生成算法。算法核心思想是，相鄰點按照一定加權比例對中心點做出幅值貢獻，比例分配依據高斯正態分布設定。正態分布曲線關于均值中心對稱，曲線的高能量區集中(在中心左右3個標準差范圍內集中了99.73%的能量)。雖然中心點與各相鄰點的幅值并不具有正態分布規律，但相鄰點對中心點的幅值貢獻比較集中，可認為該貢獻比例近似服從正態分布。

1)幅值貢獻比例計算。

2)包絡線上各點生成。

包絡線上各點(包括中心點)的幅值與幅值貢獻比例bi中對應的比例系數相乘，得到幅值貢獻分配，顯然中心點的幅值貢獻是自身(bj+1=1)。包絡線E上的點由下式計算確定，

(1)

對于全頻帶頻譜，其頻率下限是0 Hz，上限是截止頻率F。0 Hz以下頻率點沒有任何實際意義，可認為其對應幅值為零；而F以上的頻率點一般是信號中的高頻干擾成分，幅值貢獻很小，也可認為其對應幅值為零。在計算接近0 Hz或者F的頻率點包絡時，中心點的某一側可能在有效頻率范圍之外，根據上面分析，通過補充零幅值的點來解決。按照所選定的擴展點數j，在頻譜兩端各加入j個零幅值點，根據式(1)代入{Ai}計算便得到完整的包絡線E。這種處理方法使程序編寫十分方便。控制包絡線細化程度的參數只有j，能夠方便調節。

包絡報警只需要將待檢頻譜和新型包絡線比較即可，根據超出包絡部分的能量累計值進行報警。由于在包絡生成時，考慮了相鄰點的能量貢獻，因此獲得的均化包絡敏感度適中，報警準確性高。

1.2 基于邊緣檢測的頻段劃分算法

頻段報警[16-17]的主要目的是簡化頻譜監測，各頻段單獨設定段內總值報警，原監測點從幾百個可縮減至幾個。頻段的自動劃分可提高報警信息處理效率。

具有監測價值的頻率點及其相鄰點對應幅值一般較大，這些點所構成的區域為高能量區，而各高能量區之間是監測意義不大的低能量區。頻譜曲線高低能量區的劃分與灰度圖像中亮度差異較大區域的分割類似，需要找尋分割位置，即圖像的邊緣。圖像邊緣檢測是指找尋其周圍像素灰度發生階躍變化或屋頂狀變化的像素集合。在圖3中給出了兩種典型邊緣的示意，圖(b)中的邊緣其實可以看作圖(a)中邊緣的特例，因為其邊緣兩側均發生較大階躍。

圖3 兩種典型的邊緣示意圖

邊緣檢測[18-19]的主要工具是基于各種算子的邊緣檢測模板。經典邊緣算子考察原始圖像各像素的領域內灰度階躍變化，利用鄰近一階或二階方向導數變化規律檢測邊緣。最優算子根據信噪比求得檢測邊緣的最優濾波器，主要算子有LoG算子、Canny算子。

頻譜曲線的形狀“參差不齊”，對應灰度圖像屬于高噪聲圖像。一般的梯度算子不適用于高噪聲圖像，可借鑒Canny算子的原理進行頻譜曲線的邊緣檢測。Canny算子利用高斯濾波器平滑圖像，然后采用一階偏導數的有限差分計算梯度的幅值和方向，算法沿屋脊帶的頂部進行跟蹤，最后采用兩個閾值來連接邊緣。頻譜曲線的邊緣只須檢測一個方向，因此自動劃分方法有3個步驟：曲線平滑、梯度計算和邊緣搜索。

1.2.1 頻譜曲線平滑算法

頻譜曲線從形狀角度來看，具有很強的噪聲，為防止檢測時產生大量“虛假邊緣”，因此首先需要平滑處理。頻段劃分要求分割出高能量區(簡稱H區)和低能量區(簡稱L區)，兩類區域的相鄰處存在邊緣，因此一小段數據的平滑要求如下：數據整體差異小，則平滑程度低；數據差異大，各點構成階躍段，則保留該階躍特性；含有明顯的局部極值點，則平滑程度高。從上述要求出發，同時為了提高算法效率，采用平均平滑的方法。

曲線的縱坐標是幅值序列{Ai,i=1,2,…,n}，橫坐標是簡化的計數序列{i,i=1,2,…,n}(后續計算都是按照序列順序處理幅值，因此不需要考慮頻率值)。平均平滑與前面的包絡求取類似，選取當前中心點Ai和兩側各j(j∈N)個對稱點，求出所有點的均值作為平滑后的點。

(2)

與包絡計算類似，對于曲線兩端的平滑采用添加零幅值點的方法保證算法完成。經過平滑處理得到新序列{Si,i=1,2,…,n}。

1.2.2 基于梯度的邊緣選取

{Si}在H或者L區內的數值差異較小，在區域交界處具有明顯階躍變化，通過梯度值可找到具有邊緣特性的階躍變化點。對{Si}作前向差分，得到梯度序列{DSi}。

Dsi=Si+1-Si,i=1,2,...,n-1

(3)

由于是前向差分，故{DSi}分別對應{Si}中的前n-1個點。

梯度值較大的點，往往是邊緣所在位置。設定梯度閾值ε(ε>0)，如果某個梯度點的絕對值超過閾值，則該梯度點對應幅值點可作為參考邊緣點(下文為敘述方便，以梯度點指代原幅值點)，邊緣從參考點中按照一定規則確定。從梯度序列DSi求出邊緣的過程稱為邊緣檢測。

下面介紹邊緣檢測中的幾個概念。圖4是一個梯度序列進行邊緣檢測的示意圖。

圖4 梯度序列的邊緣搜索

在圖4中，實線相連接的各點組成梯度序列，關于橫坐標軸對稱的兩條點劃線對應梯度閾值，所有在區間(-ε, +ε)之外的梯度點都可以作為邊緣選取的參考點。

從低能量區向高能量區過渡的階躍變化點稱為上升邊緣，反之稱為下降邊緣，一個上升邊緣和其右側(序列遞增方向。下文提到的左右方向均指按照序列遞減或者遞增的方向)緊鄰的下降邊緣中間是高能量區H，而一個下降邊緣和其右側緊鄰的上升邊緣中間是低能量區L。

在圖4中，U1、U2、U3、U4可以作為上升邊緣的參考點；D1雖然超出了閾值，但其對應的原幅值因前向差分關系，會偏左一個橫坐標單位，因此下降邊緣參考點是D1的右側緊鄰D2，這樣處理也是為了和上升邊緣偏左特性相適應，使H區的范圍適當擴大(對報警監測有利)；對于D3，選取下降邊緣參考點則取右側緊鄰U3，但U3又是上升邊緣參考點，U3對應原幅值是兩個高幅值點之間的一個較低點，一般無須從該點劃分頻段，因此U3不作為下降邊緣參考點。

當梯度閾值過大時，可能無法檢測到邊緣，為保證結果的一致性，加入極限邊緣的概念。全頻帶中，i=1對應的頻率為0 Hz，這個頻率處的振動停止，因此幅值為零；在上限截止頻率處，待分析的主要頻段在全頻帶內，更高的頻率范圍可認為振動能量很小，因此上限截止頻率點處的幅值也為零。當無法檢測到邊緣時，這兩個特殊零幅值點之間視為L區，0 Hz處有一個極限下降邊緣DE，截止頻率處有一個極限上升邊緣UE。極限邊緣保證了邊緣檢測結果不為空，同時能夠有效處理邊界邊緣問題。在圖3中，DE的位置在i=1處，D0的邊緣屬性根據后續算法調整，可能是DE，也可能演化為上升邊緣；UE的位置在i=n處，相當于新添加了一個梯度點，如果i-1對應點成為下降邊緣參考點，i=n點也可能演化為下降邊緣。

1.2.3 邊緣搜索算法

采用搜索方式對梯度序列掃描，依據規則記錄邊緣點位置。搜索算法的基礎是，偏向選取規則和同類型邊緣合并規則。從選取規則可知，上升邊緣偏左、下降邊緣偏右，梯度序列按遞增方向搜索上升邊緣和按遞減方向搜索下降邊緣的方法一致，只是下降邊緣位置需要右移一位。為了減少搜索中的各種判斷，簡化算法，采用雙向搜索。

算法中需要用到的變量有，梯度序列Ds，上升邊緣位置集合Ue，下降邊緣位置集合De，梯度閾值e=ε，上升邊緣類型標簽TagN，下降邊緣類型標簽TagI。邊緣類型標簽取值，當Ds≥e，TagN=TagI=+1；當Ds≤-e，TagN=TagI=-1。

1)初始化：

給定Ds共n-1個元素(相比原頻譜曲線的點數n)；Ue和De為空；給定梯度閾值e；i=1處對應梯度值不會小于零，在該點只可能檢測到上升邊緣，因此TagN=-1；i=n-1處梯度值不會大于零，在該點只可能檢測到下降邊緣，因此TagI=+1。

2)主循環：

Fork=1,k

正向搜索

IfDs(k)≥e&&TagN==-1

Ue中記錄位置k；TagN=1;

IfDs(k)≤-e

TagN=-1；

反向搜索

l=n-k;

IfDs(l)≤-e&&TagI==+1

(1)實驗所使用的樣品有4種，分別為馬尾松、北美短葉松、杉木和毛白楊。4種木材均是在180℃恒溫條件下進行熱處理。但實驗結果顯示4種不一樣的木材在熱處理后粗糙度出現了3種變化趨勢，其中北美短葉松的粗糙度在1～4 h過程中逐漸變大，即并不是所有的木材都是隨熱處理時間增加，其粗糙度變小。

De中記錄位置l+1；TagI=-1;

IfDs(l)≥e

TagI=+1;

k++;

3)邊緣位置重合處理：

反向搜索得到的下降邊緣需要進行右移一位處理(l+1)，可能和某個上升邊緣重合，因此將Ue和De中的相同元素刪除。

根據Se完成頻段自動劃分后，各頻段內的報警對象是段內振動能量，一個簡單的能量計算方法是將段內各點振動幅值相加。均化頻譜的自動頻段劃分，使窗滑移過程中的所有報警計算由軟件算法實現，因此提高了監測系統的自動化程度。

2 航空發動機自適應頻譜報警方法

隨著發動機規模增加和監測復雜度的提高，傳統報警技術顯露出諸多不足，無法滿足現代振動監測系統的報警需求。

傳統的參數化報警方法是通過制定各種振動標準進行報警，重點是計算歷史數據的統計指標，但這些標準的不確定性較強。簡單依據發動機種類和操作人員經驗設置報警標準，并未考慮發動機運行的實際情況和飛行中的工作狀態，這些標準只是從共性基礎上提出具有參考意義的判斷標準。在飛機飛行中，不同型號的發動機、同類發動機不同的工作負載、發動機運行的歷史過程等對發動機的影響都不盡相同，這時根據相同標準對發動機狀態進行評估顯然是不合理的。報警標準常將發動機當前狀態劃分為幾個等級，但等級無法從物理意義上明確說明發動機處于何種狀態，應該對發動機進行什么樣的操作。當前的發動機狀態報警技術仍然建立在靜態報警的基礎上，用這些報警標準對發動機狀態進行評估，無法適應發動機的個性化。在進行報警的閾值設定和等級劃分時，一般都是人工進行報警計算有關的設置。在有效報警的前提下，操作人員需要不斷去檢查和更新各類設置，隨著監測系統的數據處理量的增大，類似的人工環節會大大影響系統的自動化程度，進而影響到飛行的連續性。

另一方面，參數化報警沒有考慮發動機的狀態變化歷程和個體特性，報警閾值來源于各種統計指標，具有靜態特點，不能滿足系統長期監測的報警準確性。智能化報警要求建立具有自適應特性的報警信息處理模型。運行中的發動機在各種內外因素綜合影響下，狀態處于動態遷移之中，各種監測對象的測量數據也在不斷變化之中。具有自適應特性的報警模型能夠跟蹤這種變化，通過對當前測量數據的學習更新模型，使報警閾值或報警指標也隨之動態調整。具有自適應特性增強了報警的動態性和靈活性，也提高了報警的準確性。頻譜圖直觀反映了不同頻率的振動幅值分布，負載波動和故障發生等諸多因素都會引起頻譜形狀的變化，相應的報警線需要能夠在這種變化中判斷幅值異常。包絡報警中的報警線是對多個頻譜進行統計后得到的幅值上限，智能化的包絡報警可以對形狀變化后的頻譜曲線進行敏感度適中的報警監測。全頻帶的報警如果從振動幅值的總量考慮，不夠精細，不能發現局部振動異常，一種較好的辦法是將全頻帶劃分為幾個頻段，每個頻段內單獨監測振動幅值。這種劃分與頻譜曲線形狀有關，智能化的頻譜報警可以自動劃分多個頻段進行監測，在頻譜形狀小幅變化后將主要頻率分量仍然分割在同一頻段中；而在頻譜形狀大幅變化后可自動重新分割全頻帶，有效監測各個頻段。頻段報警是一種精細化的頻譜報警技術，加入智能化手段可增強報警的適應性，提高了報警計算的自動化程度。

包絡報警和頻段報警有利監測細化，應用廣泛，前者敏感性強，后者實際意義明確。傳統包絡生成方法是，取幅值的若干局部極大點相連，或對所有幅值放大一定倍數，具有“點對點”的特點。傳統頻段報警，可將高能量區劃分出來，使監測對象集中，但分割位置選擇十分重要。由于負載波動，振動分量的隨機性，發動機狀態遷移等因素都會引起頻譜數據的變化，因此，相應的報警設置可能失效。

綜上所述，基于圖像處理的航空發動機自適應頻譜報警方法具體流程圖見圖5，具體步驟如下：

1)設運行數據的時刻為[t0,t0+T/a]，取[t0-T,t0]時刻發動機振動信號作為歷史數據，將該段信號平均分為a段，得到每段信號長度為T/a的多組發動機歷史振動信號，其中通過設置T和a的數值來改變報警的靈敏度。

2)對平均分為a段的發動機歷史振動信號分別進行FFT變換，并且將作為報警參考的多組頻譜進行均化處理，即求取各頻率點對應的幅值均值，得到均化頻譜。均化頻譜是分析時長內幅值分布的統計結果，可作為頻譜報警計算的樣本模板。

3)對均化頻譜使用基于平滑濾波的包絡線生成算法獲取均化頻譜包絡線。

4)對均化頻譜使用基于邊緣檢測的頻段劃分算法得到均化分割點和均化頻段能量值。

5)對運行數據頻譜使用基于平滑濾波的包絡線生成算法獲取運行數據頻譜包絡線，將運行數據頻譜包絡線與均化頻譜包絡線進行差值，得出包絡報警結論。

6)按照均化頻譜的均化分割點對運行數據頻譜進行分割，比較均化頻譜與運行數據頻譜各個頻段能量值，得出頻段報警結論。

7)對包絡報警和頻段報警結論進行綜合得到最終報警結論，其中包絡報警或頻段報警其中任一出現報警時，均視為發出報警。

本方法將作為報警參考的多組頻譜進行均化處理，即求取各頻率點對應的幅值均值，得到均化頻譜。均化頻譜是分析時長內幅值分布的統計結果，可作為頻譜報警計算的樣本模板。對均化頻譜，使用包絡報警方法獲取均化包絡線，使用頻段報警方法得到均化分割點和均化頻段能量值，這些結果反映整個分析時長內的振動特性。做當前時間窗外下一組頻譜的報警分析，該組頻譜與均化包絡線比較得到包絡報警結論，按照均化分割點劃分該組頻譜，將各段能量值與均化頻段能量值比較得到頻段報警結論。

在發動機運行過程中，具有統計意義的均化頻譜不斷改變，包絡報警和頻段報警通過對均化頻譜的監測跟蹤，實現了自適應的頻譜報警。

圖5 自適應頻譜報警原理

3 實驗結果與分析

采用以上的自適應頻譜報警方法應用于某型發動機試驗中，對其振動情況進行分析，測點編號R1，取2016年8月到2017年1月所采集的振動速度數據，經FFT變換得到40組頻譜數據。求取均化頻譜，作為報警分析的主要對象。

對均化頻譜進行包絡計算，由式(1)計算包絡線，參數j=3(最高譜峰兩側各約3個點幅值較大)，其包絡計算結果如圖6所示。

圖6 包絡計算結果

在圖6中，包絡線顯示為虛線，由于臨近點的能量貢獻，保證了包絡線是頻譜曲線的上限。該包絡生成過程對每個點依次求解，所以包絡細化水平較高。參數j調節包絡高度，j越小，包絡越低，對頻譜形狀保留越多。

選取兩組頻譜，將其和包絡線繪制在圖7中(對圖進行了適當放大)。

圖7 兩組頻譜與包絡線比較

在圖7中可以看到，包絡線對兩組頻譜具有良好的上限覆蓋能力，同時對形狀差異較大的位置也能夠實現覆蓋(例如40 Hz和60 Hz之間)。

將2017年3月3日的測量數據對應頻譜與包絡線作對比，其結果如圖8所示。

圖8 一組頻譜的包絡報警

從8圖中可看出，25 Hz處的幅值遠大于包絡線對應值，發生報警。這與測量當日，由于發動機的葉片磨損導致了振動烈度顯著增加的情況一致。

按照式(3)和式(5)求取梯度序列和邊緣復雜度，得CI=0.158 8，梯度的絕對值序列最大值為0.613 6，給出梯度閾值參考值ε=0.613 6×0.158 8=0.097 4。由雙向邊緣搜索算法得到上升邊緣和下降邊緣的序列位置，去除其中的重合邊緣，其結果如圖9所示(對圖進行了適當放大)。

圖9 梯度序列的邊緣選取結果

圖9中標出了梯度序列進行邊緣檢測的閾值上下限，依據雙向邊緣搜索算法得到上升邊緣和下降邊緣集合，按照坐標序列位置(此處不是頻率)得到邊緣位置，U={6，17，27，37}，D={16，25，35，45}。再根據邊界處理規則，得到完整邊緣序列，其中鄰域大小δ=7(參考曲線平滑參數j)，則U={1，17，27，37，400}，D={16，25，35，45}。將兩個序列合并，去除較窄的低能量區，得到最終的分割點序列Se={1，16，27，35，45，400}。分割點序列對應的均化頻譜點如圖10所示。

圖10 頻段劃分結果

在圖10中，劃分出四個明顯譜峰和一個較寬的低能量區，可見基于邊緣檢測的頻譜自動劃分方法能夠有效分割高能量和低能量區。分割點序列對應的頻率點為{0 Hz，40 Hz，67.5 Hz，87.5 Hz，112.5 Hz，1 000 Hz}，以此劃分出五個頻段，統計各段能量累積值，將中間各分割點對應幅值計入左側頻段，結果見表1。

表1 均化頻譜的頻段能量值

將2017年3月3日測量數據對應頻譜，按照均化頻譜分割點作頻段劃分，計算各段能量，結果見表2。

表2 一組頻譜的頻段能量值

將表1中各頻段能量值作為報警參考。采用相對標準，在0～40 Hz頻段內，表2中的能量值達到參考值3倍左右，產生報警，表明該頻段內某個特征頻率下的振動幅值超標。

從包絡報警技術和頻段報警技術的應用實現來看，由均化頻譜得到的報警參考量可有效發現振動異常。包絡報警的敏感性適中，頻段報警的自動劃分能力強，兩者與均化頻譜的更新過程結合，可完整實現頻譜的自適應報警。

4 結束語

本文借鑒圖像處理中的平滑濾波和邊緣檢測理論，提出了新型包絡生成方法和頻段自動劃分方法，將兩者應用到均化頻譜的報警中，通過某型航空發動機實際監測數據對方法的驗證結果，我們得到了以下結論:

1)本文所提出的新型包絡生成方法生成的包絡線對頻譜具有良好的上限覆蓋能力，同時對形狀差異較大的位置也能夠實現覆蓋。

2)本文所提出的基于邊緣檢測的頻譜自動劃分方法能夠有效分割高能量和低能量區，提高了頻譜自適應報警的準確率和自動化水平。

3)本文提出的航空發動機自適應頻譜報警方法可有效發現振動異常，其中包絡報警的敏感性適中，頻段報警的自動劃分能力強，兩者與均化頻譜的更新過程結合，可完整實現頻譜的自適應報警。