航天電子設備多余物自動檢測系統設計

許 沖，翁藝航，朱 駿，周起華，袁 靜

（1.上海理工大學機械工程學院，上海 200093；2.上海航天電子通訊設備研究所；3.上海無線電設備研究所，上海 201109）

0 引言

復雜精密的航天電子設備具有大量的元器件和節點，在生產過程中難免會引入與產品規定狀態不符的多余物［1］，如螺釘、金屬屑、焊渣、導線皮等。這些多余物可能會吸附或嵌入在航天設備中，在失重或劇烈沖擊振動的工況下，多余物極易從相對靜止變成游離活動狀態，可能引發航天設備出現電路系統短路、機械機構運動卡頓、液壓管道堵塞等故障［2］，甚至導致嚴重的航天事故，造成巨大的經濟損失［3-5］。因此，航天設備離廠前必須進行多余物檢測，以降低產品質量隱患，增強可靠性［6］。

微粒碰撞噪聲檢測是一種常用的多余物檢測方法［7］，分為回轉式檢測和隨機振動檢測，主要包括信號采集、特征提取與診斷識別等步驟，其中多余物特征提取是最關鍵的一步。但檢測中采集到的動態信號是多種響應的綜合，加之背景噪聲、可動部件振動以及其他激勵源的干擾，多余物特征信號特別微弱，難以進行有效識別。為此，李超［8］采用卡爾曼濾波抑制白噪聲以增強多余物信號，但信號物理模型建立和閾值估計存在困難；Wang 等［9］針對微小多余物采用隨機共振提高檢出率，但較寬的振動頻率帶來的非線性、非平穩特征給后續多余物特征提取帶來了困難；郜雷陣等［10］在三門限脈沖提取原理上設計兩級門限脈沖方法以提高多余物脈沖信號完整度，但無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分解和降噪的集成噪聲重構經驗模式分解（Ensemble Noise-reconstructed Empir?ical Mode Decomposition，ENEMD）方法以精確提取多余物非線性和非平穩性脈沖特征，利用測試信號固有噪聲以達到降噪效果，突出微弱特征，再分別對各階IMF 使用峭度指標判斷多余物的存在性，隨后以LabVIEW 為開發平臺，與MATLAB 混合編程，實現檢測結果可視化，并與已有回轉式多余物檢測設備相整合，形成一套多余物自動檢測系統。

1 系統總體設計

本文設計的多余物自動檢測系統主要包含回轉機械裝置、信號采集模塊以及工控機，如圖1 所示。其中，回轉機械裝置通過正反旋轉方式激活航天機電設備中的多余物，使之變為游離狀態，進而與設備內壁發生碰撞產生聲音與振動信號；信號采集模塊依次由聲音傳感器、NI 數據采集卡、信號調理電路構成，對聲音信號進行收集與處理，并傳遞給工控機；工控機通過專門的檢測算法分析采集信號以判斷多余物是否存在。在轉動形式上，該系統有軸向（內框轉動）和徑向（外框轉動）兩種轉動可供選擇，在最大程度上激活多余物。

Fig.1 Structure of the remainder detection system圖1 多余物檢測系統結構

2 多余物檢測方法

航天設備通常結構復雜、材料各異，在回轉試驗中多余物微粒會隨機與內腔發生碰撞，加之試驗環境復雜，因此由各種因素耦合形成的多余物試驗采集信號成分多樣，是一種非線性、非平穩性信號［11］。然而，其中有用的多余物特征信號往往被噪聲淹沒，不能進行有效識別。為此，本文采用了一種可適用于非線性、非平穩過程，集自適應分解、智能濾波與自動降噪于一體的集成噪聲重構經驗模式分解方法［12］。該方法利用多余物信號中的固有噪聲成分代替總體平均經驗模式分解方法（Ensemble Empirical Mode Decomposition，EEMD）中人為添加的白噪聲［13］，以改善模態混淆現象，并且在總體平均過程中，固有噪聲成分會互相抵消從而達到降噪效果。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得到增強，可為判斷多余物是否存在提供準確依據。

2.1 方法具體描述

設多余物試驗采集信號為x(t)，多余物特征信號為s(t)，噪聲信號為n(t)，該算法具體步驟如下：

（1）利用閾值處理估計原信號x(t)中的固有噪聲成分［14］：

①對x(t) 執行 EMD 分解得到 IMF 分量和余項并采用基于各分量中位數的信號能量公式計算各IMF 實際能量

②假設c1(t)為白噪聲，則其白噪聲能量

③根據式（2）計算各IMF 在置信區間95%和99%時的白噪聲能量和

式中，當置信區間為95%時，β=0.719，ρ=2.449；當置信區間為99%時，β=0.719ρ=1.919。

④當k≥2 時，將各IMF 實際能量{Ek} 分別與對應理論計算能量進 行 比 較。若則將ck(t)選為可能含噪IMF；否則，ck(t)就認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 組成一個新的集合{cl(t),l=1,…}。

⑤與傳統閾值降噪不同，本文基于相鄰系數降噪原理對cl(t)提純噪聲分量，表示為：

其中，Tml為極大極小閾值，其降噪效果優于線性降噪［17］。

（4）重復步驟（2）和步驟（3）r次直到滿足預先設定的誤差允許值ε。

（5）將步驟（3）中得到的所有組IMF 分量和余項進行累加平均計算，輸出平均IMF 分量和平均殘差分量

對于多余物試驗信號而言，多余物脈沖一般在時域上呈現單邊振蕩衰減特性［18］，其典型波形如圖2 所示，屬于信號中的高頻部分。在EMD 分解中，信號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 進行多余物特征分析。在常用統計指標中，峭度指標對脈沖特征比較敏感，因此在每一階IMF 中設定不同閾值，當峭度指標大于設定閾值時，則認為試驗信號中存在多余物分量。

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

2.2 仿真對比分析

本文采用一組含噪脈沖仿真信號比較本文方法與EEMD 對微弱特征的提取效果，仿真信號表達式如下：

其中，s(t)為單邊振蕩衰減信號，用來表示多余物特征；λn(t)是高斯白噪聲，標準差λ反映噪聲強弱，以改變信號的信噪比。設信號x(t)的采樣頻率為5 120Hz，長度為5 120。兩種方法需要提前設定的參數為：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x(t)標準差的0.1 倍，集成個數設為50。

本文需要提取微弱特征，信號處于強噪聲環境，因而令λ=0.25，此時信號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沖擊特征都在第3 階IMF 中較為明顯，但本方法c3的峭度值大于EEMD 的結果；②EEMD 其余3 階IMF 的幅值普遍都大于本文方法的分解結果。可見，針對此類處于強噪聲背景下的多余物試驗信號，采用本文方法可以達到良好的降噪效果，微弱多余物沖擊特征會得到增強，同時與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 含噪脈沖信號及其各分量

Fig.4 Deposition results of the proposed method圖4 本文方法分解結果

Fig.5 Deposition results of EEMD圖5 EEMD 分解結果

3 系統軟件設計及驗證

3.1 檢測系統設計

工控機上的多余物檢測系統以LabVIEW 為開發平臺進行編寫，包含數據讀取、檢測算法、結果顯示3 個模塊。其中，上述的多余物檢測算法是先在MATLAB 中完成程序編寫，并編譯成動態鏈接庫COM 組件供LabVIEW 調用［19-20］。前面板顯示分析結果，包括多余物試驗采集信號、前4 階IMF 及其峭度指標，以及檢測判斷結果，如圖6 所示。

Fig.6 Front panel of the remainder detection system圖6 多余物檢測系統前面板

當多余物試驗信號經采集模塊傳輸到上位機之后，先觀察多余物試驗信號原始波形圖。若觀察到明顯無規律的脈沖衰減特征，則說明被檢航天設備中存在質量較大的多余物；反之，則被檢設備可能不存在多余物或存在微小質量的多余物。因而，需要采用本文的集成噪聲重構經驗模式分解方法對試驗信號作進一步處理。若存在微小質量的多余物，則前4 階IMF 中會出現振蕩衰減特征，并計算和顯示各階IMF 的峭度指標，再與設定閾值進行比較之后，指示燈會顯示紅色，直觀地表明存在多余物；若不存在多余物，指示燈會顯示綠色。其中，在多次對實際含多余物試驗信號進行分析后，該檢測系統中各階IMF 峭度閾值分別設為25、20、15、10。檢測系統后面板程序框圖如圖7所示。

Fig.7 Back panel of the remainder detection system圖7 多余物檢測系統后面板

3.2 系統驗證分析

為進一步驗證本文多余物檢測方法的有效性和多余物檢測系統的可行性，分別將兩段已知結果的無多余物和有多余物試驗信號輸入到該檢測系統中進行分析，其中采樣頻率為6 000Hz，誤差允許值設為0.02。圖8 和圖9 顯示的是這兩段信號的檢測結果，兩段試驗信號的原始波形中均未出現明顯的振蕩衰減脈沖特征，再經本文的ENEMD方法處理后，含有多余物試驗信號的前4 階IMF 中沖擊特征比較突出，峭度指標也均大于設定閾值，而無多余物試驗信號的分析結果正好相反。可見，對于被強背景噪聲淹沒的多余物試驗采集信號，在采用本系統進行分析檢測后，可以準確濾除大量背景噪聲，突出多余物脈沖特征，有效區分有無多余物的情況。

Fig.8 Analysis results of the none-remainders testing signal圖8 無多余物試驗信號分析結果

Fig.9 Analysis results of the existed-remainders testing signal圖9 有多余物試驗信號分析結果

4 結語

基于一種雙軸回轉式多余物微粒碰撞噪聲檢測試驗臺，本文以LabVIEW 為開發平臺設計了一套多余物自動檢測系統，能直觀、準確地顯示多余物判別結果。其中，由于多余物試驗信號處于低信噪比，且具有脈沖特性，在與EEMD 進行比較分析后，集成噪聲重構經驗模式分解不僅可以實現信號的自適應分解，還利用自身固有噪聲達到降噪效果，進而實現了多余物微弱特征的精確提取。實際試驗數據驗證結果表明，該系統可在一定程度上自動判斷出設備中多余物的有無情況。實際設備中檢測出來的多余物具有多樣性，且材質大小不一，后續將通過尋找多余物敏感時頻域特征，并與深度學習算法融合，實現多余物具體材質智能識別。