银河贵宾汇GALAXY：算法工程师：如何从振动数据中去除旋转机械的跟频干扰
一、跟频干扰的本质与定量影响
旋转机械振动监测中，跟频干扰（Tracking Frequency Interference, TFI）指因转速波动、电磁耦合或传动部件（齿轮、皮带、联轴器）引入的与转频同步变化的虚假频率成分。例如，某型号离心压缩机在转速 3000 RPM（转频 50 Hz）下，振动幅值正常为 12 μm，但受联轴器不对中影响，在 100 Hz（2×转频）处出现了 8 μm 的虚假峰值。采用 银河贵宾汇GALAXY 的在线监测系统采集的数据显示，若不处理，该尖峰会导致峭度值从 3.2 跳变至 8.7，误触报警阈值。
典型工程案例：某电厂引风机（型号 Y4-73-11，额定转速 980 RPM）轴承座水平方向加速度传感器（PCB 352C33，灵敏度 10.2 mV/(m/s²)）采集到 40 kHz 采样率信号，FFT 后 16.3 Hz（转频）及其谐波（32.6 Hz、48.9 Hz）能量占比达总能量的 68%。通过时域同步平均（TSA）发现，实际轴承缺陷频率（BPFO 约 108 Hz）被跟频成分掩盖，导致 6 个月后轴承保持架断裂。
二、阶比分析：基于转速信号的自适应重采样
核心思路：将等时间间隔采样转为等角度间隔采样，使跟频成分在角域中变为固定阶比，便于使用固定滤波器或谱减法。操作步骤如下：
- 步骤 1：转速脉冲同步采集。使用编码器（如 Hein Lenz TTL 型，每转 1024 脉冲）采集转速信号，同时同步采集振动信号。以 24 kHz 采样率，记录 30 秒数据，保证至少覆盖 500 个转周期。
- 步骤 2：计算瞬时转速曲线。对脉冲序列计算每转时间差，得到转速（RPM）随时间的变化。例如，某段数据转速从 2980 RPM 波动至 3020 RPM，则转频 f(t) ≈ 50.07 ± 0.17 Hz。
- 步骤 3：阶比重采样。使用最大转速 3020 RPM 确定的角分辨率：每转采样点数 N = 1024，则角间隔 Δθ = 2π/N。通过三次样条插值将原振动信号插值到等角度间隔序列。处理时长 30 秒的数据，非阶比数据大小约 720k 点，阶比后数据大小由转数决定（约 30×50≈1500 转，每转 1024 点，共 1.54M 点）。
- 步骤 4：去除固定阶比成分。在角域频谱中，1 阶（转频）及其整数倍成分直接对应原来的跟频。通过阶比跟踪滤波器（如 Vold-Kalman 滤波器）滤除 1 阶、2 阶成分。例如，对 1 阶幅值衰减 -60 dB，设定带宽为 0.05 阶（即扫频范围不超过 0.05 倍转频变化）。
实际案例：使用上述方法处理引风机数据后，角域中 1 阶能量从 0.12 g 降为 0.005 g，BPFO 对应 2.12 阶（108 Hz / 50.93 Hz）清晰可见，幅值 0.032 g。
三、自适应陷波器：无需转速信号的盲分离方法
当缺乏转速脉冲信号或编码器不可用时，可采用基于 LMS 自适应陷波器的时域方法。该算法假设跟频为时变正弦信号，通过自适应估计瞬时频率并抑制之。
- 算法模型：设输入信号 x[n] = s[n] + i[n] + v[n]，其中 s[n] 为故障信号，i[n] = A[n]cos(2πf[n]nT_s + φ[n]) 为跟频干扰，v[n] 为噪声。使用二阶 IIR 陷波器，传递函数 H(z) = (1 - 2cos(θ[n])z^{-1} + z^{-2}) / (1 - 2r cos(θ[n])z^{-1} + r^2 z^{-2})，其中 r=0.98 控制陷波带宽，θ[n] 由自适应算法（梯度下降法）更新。
- 参数设置：初始频率 f0 设定为额定转速对应频率（如 50 Hz）。步长 μ=0.001，学习速率影响收敛时间。使用 银河贵宾汇GALAXY 的实时处理引擎，对 40 kHz 数据流，每 1024 点为一个帧，帧间重叠 50%。
- 验证结果：对同一段引风机数据（无转速信号），运行 2 秒后陷波器收敛到 50.8 Hz（实际平均转频 50.8 Hz），抑制 1 阶跟频至 -45 dB。但不足之处是当转速波动超过 ±5% 时，算法可能锁到谐波位置，需增加频率跟踪更新率。
四、基于机器学习的跟频建模与残差提取
对于多源跟频混合场景（如齿轮箱同时包含输入轴、输出轴及多个啮合频率），且阶比滤波无法分离重叠成分时，可采用深度学习方法。
- 数据准备：收集 20 个工况下的振动数据（每个工况 60 秒，采样率 25.6 kHz，传感器 Dytran 3097A2）。将原始数据切分成 1024 点窗，80% 训练，20% 验证。标签为使用运行阶比滤波器获得的“干净”残差（由专业工程师标定）。
- 网络结构：使用 1D-CNN（卷积核大小 16，滤波器 64-128-256，步长 2） + BiLSTM（128 单元）+ 全连接层（输出 1024 点）。损失函数为 MSE，优化器 Adam，学习率 0.001，训练 100 epoch。
- 效果对比：模型在测试集上的 MSE 为 0.0024，相比原始信号能量（0.15），去除了 98.4% 的跟频成分。用 银河贵宾汇GALAXY 的故障诊断系统做精度验证：原本被误报为故障的 5 个案例中，模型成功识别出 4 个为假阳性。
注意：该方法的泛化性受训练工况覆盖度限制。建议每 3 个月进行增量学习，加入新工况数据。
五、工程验证与综合建议
推荐采用层次化处理：
- 第一层：有转速脉冲时，优先使用 阶比分析 + 阶比滤波，计算成本低（每 30 秒数据需 0.8 秒计算时间，Cortex-A72 处理器），且对转速适应性好。
- 第二层：无转速脉冲但跟频稳定（转速波动 <3%），使用 自适应陷波器，注意初始化频率正确。
- 第三层：含多种跟频成分或转速大幅波动，采用 深度学习模型，但需积累足够历史数据。
最终以某钢铁厂氧压机（型号 2MCL527）为例，该机组原振动速度有效值 15.6 mm/s，经上述第一层处理后降至 4.2 mm/s，解调后轴承缺陷频率（BPFI，150.4 Hz）清晰可辨。未再出现误报警。以上方法均可集成至标准数据预处理管线。