基于样本熵的最优小波包阈值估计去噪算法

为了更加有效地去除噪声对被测信号的干扰,分析了传统小波阈值估计方法的局限性,提出了一种基于样本熵的最优小波包阈值估计去噪算法。该方法利用样本熵作为信息价值函数以确定最优小波包,且以样本熵为判据,对不同的分解层数设置不同的阈值,选取使得去噪后得到的噪声估计信号样本熵值最大的阈值作为最优阈值。对仿真信号进行分析证明了该方法的有效性,将该方法应用于滚动轴承振动信号去噪分析且与其他阈值方法相对比,结果表明该方法去噪后的信号较其他方法而言频谱中的干扰频率更少且滚动轴承的基频以及故障频率更为突出,去噪效果更好,是一种更为优越的去噪算法。     

转子系统电机电流信号特征提取方法

电机定子电流信号可以反应电机拖动系统中的扭矩波动情况,然而负载波动的特征频率易被工频所湮没。针对这一问题,提出小波阈值去噪、EEMD和互相关分析相结合的方法,该方法首先对电流信号进行小波阈值去噪的预处理以提高信噪比,然后对信号进行EEMD分解,利用互相关系数确定重构信号的IMF层数,以抑制工频及其谐波并突出特征频率。将该方法用于转子系统正弦扭矩激励的特征频率提取上,结果表明该方法能够有效的抑制工频及其谐波的干扰并提取负载扭矩的特征频率。     

基于形态小波去噪的齿轮故障诊断

针对在强背景噪声情况下,齿轮故障信号信噪分离难,给故障诊断带来麻烦的问题,提出了一种基于形态小波去噪的齿轮故障诊断方法。方法结合了数学形态学的特征识别和小波分解的多分辨率分析特性,先采用形态小波方法对齿轮的振动信号进行消噪预处理,再计算信号的时频谱和功率谱,提取故障特征。给出了形态小波方法在齿轮故障诊断中的应用原理、方法步骤和评价指标。仿真和实验结果表明,方法可以有效地去除强噪声的干扰,提高信噪比,突现出信号的故障特征,提高了齿轮故障诊断的精度。     

基于样本熵的改进小波包阈值去噪算法

为了更好地消除噪声对被测振动信号的干扰,分析了样本熵算法与噪声的关系,提出了一种基于样本熵的改进小波包阈值去噪算法。在阈值函数方面,该方法利用样本熵作为特征参数,对含噪信号小波包系数的噪声分布进行表征,且依据此特征参数值对阈值函数进行改进,使其能够根据信号的小波包系数受噪声影响的情况进行自适应的调整;在阈值选取方面,定义去噪后信号与原始信号之差作为噪声信号的估计,利用样本熵作为判别依据,选取使得噪声估计的样本熵值最大的阈值作为最优阈值。该方法与其他方法进行对比,结果表明,该方法能够有效地去除噪声且更好地还原信号的频率特征,是一种更为优越的去噪算法。     

基于小波半软阈值消噪的盲源分离方法

为了有效提取含噪机械故障信号中的故障特征信息,研究了一种基于小波半软阈值消噪的盲源分离方法。利用小波半软阈值对故障信号进行消噪处理;采用联合近似对角化算法对信号进行盲源分离;考虑在噪声干扰下预消噪常常不足以消除全部噪声,因此在盲源分离后再进行适当的消噪处理,以提高其分离性能。实验验证了所提出方法的有效性和可行性。     

基于排列熵的小波包改进去噪算法研究

为了弥补传统小波包阈值去噪算法去噪参数选择完全依据人为经验的缺陷,引入对信号噪声含量变化敏感的排列熵算法,提出一种新的基于排列熵的小波包阈值去噪方法。对含噪信号进行小波包分解得到相应的小波包系数序列,并对其进行排列熵计算,通过分析小波包系数排列熵的变化规律来确定小波包分解层数与阈值以达到最优去噪效果。采用该方法对滚动轴承振动信号进行去噪分析,结果表明该方法去除噪声较为彻底,与其他参数去噪结果进行对比,验证了该方法的有效性。     

基于样本熵的改进空域相关去噪算法

针对传统的小波空域相关去噪算法存在噪声与信号系数误判以及终止滤波迭代过程的阈值确定困难等问题,提出了1种基于样本熵的改进空域相关去噪算法。考虑到不同频率段的小波包系数中噪声含量的不同,对不同小波包节点系数分别进行归一化相关系数计算与去噪迭代,且对每1次迭代后的小波包节点系数进行样本熵计算,选取当各节点小波包系数样本熵取最大值时做为终止迭代条件,认为此时的小波包系数全为噪声系数。对仿真信号进行分析,结果证明了该方法的有效性;将该方法应用于故障滚动轴承振动信号去噪中,能够较好地还原信号的特征频率,取得了较其他传统算法更好的去噪效果。     

基于小波去噪和Hilbert-Huang变换在齿轮箱故障诊断中的应用

为了从混有大量噪声的信号中准确地提取故障信息,利用小波去噪和Hilbert-Huang变换相结合的方法。首先利用小波去噪作为信号的预处理,通过经验模式分解和Hilbert变换求得边际谱,确定故障的特征。该方法克服了直接运用经验模式分解方法由于大量噪声带来的不必要的干扰,更好地辨识出故障的局部特征信息。通过实例分析表明了该方法的有效性和实用性。     

应用循环平稳方法分离电机系统故障

采用定子电流法对电机及其拖动设备进行扭振监测与诊断时，电流信号中频率成分复杂，不仅包含故障频率还有工频及其他信号成分，使用传统的信号处理方法难以将故障频率成分从中分离出来，造成诊断不准确。采用循环平稳的方法对电流信号进行解调，以去除电流信号中的工频干扰，同时对故障频率进行分离，达到更准确识别故障的目的。数据仿真和现场试验的结果表明，采用该种方法能够去除工频成分和分离故障信息，提高了采用定子电流法进行故障诊断的准确性。     

基于小波去噪和Hibert-Huang变换在齿轮箱故障诊断中的应用

为了从混有大量噪声的信号中准确地提取故障信息,利用小波去噪和Hilbert-Huang变换相结合的方法.首先利用小波去噪作为信号的预处理,通过经验模式分解和Hilbert变换求得边际谱,确定故障的特征.该方法克服了直接运用经验模式分解方法由于大量噪声带来的不必要的干扰,更好地辨识出故障的局部特征信息.通过实例分析表明了该方法的有效性和实用性.