强噪声背景信号的Perona-Malik扩散滤波算法

为了提取强噪声背景下机械振动信号的微弱故障特征,提出利用Perona-Malik非线性各向异性扩散滤波模型来实现强噪声背景信号降噪的方法。首先阐述了偏微分方程和Perona-Malik扩散滤波模型在图像降噪中的应用;其次分析了小波变换等传统信号降噪方法的不足;最后基于图像降噪和信号降噪原理的相似性,利用Perona-Malik扩散滤波模型来实现机械振动信号的降噪,将其用于轴承振动仿真信号和实测信号。实验表明,与小波阈值去噪算法等传统信号降噪方法相比,Perona-Malik扩散滤波模型更适用于强噪声背景信号降噪,同时兼顾了信号去噪和保留信号细节特征的双重要求。     

利用粒子滤波与谱峭度的滚动轴承故障诊断

针对快速谱峭度在低信噪比情况下分析效果差的问题,提出应用粒子滤波的前处理降噪方法来提高信噪比,从而解决谱峭度受噪声干扰效果差的问题,进而提高滚动轴承故障诊断的成功率。建立振动信号的状态方程,提取原始信号的背景噪声,将其与状态方程之和作为观测方程。联立状态方程与观测方程来建立状态空间模型。采用粒子滤波对信号重新估计,得到新序列即是降噪之后的信号,结合快速谱峭度方法,获取最佳分析频带。并结合频谱分析得出故障频率。对比快速谱峭度与经验模式分解(Empirical mode decomposition,EMD)方法降噪的谱峭度分析诊断结果,证明所提方法的有效性。     

粒子滤波在轴承故障振动信号降噪中的应用

针对轴承故障信号的降噪处理,研究了粒子滤波方法和它在信号降噪中的应用.首先建立轴承故障振动信号的数学模型,将其作为粒子滤波的状态方程;然后提取背景噪声,将其和状态信号一起作为观测信号,得到观测方程,据此对原始真实信号进行估计,得到降噪后的信号,并通过仿真分析可知降噪前后的信噪比有明显的提高;最后将粒子滤波降噪思想用于所...     

强脉冲干扰非线性混叠转子故障信号分离

由于旋转机械在运行过程中,传感器测得的振动信号是各振源的混叠信号且含有很强的噪声,常规的信号处理方法难以分离混叠信号,对设备的状态监测和故障诊断造成了很大的困难。针对这一问题,介绍了盲源分离基本原理和方法,指出源分离算法在脉冲噪声环境下失效。针对强脉冲噪声环境下的混叠振动信号,首先,通过中值滤波降噪方法对振动信号进行降噪;然后,通过盲源分离算法对降噪后的信号分离;最后,利用该方法对实测混叠转子振动信号成功实现了降噪和故障信号分离。仿真结果验证了提出方法的有效性。     

基于卡尔曼滤波和数学形态学分形分析的齿轮箱故障诊断

针对传统信号时频分析方法不适用于处理非平稳信号的问题,利用齿轮箱时域振动信号建立系统的AR模型,采用最小二乘法计算模型参数,利用AIC信息准则确定系统阶次,并构建状态空间模型进行卡尔曼滤波降噪。用数学形态学分形维数计算方法计算滤波后信号的分形维数,并将其应用到实际齿轮正常、齿面磨损、齿根裂纹和断齿信号的分析中。对实测信号分析结果表明,基于卡尔曼滤波和数学形态学分形分析方法能够有效识别齿轮故障类型,为齿轮箱故障诊断提供一种新的特征提取方法。     

基于SVD降噪的机械振动信号经验模式分解及其应用

提出了1种基于奇异值分解降噪的振动信号经验模式分解方法,利用该法对原始振动信号进行相空间重构和奇异值分解,并根据奇异值降噪,再利用经验模式分解法提取降噪后振动信号的基本模式分量,对滤波前和滤波后振动信号进行经验模式分解分析。分析结果表明：奇异值分解能有效地提高信噪比,突出原始振动信号的特征,使降噪后振动信号分解出的基本模式分量具有更明确的物理意义,有利于对柴油机进行精确诊断。     

一种改进的转子振动信号消噪方法研究

为提高转子振动信号消噪方法的性能,通过分析噪声成分和对应消噪方法的特点,提出了一种基于改进中值滤波与小波包消噪技术相结合的信号降噪新方法.该方法首先根据信号采样频率计算中值滤波器的窗口宽度,从而可以有效滤除含噪信号中的脉冲噪声和部分白噪声;然后再用阈值及其处理函数都经过改进的自适应小波包消噪方法去除残留在信号中的白噪声,最终得到信噪比提高的振动信号.通过仿真信号和转子实验振动信号的降噪处理,对新方法的性能进行了验证.降噪结果表明,该方法在有效消除混合复杂噪声对振动信号干扰的同时,保留了故障信号的细节特征,比一般的小波域中值滤波降噪方法更为有效.     

一种振动信号降噪的堆叠降噪自编码器方法

为了解决振动信号降噪问题,提出一种基于堆叠降噪自编码器的方法.结合PReLU激活函数和批标准化对传统堆叠降噪自编码器进行改进,增强了模型的特征提取和信号重构能力.堆叠降噪自编码器方法使用编码器提取含噪振动信号中的特征,使用解码器进行信号重构,从而实现振动信号降噪.在正弦信号、调幅信号和轴承故障仿真信号下进行降噪实验,取...     

基于粒子滤波和自回归谱的液压泵故障诊断

针对飞机轴向柱塞式液压泵的工作状态监控问题,提出了一种基于液压泵振动信号分析处理的故障诊断新方法。通过对加速度传感器的原始数据序列进行信号建模,利用粒子数优化后的粒子滤波算法进行降噪;根据滤波后信号的自回归谱提取特征值,结合液压泵的故障机理分析其工作状态,实现对液压泵的故障分析和诊断。实验及仿真结果表明,粒子滤波可有效跟随原始信号并滤除噪声干扰,基于粒子滤波和自回归谱的液压泵故障诊断方法能有效地提取故障特征值,实现故障诊断和识别。     

智能变电站隔离开关机械状态自动监测方法研究

为充分提高智能变电站运行维护能力，探究隔离开关机械状态，提出智能变电站隔离开关机械状态自动监测方法。利用振动型传感器采集不同机械状态下隔离开关的振动信号；采用小波阈值滤除信号噪声，提高隔离开关机械状态信号降噪效果；通过经验模态分解降噪后的机械状态振动信号，完成特征提取；构建机械状态实时监测模型，实现隔离开关机械状态振动信号自动监测。试验结果表明，所提方法的振动信号采集完整度和机械状态监测准确性较高，机械状态监测耗时较短，采用所提方法可以有效提高智能变电站的运维能力。     

改进小波包多阈值去噪法及其工程应用

针对机械振动信号提取时面临的去噪问题,在小波包多阈值准则去噪法的基础上,提出一种改进的小波包多阈值准则综合去噪方法(改进FMC去噪法)。该方法首先采用探测插值法对机床原始振动信号进行预处理,剔除受外界干扰产生的突变噪声信号;再以小波包分析为基础,根据有用信号的最小频率确定最大分解层数,并按最小代价原理确定信号分解的最佳小波包基;最后采用小波包多阈值降噪准则对振动信号进行重构,得到去噪后的机床振动信号。针对含噪blocks信号、doppler信号及模拟的含噪振动信号进行的仿真实验结果表明,改进后的FMC去噪法去噪效果优于传统方法。将该方法应用于气囊修整机振动信号分析中,结果表明,改进FMC去噪法能够有效剔除振动信号各频段的噪声,提高信号特征的可分离性。     

小波分析在振动信号去噪中的应用

旋转机械振动信号是监测和诊断设备运行状态的重要信息,但是采样信号不可避免地受到各种噪声和干扰的污染。介绍了采用小波分析对振动信号进行去噪处理。通过对噪声信号的特性分析,用一维小波对信号进行分析和研究,并在MATLAB环境下对信号进行详尽的仿真研究,验证了小波去噪的优越性,并总结了应用小波去噪的一些实际经验。     

基于灰色准则与EEMD的滚刀振动信号降噪方法

工程现场采集的滚刀振动信号掺杂噪声,致使信号特征难以提取。提出一种基于灰色准则与集合经验模态分解(EEMD)的滚刀振动信号降噪方法。首先将原信号进行EEMD分解得到若干个特征模态函数(intrinsic mode function,IMF),再根据提出的灰色准则对IMF分量进行极性一致化处理、均值化处理,计算出IMF1与其他IMF分量的灰色关联度,并按照灰色关联度将IMF分量降序排列,然后选择降序排列中前一半IMF分量进行软阈值处理,最终将处理后的IMF分量、未处理的IMF分量及余项进行重构,得到降噪后的信号。通过不同初始信噪比的仿真信号和实际加工中的滚刀振动信号验证了本方法的可行性和有效性,同时与EEMD结合相关系数降噪法、小波软阈值降噪法进行了比较,结果表明本方法的降噪效果更优。     

小波消噪在滚动轴承故障诊断的应用研究

滚动轴承振动信号容易受到随机噪声的污染,如何去噪成为滚动轴承故障诊断的关键问题之一。而传统的消噪方法可能会将信号中一些能量小的有用信号当作噪声消除,本文即提出一种改进的小波消噪方法,并用仿真信号和实测滚动轴承振动信号对额方法和传统消噪的方法进行性能比较。结果表明,在消噪方面,小波消噪能更好地提高信噪比,为进一步故障诊断决策提供了可靠的依据。     

基于小波分析的FastICA联合降噪方法在滚动轴承故障诊断中的应用研究

采用小波分析方法进行振动信号降噪存在选取参数依靠经验的问题,采用独立分量分析（ICA）方法进行振动信号降噪存在欠定问题,为了避免小波降噪以及ICA方法单独使用的缺点,提出了将小波降噪分析和基于负熵的FastICA独立分量分析相结合来处理滚动轴承含噪振动信号的方法。首先对原始信号进行小波降噪处理,然后将处理后的信号与原始信号组成FastICA的输入矩阵,进行FastICA降噪处理,最后利用滚动轴承振动信号对该方法进行有效性验证。实验分析表明：该方法增大了振动信号的峭度值,达到了滚动轴承振动信号降噪的目的。     

基于PDE的振动信号去噪

通过研究偏微分方程(Partial differential equation,PDE)在图像去噪中的原理和方法.针对传统滤波去噪方法所存在的问题,提出一种基于PDE的机械振动信号去噪方法.详细分析基于Gauss滤波核函数的PDE去噪模型,并推导模型的离散化过程.与传统去噪方法的对比试验表明,该方法可有效消除振动信号中的噪声干扰,同时保持信号的边缘特性和内部连续性,且去噪之后信号畸变少.因PDE方法本身的平滑特性,该方法的去噪效果受PDE演化的迭代次数和振动信号本身的平滑特性因素的影响,对低频振动信号具有更好的去噪效果.     

基于CEEMDAN-ICA的干气密封振动信号降噪方法*

干气密封运行过程中的振动信号特征信息微弱并受外界强噪声干扰,其振动信号难以真实反映干气密封摩擦学特性。针对上述问题以及振动信号难以从噪声中分离的问题,提出一种基于CEEMDAN（自适应噪声的完全集合经验模态分析）与ICA（独立成分分析）相结合的信号降噪方法。首先对试验采集的干气密封运行时的加速度信号进行CEEMDAN分解得到IMF分量,然后通过ICA变换得到对应独立成分分量并计算其模糊熵值,将模糊熵值不符合条件的分量进行置零,并把符合条件的分量进行重构得到降噪后信号。利用干气密封加速度实验信号进行算法分析验证,证实了该方法相较于其他传统降噪方法更加有效,为干气密封故障诊断提供了一种新的途径。     

基于CEEMDAN与自适应阈值降噪的滚动轴承故障诊断

针对滚动轴承故障信息受到噪声污染而难以识别的问题,提出一种基于自适应噪声完备集合经验模态分解和自适应阈值降噪(CEEMDAN-ATD)的滚动轴承故障诊断方法。首先对原始振动信号进行CEEMDAN分解;其次利用灰色关联分析法(GRA)筛选出噪声主导和信号主导的分量;然后对噪声主导分量分别进行自适应阈值降噪(ATD)处理,并与信号主导分量进行重构;最后通过分析重构信号的Teager能量谱实现滚动轴承故障的识别。采用凯斯西储大学轴承数据对所提方法进行验证,并与完全总体经验模态分解-自适应阈值降噪(CEEMD-ATD)和CEEMDAN-小波阈值降噪(CEEMDAN-WTD)2种方法作比较,结果表明,所提方法表现出较好的自适应性和去噪效果,能够较好地服务于滚动轴承故障诊断。     

基于改进小波域阈值法的平移不变振动信号去噪

针对含噪振动信号的去噪问题,采用了目前最有效的小波算法。在传统小波域阈值法的基础上,克服了软、硬阈值的缺陷,采用了新的闽值函数,并通过平移不变小波变换对去噪效果进行了强化。通过与几种方法去噪效果的仿真对比,其结果表明,新的去噪方案可以获得最大的信噪比（SNR）,其去噪效果明显优于传统的软、硬阈值函数,并在实际振动信号的处理中得到了很好的应用。     

Vibration component separation by iteratively using stochastic resonance with different frequency-scale ratios

It is well-known that stochastic resonance (SR) is mainly used for signal denoising and weak signal detection. In this paper, we firstly find the frequency range selection characteristic (filtering characteristic) of re-scaling frequency SR (RFSR) caused by the driving frequency limitation of bistable SR. It then follows that a novel approach to separate vibration components with different frequencies by iteratively using SR is explored. The frequencies of most vibration signals exceed the driving frequency limitation, thus by use of different frequency-scale ratios, the vibration signals with different frequency range can be extracted by RFSR. Firstly, a small frequency-scale ratio is used to obtain the vibration signal with a narrow frequency range, i.e. low frequency vibration. As the output of SR may have a phase lag, a simple phase-shift correction method is proposed to improve the accuracy of signal component separation. The phase-shift corrected signal of RFSR output is separated from the original vibration signal and the residue is treated as the new vibration signal. Then, increasing the frequency-scale ratio according to a searching algorithm, the vibration signal with higher frequency can be obtained by RFSR. Through this iterative process, several harmonic vibration components can be separated from the original noisy vibration signal. The proposed method, empirical mode decomposition (EMD) and Hilbert vibration decomposition (HVD) are respectively applied to analyzing a simulated vibration signal and extracting the fault feature of a rotor system. The contrastive results show that this proposed method has good frequency resolution and can successfully separate monocomponent harmonic signals from a strongly noisy multicomponent harmonic vibration signal while EMD and HVD cannot.