CEEMD和小波半软阈值相结合的滚动轴承降噪

针对滚动轴承振动信号降噪处理时如何保证信号边缘信息完整性的问题,提出将互补集合经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波半软阈值相结合的信号降噪方法,对滚动轴承故障高频振动信号进行降噪处理。首先,采用CEEMD方法对故障振动信号进行分解,针对信号特点自适应获取不同频段模态分量;其次,将对包含噪声污染的高频信号模态分量进行相关性分析,得到含噪成分较高的高频模态分量,进一步采用小波半软阈值进行降噪处理;最后,将降噪后的模态分量同残余分量进行信号重构,完成降噪过程。分析结果表明,相对于传统小波阈值降噪和CEEMD强制降噪方法,提出的方法能够有效去除高频信号的噪声,且最大程度地保证了原始信号的完整性,降噪效果更好。     

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MED-ITD和CICA的滚动轴承故障诊断

针对滚动轴承故障诊断在实际中受到噪声影响,故障难以识别的问题,提出了一种基于最小熵反褶积(MED)和固有时间尺度分解(ITD),并结合约束独立分量分析(CICA)的方法。首先,通过MED对轴承故障信号进行降噪,以滤除噪声信号,增强信号冲击成分;然后,通过ITD对降噪信号进行分解,选择合适的筛选分量进行重构;最后,采用CICA方法对重构信号进行盲源分离,通过希尔伯特包络谱进行分析提取出准确的故障信号,并经过试验验证了所提方法的有效性。     

基于MEWT‑ASCS的行星齿轮箱微弱故障特征提取

针对强噪声背景下行星齿轮箱早期微弱故障难以提取以及经验小波变换对信号频率区间边界划分不恰当以及不能有效确定模态数目的问题,提出了一种基于改进经验小波变换（modified empirical wavelet transform, 简称MEWT）和自适应稀疏编码收缩（adaptive sparse coding shrinkage,简称ASCS）的早期微弱故障特征提取方法。根据信号频谱的尺度空间表示,将原始故障信号自适应地分解为一系列的窄频带本征模态分量。利用包络谱峭度（envelope spectrum kurtosis, 简称ESK）值选择敏感分量,为了进一步凸显分量中的故障信息,使用ASCS算法对敏感分量进行稀疏降噪处理,从其包络谱中即可提取到清晰的故障特征频率成分。数值仿真和实际数据分析结果表明,本研究方法能够自适应地实现故障信号的模态分解并增强微弱的故障冲击特征。此外,与经验小波变换（empirical wavelet transform, 简称EWT）,EWT?ASCS和ASCS进行对比,本研究方法可有效提取包含故障信息丰富的分量,经ASCS处理后信号故障特征得到凸显,实现了行星齿轮箱早期微弱故障的准确识别。     

基于VMD和MED的滚动轴承微弱故障特征提取

针对强噪声环境下滚动轴承故障特征信息非常微弱且难以提取的问题,提出基于变分模态分解(Variational Mode Decomposition,VMD)和最小熵解卷积(Minimum Entropy Deconvolution,MED)的滚动轴承微弱故障特征提取方法。基于VMD和MED的滚动轴承微弱故障特征提取方法首先采用VMD对滚动轴承故障信号进行分解,得到多个模态分量,由于噪声的干扰,很难从各个模态分量中提取有效的故障特征信息;然后根据相关系数准则,选取与原始信号相关系数较大的模态分量进行重构,再对重构后的信号进行MED降噪处理;最后对降噪处理后的信号进行Hilbert包络解调,从得出的包络谱中即可准确地提取到故障特征信息。轴承故障实验信号处理结果表明,该方法可以有效地降低噪声的影响,精确地提取滚动轴承微弱的故障特征信息。     

VMD和奇异差分谱在齿轮早期故障诊断中的应用

针对齿轮故障振动信号的多分量、多频率调制特性且早期故障振动信号信噪比低,故障特征微弱难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对采集到的齿轮故障振动信号进行VMD分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后根据相关系数准则,选取与原始信号相关系数较大的分量构建Hankel矩阵并进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络谱分析,即可从中准确地识别出齿轮的故障特征频率。仿真信号和齿轮箱齿轮故障模拟实验结果表明,该方法能够有效地降低噪声的影响,准确地提取到齿轮微弱的故障特征信息。     

基于小波降噪与RSSD的滚动轴承故障特征提取技术研究

滚动轴承故障振动信号呈现出非线性、非平稳性及噪声背景较强等特点,为了有效提取故障特征,提出了一种小波降噪与共振稀疏分解(Resonance-based sparse signal decomposition,RSSD)相结合的振动信号特征提取技术。共振稀疏分解是基于品质因子可调小波变换与形态分量分析的一种新的信号分解方法,与常规的基于频带划分的信号分解方法不同,它依据信号各分量的振荡形态不同对信号进行分解。先通过小波阈值降噪方法明显减小信号中的噪声,随后对降噪后的信号进行共振稀疏分解,将信号分为不同共振特性的分量,即具有持续振荡特性的高共振分量和具有瞬态冲击特性的低共振分量。最后通过对分解所得到的低共振分量采用Hilbert包络解调方法提取冲击故障特征。将该方法分别应用于仿真信号和轴承实验台故障冲击性实例,验证了该方法的有效性。     

基于ICEEMD-EFICA联合降噪的滚动轴承故障诊断研究

针对滚动轴承早期故障信号十分微弱,故障特征提取困难的问题,对轴承早期故障信号的频域分解、信号重构、降噪解混等方面进行了研究,提出了一种基于改进后的完备总体经验模态分解(ICEEMD)和高效快速独立分量分析(EFICA)的联合降噪方法。首先,采用了ICEEMD算法,将振动信号分解成一系列固有模态分量(IMF);其次,设计了峭度准则,并选取相应分量完成了虚拟通道信号和振动冲击信号的重构;研究了EFICA对重构信号的盲源分离,有效降低了振动信号中的噪声,使故障频率的能量幅度最大,利于识别故障特征;最后,搭建了实验平台,进行了实际的滚动轴承早期故障诊断实验。研究结果表明:该方法能明显抑制噪声和调制频率成分干扰,突出故障特征频率成分;与CEEMD和EFICA结合的方法对比,采用该方法后信噪比提高了24.76%,能更准确地辨别故障信息,可以满足轴承诊断的要求。     

刀具声发射信号的组合去噪及特征分析

针对刀具切削加工过程产生的声发射信号进行噪音滤除,以有效监测刀具磨损情况,提高工件加工质量。研究形态滤波与集合平均经验模态分解(EEMD)的有效组合方法,在时域和频域对信号进行降噪处理。首先采用加权级联形态滤波,滤除声发射信号的尖峰脉冲干扰;进而采用EEMD分解处理后的信号,计算所得本征模态分量(IMF)的相关性以去除虚假分量,达到去噪效果。仿真实例分别对模拟加噪声发射信号和实测刀具声发射信号进行处理,并提取去噪前后信号频率特征进行比较,仿真结果说明了此方法的有效性。     

基于VMD和奇异差分谱的滚动轴承早期故障诊断

针对强噪声环境下滚动轴承早期故障特征信息非常微弱且难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对轴承故障振动信号进行VMD分解得到一系列本征模态分量(Intrinsic Mode Functions,IMFS),由于噪声的干扰,很难从各个模态分量中提取有效的故障特征信息;然后根据相关系数准则,对相关系数较大的分量构建Hanke矩阵进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络处理,从包络谱中即可准确地提取到故障特征频率。仿真信号和工程数据处理结果表明,该方法能够有效地降低噪声的影响,精确地提取到轴承微弱的故障特征频率信息。     

基于自适应稀疏表示的宽带噪声去除算法

为了有效地去除信号中的宽带噪声,提出了一种基于自适应稀疏表示的宽带噪声去除算法.根据噪声成分与信号特征成分之间的不相关或弱相关特点,自适应地确定稀疏分解的终止条件,实现信号的稀疏表示.降噪过程中使用染噪信号构造学习样本,由信号的自适应稀疏表示和原子库的更新迭代实现原子库的训练.染噪信号在训练后的原子库上进行自适应稀疏表示,实现信号的噪声去除.仿真信号和齿轮振动信号的降噪试验表明:该方法具有比小波阈值降噪、匹配追踪降噪方法更好的降噪性能,能够有效地去除信号中的宽带噪声.     

Sparse representation and its applications in micro-milling condition monitoring: noise separation and tool condition monitoring

This paper presents a new approach for cutting force denoising in micro-milling condition monitoring. In micro-milling, the comparatively small cutting force signal is contaminated by heavy noise, and as a result, it is necessary to denoise the force signal before further processing it. The traditional denoising methods, based on Gaussian noise assumption, are not effective in this situation because the noise is found to contain high non-Gaussian component. Based on the force and noise's sparse structures in the time–frequency domain, this approach employs a sparse decomposition approach and solves denoising as a convex optimization problem. It is shown that the proposed approach can separate the heavy non-Gaussian noise and recover useful information for condition monitoring.     

一种基于稀疏表示的图像去噪算法

利用稀疏表示的自适应特征,将稀疏表示的多分辨理论应用于图像的去噪处理中,提出了一种基于稀疏表示的图像分块去噪方法。首先将噪声图像分割成一定尺寸的图像块,选出同质块与非同质块;然后利用小波去噪方法处理同质块,而采用脊波去噪方法处理非同质块,从而得到去噪后的图像;最后采用维纳滤波器对去噪后的图像进一步处理。实验结果表明,该方法与单纯的小波去噪方法和脊波去噪方法相比,信噪比有了较高的改善,较好地去除图像噪声,并且很好地保存图像的边缘纹理信息。     

广义平滑对数正则化稀疏分解方法研究及其在齿轮箱复合故障诊断中的应用

齿轮箱由于其工况复杂、工作环境恶劣,极易发生故障,并且振动信号中往往包含多种成分并且伴随着强烈的背景噪声,给齿轮箱故障诊断带来了很大的困难。稀疏分解方法能够在强背景噪声下有效地提取瞬态特征成分,针对传统稀疏分解方法存在的计算效率低,幅值低估以及估计精度不足等问题,提出了一种基于调Q小波变换(Tunable Q-factor wavelet transform,TQWT)作为稀疏表示字典的广义平滑对数正则化稀疏分解方法。该方法研究了满足紧框架条件的TQWT来构建稀疏表示字典,然后基于Moreau包络平滑思想提出广义平滑对数正则化方法,该罚函数可以在保持幅值的基础上精确重构出齿轮箱故障瞬态成分,最后利用前向后项分裂(Forward-backward splitting,FBS)算法精确求解该稀疏表示模型。仿真信号和试验信号验证了所提方法在齿轮箱复合故障诊断中的有效性。     

基于改进多路径匹配追踪的芯片超声信号去噪方法

针对高频超声检测倒装焊芯片微缺陷的回波信号受噪声影响的问题,提出了一种基于改进多路径匹配追踪算法(MMP)的高频超声信号稀疏去噪方法。利用MMP算法获取全局最优的原子,针对MMP计算量过大的问题,在迭代过程中设置阈值和引入剪枝操作,筛选误差较大的路径,减少迭代路径,降低算法复杂度。为了避免字典维度上升导致的计算量过大,通过构建连续原子库对重构信号参数进行调整,最终实现芯片超声检测信号噪声的抑制。通过仿真和实验证明,提出的方法能够有效的去除倒装芯片高频超声检测信号中的噪音,与其他去噪算法相比,所提方法通过增加少量的计算,实现信号重构精度的提高,提升了B扫图的清晰度。     

基于L-T的联合算法在光纤法珀纳米压力传感器脉压检测信号中的应用

研究了一种改进的去噪方法及其在脉冲拍频信号去噪中的应用。该算法结合了局部均值分解(Local mean decomposition,LMD)和时频峰值滤波(Time-frequency peak filtering,TFPF)的优点,称为L-T算法。TFPF作为一种经典的时频滤波方法,较长的窗长可以在保留信号幅值的前提下有效抑制随机噪声,而较短的窗长则导致信号幅值严重衰减。因此,为了保持有效信号幅度、抑制随机噪声,对LMD和TFPF进行了改进。首先利用LMD将原始信号分解为无级生存(Progression-free survival,PFS),然后计算各乘积函数均值的标准误差,将许多PFSs分为有用分量、混合分量和噪声分量。其次,将短窗TFPF用于有用分量去噪,长窗TFPF用于混合分量去噪,得到重构后的信号。最后,将该算法用于F-P压力传感器的降噪。实验结果表明,与传统小波去噪算法相比,L-T算法去噪效果更优。     

基于经验与变分混合分解的超声回波信号噪声消除方法

超声缺陷检测结果易受超声回波信号中复杂噪声的干扰,为了提高超声缺陷检测的准确度,提出一种基于混合分解的 超声回波信号噪声消除方法。 采用经验模态分解算法结合相关系数指标对超声回波信号进行预处理,得到消除低频噪声分量 的超声回波预处理信号。 基于变分模态分解将该预处理信号分解为一系列窄带本征模态函数,引入互信息指标估计变分模态 分解的最优模态数量,并根据窄带本征模态函数与预处理信号的相关系数提取有用的模态分量,实现对超声回波信号去噪结果 的重构。 通过仿真和实测超声回波信号验证了本文方法的去噪性能,并与现有方法进行了对比。 结果表明,本文方法可同时消 除超声回波信号中的高频和低频噪声,在不同信噪比条件下 EMD、VMD 和本文方法去噪结果的 SNR 均值分别为 10. 01、9. 48 和 16. 09 dB,验证了本文方法对于超声回波信号噪声消除的优越性。     

一种用于超声信号降噪的非凸变量重叠 群稀疏变分方法

粗大晶粒产生的大量散射噪声而导致的超声检测信号信噪比低问题是粗晶结构超声检测面临的一大难题。针对现有稀疏降噪方法在波形失真和幅值衰减方面的不足,本文提出了一种基于非凸变量重叠群稀疏变分的超声信号降噪方法。基于含散射噪声的典型超声信号,分析了非凸变量重叠群稀疏变分方法的主要参数(如非凸变量函数类型、正则化参数和乘法因子等)对其降噪效果的影响,并确定了适合超声信号降噪处理的参数选择依据。在此基础上,将非凸变量重叠群稀疏变分方法应用于典型钢锭超声检测信号的降噪处理。结果表明,该方法能够很好剔除钢锭超声检测信号中的散射噪声,提高了钢锭超声全聚焦成像的信噪比6 dB以上,研究工作为粗晶材料超声检测作了有益探索。     

Noise cancellation of ultrasonic NDE signals using blind source separation

This paper proposes a new denoising method for ultrasonic NDE (nondestructive evaluation) signals using blind separation (BSS) technology. The proposed denoising method consists of four steps. First, a reconstructed phase space (RPS) is constructed from observed ultrasonic NDE signals. The information about the underlying sources (e.g., ultrasonic signal, noise, etc.) acting on this system is contained in this RPS. Second, independent component analysis (ICA) is performed on the RPS to recover all sources underlying the RPS. Next, the ultrasonic signal component is selected by a decision criterion related to the denoising application and, finally, is reconstructed to obtain the denoised ultrasonic signal. To validate the proposed method, it has been applied to the experimental ultrasonic NDE signals of the test sample and is compared with the wavelet denoising method in SNR (signal-to-noise ratio) enhancement. The experimental results show that the SNR of the ultrasonic NDE signals can be enhanced greatly using the proposed denoising method and the proposed method has almost the same denoising performance as the wavelet denoising method in SNR enhancement. A trait of the proposed denoising method is the ability to denoise ultrasonic NDE signals by separating the ultrasonic signal and noise using blind source separation technology. The text was submitted by the authors in English.