一种新的小波阈值去噪算法研究

为了更好地消除噪声对被测信号的干扰,针对传统小波软、硬阈值函数与全局阈值去噪算法的不足,综合考虑了小波阈值的估计与阈值函数的选取,提出了一种新的小波阈值去噪方法。对仿真信号与实验轴承振动信号进行去噪分析,并与几种不同的小波阈值去噪算法结果相对比。结果表明:新的小波阈值去噪算法更好地去除了噪声并保留了信号的原始特征,是一种更加优越的去噪方法,具有较高的实用价值。     

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。     

一种新的小波阈值函数去噪算法

小波阈值去噪算法是一种经典的振动信号去噪算法,但仍有一定局限性。为了更好地消除噪声对被测振动信号的干扰,提取信号的有用成分,本文对比分析了几种不同小波阈值去噪算法,并在经典小波阈值去噪算法的基础上改进了阈值函数,提出了一种新的小波阈值去噪算法。对模拟信号及实测风机振动信号进行去噪处理并分别与经典及改进的小波阈值去噪效果进行定量比较。结果表明:新的小波阈值函数更好地抑制了噪声污染和保持信号细节,有效地消除了背景噪声,提高了信号特征的可分离性,具有较高的实用价值。     

基于小波分解的信号去噪方法

本文对热电偶动态校准中红外探测器输出信号的去噪方法进行了研究。首先分析了经典滤波器方法的不足,介绍了小波分析方法在动态测试信号降噪中的应用。接着讨论了小波分析的理论基础以及小波基的选择、分解级数和阈值的确定。最后在Matlab平台下对红外探测器信号进行了去噪实验。实验结果表明,该方法有效去除了固定频率噪声和高频噪声,去噪后信号与原始信号中有用信号成分是同步的,这对于热电偶的建模分析具有重要意义。     

一种新的小波自适应阈值函数振动信号去噪算法

小波阈值去噪算法是一种经典的振动信号去噪算法,但仍有一定局限性。为了更好地消除噪声对被测振动信号的干扰,提取信号的有用成分,本文对比分析了几种不同小波阈值去噪算法,并在经典小波阈值去噪算法的基础上改进了阈值函数,提出了一种新的小波阈值去噪算法。对模拟信号及实测风机振动信号进行去噪处理并分别与经典及改进的小波阈值去噪效果进行定量比较。结果表明:新的小波阈值函数更好地抑制了噪声污染和保持信号细节,有效地消除了背景噪声,提高了信号特征的可分离性,具有较高的实用价值。     

轴系轮廓重构信号的CEEMDAN—小波阈值去噪方法

针对轴系回转过程中动不平衡引起的位移误差信号含噪问题,提出自适应噪声完备集合经验模态分解(CEEMDAN)—小波阈值去噪的轴系轮廓重构模型。采用CEEMDAN对位移信号进行分解得到各阶本证模态函数(IMF),采用相关性分析提取含噪的IMF分量,并对其进行小波阈值去噪,与经验模态分析EMD—小波阈值去噪方法进行比较,最后将提纯后的信号进行重构。模拟仿真表明,去噪后的信号不仅保持了原有信号的特征,并且有效去除了噪声。将去噪后的信号输入到重构轮廓模型进行试验,结果表明,去噪后分离的单个截面回转误差准确度提高了0.05μm,圆度误差准确度提高了0.0703μm。     

皮带机故障诊断中基于自适应小波阈值去噪法的应用

皮带机故障信号中包含大量运行信息，采集故障信号进行去噪处理有利于故障状态识别。为了进一步提高小波阈值去噪方法在强噪声背景下微弱故障信号提取能力，设计了一种基于改进自适应阈值的小波阈值去噪法的皮带机故障诊断方法。研究结果表明：进行小波阈值去噪时未进行阈值函数优化，在阈值选取缺乏灵活性。以自适应小波阈值去噪时，可以获得更平滑的阈值曲线，能够满足最优去噪性能。采用小波阈值去噪时并未达到理想去噪效果，存在明显噪声成分，并且获得了更大均方根误差；完成小波阈值改进后获得理想去噪效果，更准确保留有用信号，使噪声信号被充分去除，实现信噪比的明显提升。该研究可以拓宽到其它传动设备上，对后续的故障状态识别奠定理论基础。     

超声波测距系统中的小波去噪方法研究

针对远距离超声波测距系统中回波信号信噪比低的问题,采用小波变换对超声波的回波信号进行去噪处理.为取得较好的去噪效果,对小波变换的参数选取进行了研究.根据小波基的特性,通过能量与能量熵选取最优小波基;基于回波信号噪声的白噪声特征,采用白噪声检验自适应确定分解层数;引入参考噪声信号,确定小波系数处理阈值,并选用一种结合软、...     

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。     

CEEMDAN-小波阈值联合的球磨机筒体振动信号去噪方法研究

针对球磨机振动信号非线性、非平稳性特点及总体平均经验模态分解方法(CEEMDAN),舍弃高频分量降噪方法和小波阈值降噪方法存在的不足,提出了一种基于CEEMDAN-小波阈值联合的球磨机筒体振动信号去噪方法。首先运用CEEMDAN算法将信号分解成一系列IMF分量;其次采用连续均方误差准则确定含噪声较多的高频IMF分量;然后采用小波阈值去噪方法对含噪声较多的高频IMF分量进行去噪处理;最后将去噪后的IMF分量和去噪的IMF分量进行重构,从而得到去噪后的信号。通过对实测球磨机筒体振动信号进行去噪分析,结果表明本研究提出的联合去噪方法去噪后信号的信噪比更高、均方根误差更低,证明该方法具有更高的去噪精度。     

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。     

基于复小波块阈值的降噪方法及其在机械故障诊断中的应用

提出一种基于对偶树复小波块阈值的信号降噪方法,并将其成功应用于机械故障诊断中.机械设备的振动信号都或多或少地含有噪声,导致弱故障信息的提取一直是故障诊断的难点和热点.提出的降噪方法充分利用对偶树复小波变换的平移不变性和块阈值法的更优估计特性,可以获得比常规的小波降噪方法以及基于常规离散正交小波变换的NeighBlock降噪法更高的信噪比,不仅能有效抑制高斯白噪声,还能够去除冲击信号中的脉冲噪声.对实际信号的研究表明:这种降噪方法可以提取齿轮箱早期故障信息和强噪声背景情况下的隐含故障信息,特别对提取弱冲击故障信号非常有效.     

小波阈值降噪技术在齿轮箱振动信号处理中的应用研究

阐述一维信号的小波降噪原理及小波阈值降噪方法,用MATLAB软件对齿轮箱振动信号进行降噪处理。利用图像和计算数据说明不同小波函数和不同阈值规则的消噪效果,得出Stein无偏似然估计阈值(Rigrsure阈值)方法对强噪声复杂的齿轮箱振动信号降噪效果最佳。     

机械微弱振动信号检测的研究

研究了信号局部奇异性在小波变换下的特性。根据故障信号和噪声的局部奇异性在小波变换下模极大值在不同尺度上的传播特性不同的特点,利用小波分解重构算法,对机械振动信号进行了分解、去噪、重构和谱分析。实验表明,小波减噪方法非常适于机械微弱振动信号的检测。     

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。     

改进的HHT方法在旋转机械不对中故障特征提取中的应用

HHT(希尔伯特-黄变换)能够将振动信号分解为有限的具有实际物理意义的模态分量,并由此可对机械故障信号进行特征提取,但噪声的干扰对分解过程和分解结果影响却很大。针对这一不足,本文提出了先利用小波变换技术对含噪故障信号进行消噪处理,再作HHT分析的方法;利用此方法对实测的不对中振动信号进行了故障特征提取和分析。结果表明,该方法克服了直接运用HHT分解方法由噪声带来的不必要的干扰,提高了参数提取的准确性,并由此提高了机械故障诊断率。     

自适应提升小波在往复机械故障检测中的应用

提出了一种基于信号特征的自适应提升小波方法,即以提升小波为基础,根据信号分解后的熵来选择预测滤波器系数和更新滤波器系数,它克服了传统小波变换的不足,和提升小波只能依据信号特征来设计预测滤波器,而不能设计更新滤波器的问题.该方法用于往复机械气阀的振动信号特征提取,有效地提取了气阀的故障特征信号.实验中采用不同的小波对信号进行降噪性能比较,自适应提升方法设计的小波明显优于实验室中采用的其它小波.