自适应小波降噪在轴承故障诊断中的应用

针对轴承振动的非平稳性特点和频谱成分的混杂性,提出了基于小波的信号自适应阈值降噪法。自适应阈值降噪法首先对信号进行离散正交小波多层分解,对分解后的各层细节系数中模小于某阈值的系数进行处理,然后将处理完的小波系数再进行反变换,重构出经过降噪后的信号。用仿真信号进行降噪处理,结果表明:通过选择合适的小波基和阈值选择规则,可以实现信号的完美降噪;实测轴承振动信号用小波降噪方法进行预处理,提高了信噪比,进一步作频谱分析得到了故障特征信息,为诊断决策提供了依据。     

自适应冗余提升小波降噪分析及其在轴承故障识别中的应用

为有效识别机械设备中滚动轴承的微弱故障信息,本文提出一种自适应冗余提升小波降噪方法。根据待分解低频尺度系数所含的不同特征,应用范数准则来自适应地选取最匹配于该尺度系数特征的小波函数。同时,引入多孔算法,用以通过冗余性来保证逐层分解后各尺度系数和小波系数所含有的丰富的信息量。接下来,对各层小波系数采用变尺度阈值降噪算法,并对降噪后的系数进行重构及包络谱分析,进而提取滚动轴承的故障特征。应用上述方法分别对轴承实验台轴承混合故障信号和现场实际信号进行分析,均较好地实现了故障识别,验证了本文方法的有效性。     

基于小波包和LMS自适应降噪的柴油机振动诊断

由于柴油机振动信号的特征频带和噪声频带存在重叠现象,利用小波阈值消噪时难以选取合适的小波阈值,针对该问题提出一种基于小波包的LMS自适应滤波降噪方法。该方法将小波包与LMS自适应滤波相结合,首先利用小波包变换对信号进行多层分解,然后以噪声干扰对应尺度上的第一层“细节”分量及最大分解尺度上的逼近分量重构信号,将重构后的信号作为LMS自适应滤波器原始输入信号,再以小波包最大分解尺度上的高频细节信号作为自适应抵消器的参考输入信号,进行LMS自适应滤波降噪处理。仿真计算和工程应用表明,该方法参数设置较少,易于控制,不涉及小波阈值降噪中阈值的选取问题,对比试验信号的分析验证了方法的有效性,将该法应用在柴油机振动诊断中提高了故障识别率。     

基于改进小波阈值降噪的滚动轴承故障诊断方法

针对滚动轴承早期故障信号存在大量噪声使得提取故障特征困难的问题,提出了一种基于新改进小波阈值的降噪方法。该方法是通过采用互补集合经验模态分解（CEEMD）方法将原始故障信号进行分解,得出各阶本征模态函数（IMF）分量;选取关键的IMF分量进行重构信号,将重构信号经过新改进小波阈值算法和快速谱峭度进行滤波降噪;进行Hilbert包络解调,得出滚动轴承的故障特征频率。分别用仿真噪声信号和滚动轴承的实验信号对该方法进行验证,并将新改进小波阈值算法与传统的小波硬阈值和小波软阈值算法进行比较分析,结果表明该方法可以有效提高故障信号的信噪比,降噪效果明显,能有效获得滚动轴承的故障特征频率。     

基于Shannon熵的自适应小波包阈值函数去噪算法研究

小波包去噪算法的关键问题在于对信号进行去噪时,如何有效地消除噪声且尽可能地保留原始信号的小波包系数。传统阈值函数由于无可调节参数,其去噪形式固定,无法根据小波包分解系数的噪声成分自适应地进行调整,去噪效果有待提升。据此,将Shannon信息熵作为调节参数引入小波包阈值函数中,提出一种基于Shannon熵的自适应小波包阈值去噪算法,对信号进行小波包分解并计算最大分解尺度小波包系数的Shannon熵值,依据该值对阈值函数进行调整,以实现在强噪声背景下对小波包系数进行大尺度的收缩,而在弱噪声背景下实现阈值收缩的平滑过渡。采用该方法对仿真信号与轴承振动实验信号进行去噪分析,并与其它小波包阈值去噪算法相对比,结果表明该方法去噪效果更好且在滤除噪声的同时有效地保留了信号的原始特征。     

改进型EEMD和MSB解调方法及其在轴承故障特征提取中的应用

针对滚动轴承振动信号的强非线性和非平稳特性，提出了一种基于改进集成经验模态分解（IEEMD）和调制信号双谱（MSB）分析的故障特征提取方法。将集成经验模态分解（EEMD）应用于滚动轴承的振动信号处理，将其分解成一系列的本征模态函数（IMFs）；通过累计均值（MSAM）准则将IMFs自适应地分为低频IMFs和高频IMFs，其中高频IMFs采用小波阈值降噪进行处理；将降噪后的高频IMFs与低频IMFs进行重构以获取高信噪比的瞬态脉冲信号；利用MSB进一步抑制瞬态脉冲信号中的随机噪声和干扰分量，并提取信号故障特征。与谱峭度（SK）和WEEMD-MSB分析结果进行对比，验证了该方法在轴承微弱故障特征提取方面的优越性。     

基于Hilbert谱奇异值的滚动轴承故障诊断

提出一种基于Hilbert谱奇异值的故障特征提取方法,将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪,然后利用经验模式分解将降噪信号分解为若干个IMF分量之和,对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱,对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列,再利用奇异值作为特征向量,应用支持向量机进行轴承故障诊断,并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。     

基于EMD和小波熵阈值算法的超声回波信号降噪

超声检测信号中通常包含大量噪声,而其中材料晶界散射的噪声是一种相关噪声。鉴于传统的方法难以将这种噪声和缺陷回波信号区分,提出一种EMD和小波熵阈值联合降噪的算法。该算法首先对目标信号进行EMD分解,提取具有噪声特性的IMF分量进行小波分解,利用含噪系统熵增的特性,在分解各尺度层的细节部分选用小波熵自适应阈值降噪,然后将剩余分量和降噪处理后的信号进行重构。仿真信号结果表明:该降噪方法(EMD-WET)输出信号的信噪比(SNR)为7.9 d B、均方根误差(RMSE)为18.1、相似系数(NCC)为0.92,优于传统的小波软、硬阈值方法。对实测信号进行处理,该方法降低信号中的大部分噪声,更好地还原回波信号的波形。     

基于CEEMDAN-IAWT方法的滚动轴承振动信号降噪EI北大核心CSCD

针对滚动轴承振动信号中混入噪声的问题,设计一种自适应白噪声完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)结合改进自适应小波阈值(improved adaptive wavelet threshold,IAWT)的联合降噪法。使用CEEMDAN对信号进行模态分解得到本征模态函数(intrinsic mode functions,IMFs);将得到的IMFs与原信号进行相关性分析识别有效分量;针对小波阈值(wavelet threshold,WT)降噪算法不能自适应选取小波基和分解层数以及阈值函数存在缺陷的问题,设计了IAWT算法,利用IAWT算法过滤IMFs中的噪声;将处理后的IMFs进行信号重构。利用设计的联合降噪算法对仿真信号和试验台信号处理可知,相比于WT,使用IAWT处理后的信号信噪比提高了约0.5 dB,与原信号的相关系数提高了约0.03,均方根误差降低了约0.01;将设计的方法与CEEMDAN-WT等方法对比可知,经处理后的信号信噪比至少提高了1.37 dB,且信号特征保存完好。     

基于双树复小波与非线性时间序列的降噪方法

针对双树复小波变换传统软阈值降噪方法对实、虚部树系数分别进行阈值处理时提取的强背景噪声下轴承故障特征信号效果不理想,且实、虚部分离的阈值处理方法会引起局部相位失真问题,利用故障信号小波变换系数具有周期性与双树复小波系数模震荡小等特点,提出双树复小波变换与非线性时间序列方法相结合的强背景噪声下轴承故障特征提取方法。对故障信号进行双树复小波变换,获得各层小波系数并求模,选择系数模周期性较强层系数进行非线性时间序列处理,增强系数中周期性成分,抑制随机噪声;对增强后系数进行软阈值处理消除直流成分对提取结果的影响;将处理后系数还原为复数形式进行双树复小波重构,可成功提取弱故障特征信号。仿真、试验信号处理结果表明,该方法能有效提取强背景噪声下的故障特征信号。     

基于峭度的阈值降噪方法及其在振动信号分析中的应用

分析了常用的小波去噪方法,在此基础上提出了一种基于振动信号峭度的阈值降噪方法。阈值大小取决于不同尺度上故障信号的小波分解系数。在综合了软、硬阈值函数的优点的基础上提出了一种新的参数可调阈值函数。与常用小波去噪方法进行了对比分析,结果表明该方法有效的提取信号中冲击成分,为正确识别故障特征提供了有力保证。     

基于量子叠加态参数估计的机械振动信号降噪方法

提出基于量子叠加态参数估计的机械振动信号降噪方法。考虑双树复小波系数虚、实部关系,建立带自适应参数的二维概率密度函数模型;研究父-子代小波系数相关性,提出量子叠加态信号与噪声出现概率,并结合贝叶斯估计理论推导出基于量子叠加态参数估计的自适应收缩函数;分析仿真信号与滚动轴承故障振动信号。结果表明该方法较传统软硬阈值算法适应性更好,降噪效果显著。     

换挡加速度信号的EMD和小波阈值降噪方法

针对采集的换挡工况加速度信号中存在的噪声对换挡品质评价指标值提取的准确性和复杂性产生较大影响的问题,提出一种基于经验模态分解(EMD)和小波阈值方法结合的信号降噪方法。首先利用EMD将含噪的原始信号分解为有限个本征模态函数(imf)分量,然后对高频imf分量进行小波阈值降噪,并将降噪后高频分量和低频分量利用EMD进行重构得到降噪后的信号。最后对某一换挡工况的加速度信号进行降噪试验。试验结果表明,在换挡加速度信号降噪方面,基于EMD和小波阈值的降噪方法与传统的EMD分解降噪、小波阈值降噪相比,能够更好地保留原始信号特征形态,降噪效果更明显。该方法为换挡加速度信号的降噪处理提供了一种可行的思路,为后续整车驾驶性评价创造了条件。     

基于量子高斯混合模型的振动信号降噪方法

由于机械设备振动信号受到背景噪声的干扰,造成机械设备故障状态特征不明显,因此提出了一种基于量子高斯混合模型的振动信号降噪方法。首先,对振动信号进行双树复小波包变换,对双树复小波包系数建立高斯混合模型,根据贝叶斯最大后验估计准则,得到双树复小波包系数收缩函数;然后,利用双树复小波包系数父代和子代的空间相关性,结合量子叠加态理论计算噪声信号和有用信号小波系数出现的概率值;最后,根据量子叠加态得到的概率参数值调节高斯混合模型中的小波包系数收缩函数,使小波包系数自适应非线性收缩,提高高斯混合模型的局部自适应性,实现机械振动信号的降噪处理。仿真信号和实测行星齿轮箱振动信号实验结果表明,该方法能够有效地去除振动信号中的噪声,凸显机械设备的故障状态特征。     

基于约束独立成分分析的轴承复合故障特征提取方法

为从复合故障信号中提取各故障特征,提出一种离散小波变换(DWT)和约束独立成分分析(CICA)相结合的单通道复合故障诊断方法。首先通过DWT方法将单通道振动信号进行小波分解后,利用小波重构函数重构各层分解信号。然后取重构信号的包络信号作为CICA算法的输入矩阵,基于滚动轴承先验知识建立参考信号,从而分离出轴承各故障信号,提取故障特征。最后,在滚动轴承故障模拟实验台上进行了方法验证。结果表明:该方法可有效分离滚动轴承外圈和滚动体故障,实现了轴承复合故障的诊断。     

改进经验小波变换与最小熵解卷积在铁路轴承故障诊断中的应用

经验小波变换是一种小波框架下的自适应信号分解方法,对旋转机械的非线性、非平稳振动信号有很好的分解作用。针对传统经验小波变换过程中频谱划分过多的问题,提出根据互信息值对频谱进行重新划分与合并的方法,能有效减少频带数量;选择峭度值最大的分量进行信号重构,再使用最小熵解卷积对重构信号进行降噪;对降噪后的信号进行包络分析,能够有效地诊断出滚动轴承的微弱故障。通过仿真信号与铁路货车轮对轴承实验信号验证了该方法的有效性,为下一步工程应用奠定了基础。     

小波分层阈值降噪法及其在发动机振动信号分析中的应用

摘要：通过对小波消噪原理的分析及常用阈值规则的降噪性能对比,提出了基于小波细节系数自相关性分析的分层阈值降噪法,描述了根据有用信号最小频率成分确定最大分解层数的方法,给出了分层阈值降噪法的步骤,并对模拟的含噪振动信号进行了试验研究,结果表明,该方法具有较好的降噪效果,尤其适合于强噪声背景下弱信号的恢复,有利于较高频率有用信号的提取。最后,对小波分层阈值降噪法在发动机振动信号分析中的实际应用进行了研究,研究证明,该方法可以有效地抑制背景噪声,提取有用状态信息,为发动机振动信号预处理提供了一种切实可行的方法。     

基于SSWD优化LMD的高速电梯滚动导靴振动信号特征提取

针对奇异值分解(SVD)优化局部均值分解(LMD)方法提取高速电梯滚动导靴振动信号故障特征分量的模态混淆现象,提出一种基于自适应增强小波分解(SSWD)优化LMD的高速电梯滚动导靴振动信号特征提取方法。该方法构建低通滤波器、高通滤波器、小波基函数、尺度函数,利用小波分解(WD)的多分辨率滤波特性将原始信号分解为高频细节特征信号和低频近似信号;对高频细节特征信号进行信号增强、将增强后的高频细节特征信号与低频近似信号进行重构;采用LMD从重构信号中提取能够表征滚动导靴故障特征PF分量,求取PF分量的瞬时Teager能量波形进行对比分析。通过对实际工况信号处理、分析,实验结果表明,相比于SVD优化LMD方法,该方法完整地提取了滚动导靴振动信号的故障特征分量,避免了模态混淆现象出现。     

基于小波包能量谱的滚动轴承振动噪声检测方法

针对轴承振动与噪声源零件识别与检测问题，利用小波包分解的方法来分析轴承的振动噪声信号：根据待测轴承振动信号特点，确定小波包分解的小波函数及分解层数，得到了轴承振动信号在频域的信息；通过构造小波包能量谱来分析各个频段上振动信号的特征，根据各个小波包空间能量值的大小判断轴承振动的剧烈程度；通过小波包重构算法对轴承振动噪声贡献较大的小波包空间进行重构，得到具有较高信噪比的重构信号，便于进行频谱分析。结果表明，本文的检测方法可以较准确的识别出新出厂轴承中振动噪声的主要来源，对于后期实现轴承静音降噪具有重要意义。     

一种适用于泄流结构振动分析的信号降噪方法

针对低信噪比泄流结构振动信号有效信息难以提取问题,提出将小波阈值与经验模态分解(EMD)联合的信号降噪方法。利用小波阈值滤除大部分高频白噪声,降低EMD端点效应;进行EMD分解获得具有相对真实物理意义的固态模量(IMF);通过频谱分析重构特征信息IMF获得降噪信号。构造仿真信号,将该方法与数字滤波、小波分析及EMD降噪效果进行对比。结果表明,该方法能精确滤除泄流结构的振动噪声保留信号特征信息,滤波降噪较优越。将其用于拉西瓦拱坝水弹性模型,精确分析坝体结构振动优势频率,为坝体结构的安全运行与在线监测提供基础,亦为大型泄流结构在强背景噪声下的结构有效信息提取提供捷径。