CN108844617A - 主减速器强噪声振动信号的自适应稀疏树结构降噪方法 - Google Patents

主减速器强噪声振动信号的自适应稀疏树结构降噪方法 Download PDF

Info

Publication number
CN108844617A
CN108844617A CN201810415207.3A CN201810415207A CN108844617A CN 108844617 A CN108844617 A CN 108844617A CN 201810415207 A CN201810415207 A CN 201810415207A CN 108844617 A CN108844617 A CN 108844617A
Authority
CN
China
Prior art keywords
signal
reducing gear
vibration signal
tree construction
main reducing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810415207.3A
Other languages
English (en)
Other versions
CN108844617B (zh
Inventor
潘昊
张莹莹
汪洪涛
潘爽
徐劲力
黄丰云
张晓帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201810415207.3A priority Critical patent/CN108844617B/zh
Publication of CN108844617A publication Critical patent/CN108844617A/zh
Application granted granted Critical
Publication of CN108844617B publication Critical patent/CN108844617B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种主减速器强噪声振动信号的自适应稀疏树结构降噪方法，该方法主要包括两个阶段：第一个阶段是检测信号中与显著特征相关的位置点，以此作为自适应调整正则化权值的依据，达到保留与信号特征相关的小波系数的目的；第二个阶段是基于自适应权值的树结构小波系数估计的优化过程。该方法利用小波系数之间的相关性结构，使用正则化最小二乘回归来提高降噪估计的树结构稀疏性，能够过滤强噪声振动信号中的噪声成分，并保留与故障特征相关的频率调制成分，避免了信号中的有效特征信息的过渡平滑。

Description

主减速器强噪声振动信号的自适应稀疏树结构降噪方法
技术领域
本发明属于减振降噪技术领域，具体涉及一种主减速器强噪声振动信号的自适应稀疏树结构降噪方法。
背景技术
主减速器正常状态下的振动信号主要包含啮合频率及其谐波成分，但是由于存在强噪声成分，使得所采集的振动信号是一种非平稳信号，并且包含一些无关的频率成分。
在强噪声背景下，由于噪声频率与主减速器固有频率(啮合频率和旋转频率)之间的相互作用和影响，呈现的振动信号成分比较复杂，调制边频带并不明显。对比正常状态时域波形和频域波形，故障状态下的主减速器振动信号的振动幅值高于正常状态下的振动信号，说明当主减速器出现局部故障时，由于振动的幅度增大，反映在振动信号上的周期性脉冲的幅值也相应增大。
进一步对比有故障状态的振动信号，当主减速器出现不同类型的局部故障时，振动信号的时域波形和频域波形具有比较大的区别。然而，由于振动信号中存在噪声成分，频谱图中调制频率成分复杂，并不能清楚地反映出啮合频率及其谐波的边频带成分。尤其是磕碰故障的频域波形，出现了一些噪声所引起的干扰频率成分，因此，难以通过分析频域波形的频率调制特征来判断故障的类型。当主减速器处于故障初期时，故障脉冲比较弱，极易淹没在较强的噪声之中，增大了特征提取的难度，从而导致故障诊断精度的降低。
由此可以看出，基于强噪声环境中所采集的振动信号信噪比较低，难以提取出有效的故障特征用于故障诊断。此外，由于在强噪声背景下各种故障的振动幅值互不相同，部分故障特征经常被认为是噪声成分而被过滤，出现了高频特征的过度平滑现象。
发明内容
针对现有技术中存在的上述问题，本发明提供了一种主减速器强噪声振动信号的自适应稀疏树结构降噪方法，该方法利用小波系数之间的相关性结构，使用正则化最小二乘回归来提高降噪估计的树结构稀疏性，能够过滤强噪声振动信号中的噪声成分，并保留与故障特征相关的频率调制成分，避免了信号中的有效特征信息的过渡平滑。
为此，本发明采用了以下技术方案：
一种主减速器强噪声振动信号的自适应稀疏树结构降噪方法，输入原始信号y，输出降噪信号包括如下步骤：
步骤一，对原始信号y执行DTCWT，获得小波系数θ，构造基于重叠组Lasso方法的稀疏树结构；
步骤二，采用特征检测算法检测出信号y中的显著特征点位置；
步骤三，确定树结构中覆盖信号特征点位置的系数所在的树；
步骤四，根据信号的噪声方差设置收缩算子其中为小波系数绝对值的中值，并采用该收缩算子自适应调整与信号特征相关的正则化权值{wi}，获得基于自适应权值的稀疏树结构；
步骤五，执行基于自适应稀疏树结构的正则化优化，获得优化的小波系数
步骤六，根据执行DTCWT的逆变换IDTCWT，生成降噪信号
优选地，所述DTCWT为基于双树复小波变换。
优选地，步骤二中所述特征检测算法为基于双树复小波变换的特征检测算法。
进一步地，所述基于双树复小波变换的特征检测算法的参数包括最小区间长度υ和特征位置持续次数这些参数对特征检测的效果具有一定的影响。
进一步地，每一对参数被用于特征检测算法以检测信号中的特征点位置，并以此作为依据自适应调整正则化权值，优化获得最优的小波系数，实现降噪。
进一步地，所述最小区间长度υ的取值范围设为[2，8]，特征位置持续次数的取值范围设为[0，15]。
进一步地，所述最小区间长度υ设置为5，所述特征位置持续次数限定为5或6。
优选地，所述原始信号y为主减速器强噪声振动信号。
与现有技术相比，本发明的有益效果是：
(1)提出了一种新的降噪方法，在对原始振动信号进行降噪处理时有效保留其故障特征。
(2)能有效检测出与主减速器局部磕碰故障相关的脉冲，在降噪的同时尽可能地保留信号中的冲击性特征，更适合于强噪声背景下的振动信号降噪。
(3)能够检测出强噪声振动信号中的特征点位置，并且通过自适应权值的调整有效保留特征相关的小波系数，避免了信号中的有效特征信息的过度平滑。
附图说明
图1是本发明实施例所提供的主动齿轮磕碰故障模式振动信号时域和频谱图。
图2是本发明实施例所提供的主动齿轮磨损故障模式振动信号时域和频谱图。
图3是本发明实施例所提供的主动齿轮胶合故障模式振动信号时域和频谱图。
图4是本发明实施例所提供的主动齿轮磕碰故障模式下参数υ和对降噪性能的影响。
图5是本发明实施例所提供的主动齿轮磨损故障模式下参数υ和对降噪性能的影响。
图6是本发明实施例所提供的主动齿轮胶合故障模式下参数υ和对降噪性能的影响。
图7是本发明实施例所提供的不同降噪方法对主减速器磕碰故障的原始振动信号进行降噪的实验结果对比图。
图8是本发明实施例所提供的采用ASTS-WSD的降噪信号局部放大图。
图9是本发明实施例所提供的采用ASTS-WSD的降噪信号的频谱图。
具体实施方式
下面结合附图以及具体实施例来详细说明本发明，其中的具体实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。
本发明公开了一种主减速器强噪声振动信号的自适应稀疏树结构降噪方法(Adaptive Sparity Tree Structure Wavelet Shrinkage Denoising，ASTS-WSD)，该方法主要包括两个阶段：
第一个阶段是检测信号中与显著特征相关的位置点，以此作为自适应调整正则化权值的依据，达到保留与信号特征相关的小波系数的目的；
第二个阶段是基于自适应权值的树结构小波系数估计的优化过程。
具体地，一种主减速器强噪声振动信号的自适应稀疏树结构降噪方法，输入原始信号y，输出降噪信号包括如下步骤：
步骤一，对原始信号y执行DTCWT，获得小波系数θ，构造基于重叠组Lasso方法的稀疏树结构；
步骤二，采用特征检测算法检测出信号y中的显著特征点位置；
步骤三，确定树结构中覆盖信号特征点位置的系数所在的树；
步骤四，根据信号的噪声方差设置收缩算子其中为小波系数绝对值的中值，并采用该收缩算子自适应调整与信号特征相关的正则化权值{wi}，获得基于自适应权值的稀疏树结构；
步骤五，执行基于自适应稀疏树结构的正则化优化，获得优化的小波系数
步骤六，根据执行DTCWT的逆变换IDTCWT，生成降噪信号
具体地，所述DTCWT为基于双树复小波变换。
具体地，步骤二中所述特征检测算法为基于双树复小波变换的特征检测算法。
具体地，所述基于双树复小波变换的特征检测算法的参数包括最小区间长度υ和特征位置持续次数这些参数对特征检测的效果具有一定的影响。
具体地，每一对参数被用于特征检测算法以检测信号中的特征点位置，并以此作为依据自适应调整正则化权值，优化获得最优的小波系数，实现降噪。
具体地，所述最小区间长度υ的取值范围设为[2，8]，特征位置持续次数的取值范围设为[0，15]。
具体地，所述最小区间长度υ设置为5，所述特征位置持续次数限定为5或6。
具体地，所述原始信号y为主减速器强噪声振动信号。
实施例
一种主减速器强噪声振动信号的自适应稀疏树结构降噪方法，具体过程如下：
(1)故障样本集描述。
由于磕碰故障、齿面磨损故障和胶合故障是微车主减速器最常见的几种故障模式，使用该技术中所提出的降噪方法对强噪声背景下具有这几种典型局部故障的主减速器振动信号进行降噪处理，以验证该降噪方法针对强噪声振动信号的有效性。
主减速器的特征频率如表1所示，具有上述三种局部故障的主减速器振动信号的时域波形图和频谱图分别如图1-图3所示。
表1齿轮副的特征频率
从图1-图3可以看出，由于强噪声成分的干扰，造成具有局部磕碰故障的主减速器振动信号的信噪比较低，无法从振动信号时域波形中观察到周期性脉冲。虽然在振动信号的频谱图中可以看出一些边频带成分，但是同时也存在着大量的无关频率成分，难以直接提取出与故障相关的特征信息。因此，为了实现故障模式的识别，必须先对强噪声振动信号进行降噪处理，以提高其信噪比。
(2)基于DTCWT的特征检测算法的参数设置。
在ASTS-WSD算法中，充分利用了DTCWT所具有的减小频率混叠和平移不变性的优势，将它用于检测信号谐波特征和周期性冲击。同时，由于DTCWT的小波系数幅值变化不大，当输入信号发生微小的变化时，不同尺度小波系数之间的能量分布也不会发生较大的变化，因此能有效度量信号的信息量。
作为ASTS-WSD降噪算法的重要组成部分，基于DTCWT的信号特征检测算法的参数，即最小区间长度υ和特征位置持续次数对特征检测的效果具有一定的影响。针对主减速器的磕碰故障、齿面磨损故障和胶合故障模式的振动信号，为了获得较好的降噪效果，首先对适合主减速器振动信号特征检测的最优参数值进行设置。将最小区间长度v的取值范围设为[2，8]，特征位置持续次数的取值范围设为[0，15]，在每一次试验中，每一对参数被用于特征检测算法以检测信号中的特征点位置，并以此作为依据自适应调整正则化权值，优化获得最优的小波系数，实现降噪。将40次试验的误差平均值进行对比，结果如图4-图6所示，图中x坐标轴表示特征位置持续次数y坐标轴表示最小区间长度υ，z坐标轴表示降噪信号的重构误差。
从图4-图6可以看出，随着参数的增大，重构误差值呈现上升趋势，说明降噪性能降低了。主要原因在于：在特征检测阶段，当特征位置持续次数值设置过大时，会导致信号中一些实际存在的特征点因为没有持续出现许多次而被忽略了。同时，随着添加噪声方差的增加，降噪信号的重构误差也明显增大了。尽管如此，我们仍然可以从图中看出无论是原始信号还是添加了噪声的信号，在一个趋近相同的区域内降噪信号的重构误差较小，接近于最优的降噪效果。
因此，在后面的降噪算法性能测试中，将最小区间长度υ设置为5，特征位置持续次数限定为5或6。
(3)本发明所提出的方法与其他降噪方法进行对比。
(a)多种降噪方法的频谱对比。
为了验证本发明所提出的基于自适应稀疏树结构的降噪方法(ASTS-WSD)的优越性，将其与现有的其它降噪方法进行对比，包括软阈值降噪方法(Soft Thresholding，ST)、基于DTCWT和固定权值的结构化稀疏降噪方法(Wavelet Shrinkage Denoising Methodwith Fixed Weight Structured Sparity Tree Structure，DTCWT-FWSD)。
对于DTCWT-FWSD，每一个组g(i)的正则化权值wg(i)由其对应的系数组的基数决定，表示为：wg(i)＝|θg(i)|1/4，其中|·|表示基数。对于ASTS-WSD，其正则化权值则根据DTCWT所检测到的信号内部特征点位置进行自适应调整，覆盖特征点位置的小波系数所对应的正则化权值被收缩，则一部分权值向0收缩，以保留信号中的显著特征，使其在降噪过程中不被过度平滑。
软阈值降噪方法则采用通用阈值进行降噪操作，表示为：其中N表示小波系数数目，σ为噪声标准差。对于合成数据，噪声标准差是已知的，若用于真实数据，可以通过第一层分解的高通滤波器获得的小波系数中值求得，即σ＝(median(|θj|))/0.6745，其中θj表示小波系数。采用三种降噪方法对主减速器磕碰故障的原始振动信号进行降噪，实验结果如图7所示。
从图7可以看出，由于软阈值降噪方法将大幅值的系数与噪声系数一起收缩，该方法非常明显地过度平滑了原始信号，因此在重构信号之后丢失了许多高频的细节信息。
相比于软阈值降噪方法，使用固定权值的DTCWT-FWSD方法保留了一部分细节信息，但是在局部较小的范围内仍然将一部分高频特征信息与噪声信息一起丢失了，尤其在信号的波峰和冲击处。
本发明所提出的ASTS-WSD方法能够在与信号主要特征相关的范围内较好地保留细节信息，为了对ASTS-WSD方法的降噪信号进行更细致的分析，将图7中ASTS-WSD方法的局部进行放大，如图8所示。
从图8可以看出，基于ASTS-WSD方法的降噪信号的调制频率为13.33Hz(近似于0.075s)，载波频率为106Hz(近似于0.0098s)。根据实验前期对主减速器振动信号的特性进行分析可知，当主减速器出现局部故障时，其振动信号会出现频率调制，且载波频率和调制频率分别对应于齿轮的啮合频率和旋转频率。由表1可知，主减速器齿轮副的啮合频率确实为106Hz，主动齿轮的旋转频率为13.33Hz，与降噪信号中所呈现的特征频率完全一致。采用ASTS—WSD的降噪信号的频谱图如图9所示。
图9中可以清晰地反映出载波频率两侧的调制边频带成分(图中用三角标示)，即故障频率13.33Hz，说明ASTS-WSD方法能够在降低强噪声成分的基础上有效保留并检测出主动齿轮的旋转周期(75.1ms)，避免了特征信息的过度平滑，即在降噪过程中保留了与主动齿轮局部故障相关的特征。由此可以得出结论，该主减速器的主动齿轮上存在某种局部故障。
(b)基于峭度的降噪效果对比。
峭度(Kurtosis)为信号的归一化四阶中心矩，可以用于非平稳信号的分析，并检测信号的瞬时特征。为了从理论上进一步验证ASTS—WSD方法的有效性，首先，使用信号的峭度值来度量某一频率的概率密度函数的峰值大小，从而检测非平稳降噪信号中的瞬时特征成分，以此作为降噪方法是否将原始信号过度平滑的度量指标。使用如下公式计算降噪信号的峭度值：
其中，E(·)表示变量的期望值，表示降噪信号，表示降噪信号的均值，σ表示已降噪信号的标准差。则磕碰故障原始振动信号以及采用三种降噪方法所获得的降噪信号的峭度值如表2所示。
表2不同降噪信号的峭度值对比
从表2可以看出，由于对强噪声成分的移除，三种降噪方法都能在一定程度上提高原始振动信号的峭度值，但是采用ASTS—WSD方法的降噪信号的峭度值比另外两种降噪方法高，主要原因在于：该方法能有效检测出与主减速器局部磕碰故障相关的脉冲，在降噪的同时尽可能地保留信号中的冲击性特征，更适合于强噪声背景下的振动信号降噪。
(c)基于重构误差的降噪效果对比。
采用基于不同范数的重构误差均值作为降噪性能的另一个度量指标，表示为：
和
其中，||·||2表示2范数，||·||∞表示无穷范数，y为原始信号，为降噪重构信号。与信噪比指标相反，该指标的值越小，说明降噪效果越好。采用上述几种降噪方法对具有主动齿轮磕碰故障的主减速器振动信号进行降噪处理，对降噪性能进行对比，结果如表3所示。
表3不同降噪方法的重构误差均值对比
从表3中可以看出，ASTS—WSD方法的降噪效果优于其他几种降噪方法，无论是采用哪一种范数作为度量指标，都具有最小的重构误差，主要原因在于：该方法采用DTCWT检测出了强噪声振动信号中的特征点位置，并且通过自适应权值的调整有效保留了特征相关的小波系数，避免了信号中的有效特征信息的过度平滑。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种主减速器强噪声振动信号的自适应稀疏树结构降噪方法，输入原始信号y，输出降噪信号其特征在于：包括如下步骤：
步骤一，对原始信号y执行DTCWT，获得小波系数θ，构造基于重叠组Lasso方法的稀疏树结构；
步骤二，采用特征检测算法检测出信号y中的显著特征点位置；
步骤三，确定树结构中覆盖信号特征点位置的系数所在的树；
步骤四，根据信号的噪声方差设置收缩算子其中为小波系数绝对值的中值，并采用该收缩算子自适应调整与信号特征相关的正则化权值{wi}，获得基于自适应权值的稀疏树结构；
步骤五，执行基于自适应稀疏树结构的正则化优化，获得优化的小波系数
步骤六，根据执行DTCWT的逆变换IDTCWT，生成降噪信号
2.根据权利要求1所述的一种主减速器强噪声振动信号的自适应稀疏树结构降噪方法，其特征在于：所述DTCWT为基于双树复小波变换。
3.根据权利要求1所述的一种主减速器强噪声振动信号的自适应稀疏树结构降噪方法，其特征在于：步骤二中所述特征检测算法为基于双树复小波变换的特征检测算法。
4.根据权利要求3所述的一种主减速器强噪声振动信号的自适应稀疏树结构降噪方法，其特征在于：所述基于双树复小波变换的特征检测算法的参数包括最小区间长度υ和特征位置持续次数这些参数对特征检测的效果具有一定的影响。
5.根据权利要求4所述的一种主减速器强噪声振动信号的自适应稀疏树结构降噪方法，其特征在于：每一对参数被用于特征检测算法以检测信号中的特征点位置，并以此作为依据自适应调整正则化权值，优化获得最优的小波系数，实现降噪。
6.根据权利要求5所述的一种主减速器强噪声振动信号的自适应稀疏树结构降噪方法，其特征在于：所述最小区间长度υ的取值范围设为[2，8]，特征位置持续次数的取值范围设为[0，15]。
7.根据权利要求6所述的一种主减速器强噪声振动信号的自适应稀疏树结构降噪方法，其特征在于：所述最小区间长度υ设置为5，所述特征位置持续次数限定为5或6。
8.根据权利要求1至7任一项所述的一种主减速器强噪声振动信号的自适应稀疏树结构降噪方法，其特征在于：所述原始信号y为主减速器强噪声振动信号。
CN201810415207.3A 2018-05-03 2018-05-03 主减速器强噪声振动信号的自适应稀疏树结构降噪方法 Active CN108844617B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810415207.3A CN108844617B (zh) 2018-05-03 2018-05-03 主减速器强噪声振动信号的自适应稀疏树结构降噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810415207.3A CN108844617B (zh) 2018-05-03 2018-05-03 主减速器强噪声振动信号的自适应稀疏树结构降噪方法

Publications (2)

Publication Number Publication Date
CN108844617A true CN108844617A (zh) 2018-11-20
CN108844617B CN108844617B (zh) 2019-08-09

Family

ID=64212625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810415207.3A Active CN108844617B (zh) 2018-05-03 2018-05-03 主减速器强噪声振动信号的自适应稀疏树结构降噪方法

Country Status (1)

Country Link
CN (1) CN108844617B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110440909A (zh) * 2019-07-31 2019-11-12 安徽智寰科技有限公司 一种基于噪声自适应识别的振动信号信噪比计算方法
CN110688964A (zh) * 2019-09-30 2020-01-14 哈尔滨工程大学 一种基于稀疏分解的小波阈值与emd联合降噪方法
CN112648765A (zh) * 2020-12-15 2021-04-13 美的威灵电机技术（上海）有限公司 制冷设备
CN113361372A (zh) * 2021-06-02 2021-09-07 长江大学 基于多通道数据深度挖掘的主减速器多故障智能诊断方法
CN114104654A (zh) * 2021-11-04 2022-03-01 武汉理工大学 一种自动配煤的监控方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012215412A (ja) * 2011-03-31 2012-11-08 Jtekt Corp 車載装置の振動解析及び振動源の特定を行う方法及び装置
CN103226649A (zh) * 2013-03-25 2013-07-31 西安交通大学 机械早期及复合故障的集成噪声重构经验模式分解方法
CN103902844A (zh) * 2014-04-24 2014-07-02 国家电网公司 基于eemd峰度阈值的变压器振动信号降噪方法
CN104112072A (zh) * 2014-07-15 2014-10-22 华侨大学 基于小波阈值去噪的主成分分析的工作模态参数识别方法
CN104655425A (zh) * 2015-03-06 2015-05-27 重庆大学 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012215412A (ja) * 2011-03-31 2012-11-08 Jtekt Corp 車載装置の振動解析及び振動源の特定を行う方法及び装置
CN103226649A (zh) * 2013-03-25 2013-07-31 西安交通大学 机械早期及复合故障的集成噪声重构经验模式分解方法
CN103902844A (zh) * 2014-04-24 2014-07-02 国家电网公司 基于eemd峰度阈值的变压器振动信号降噪方法
CN104112072A (zh) * 2014-07-15 2014-10-22 华侨大学 基于小波阈值去噪的主成分分析的工作模态参数识别方法
CN104655425A (zh) * 2015-03-06 2015-05-27 重庆大学 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
叶青 等: "基于改进SBELM的耦合故障诊断方法", 《西南交通大学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110440909A (zh) * 2019-07-31 2019-11-12 安徽智寰科技有限公司 一种基于噪声自适应识别的振动信号信噪比计算方法
CN110440909B (zh) * 2019-07-31 2021-07-13 安徽智寰科技有限公司 一种基于噪声自适应识别的振动信号信噪比计算方法
CN110688964A (zh) * 2019-09-30 2020-01-14 哈尔滨工程大学 一种基于稀疏分解的小波阈值与emd联合降噪方法
CN112648765A (zh) * 2020-12-15 2021-04-13 美的威灵电机技术（上海）有限公司 制冷设备
CN113361372A (zh) * 2021-06-02 2021-09-07 长江大学 基于多通道数据深度挖掘的主减速器多故障智能诊断方法
CN114104654A (zh) * 2021-11-04 2022-03-01 武汉理工大学 一种自动配煤的监控方法

Also Published As

Publication number Publication date
CN108844617B (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
CN108844617B (zh) 主减速器强噪声振动信号的自适应稀疏树结构降噪方法
Wang et al. Fault diagnosis of diesel engine based on adaptive wavelet packets and EEMD-fractal dimension
CN106226407B (zh) 一种基于奇异谱分析的超声回波信号在线预处理方法
CN109932624B (zh) 一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法
CN109359506B (zh) 一种基于小波变换的心磁信号降噪方法
CN103902844A (zh) 基于eemd峰度阈值的变压器振动信号降噪方法
CN108771534B (zh) 一种基于多小波变换融合下的脉搏信号特征提取方法
EP1788937A2 (en) Method for adaptive complex wavelet based filtering of eeg signals
CN111239697A (zh) 低秩矩阵分解的多维域联合sar宽带干扰抑制方法
CN103984866A (zh) 一种基于局域均值分解的信号去噪方法
CN103961092A (zh) 基于自适应阈值处理的脑电信号去噪方法
CN106568589A (zh) 一种基于经验小波变换碰摩声发射消噪方法
CN110244202A (zh) 基于同步压缩小波变换域变压器局部放电去噪方法
Le et al. Weak LFM signal dectection based on wavelet transform modulus maxima denoising and other techniques
Zhou et al. Denoising the hob vibration signal using improved complete ensemble empirical mode decomposition with adaptive noise and noise quantization strategies
CN113389541B (zh) 一种油井动液面信号高精度提取方法
CN112595782B (zh) 一种基于eemd算法的超声波横波起跳点识别方法及系统
CN103645504A (zh) 基于广义瞬时相位及p范数负模的地震弱信号处理方法
CN103915102B (zh) 一种lfm水声多途信号的噪声抑制方法
CN113375065B (zh) 管道泄漏监测中趋势信号的消除方法及装置
CN103971012A (zh) 一种基于赛利斯模型和分数阶微分的兰姆波信号消噪方法
CN113567129A (zh) 一种列车轴承振动信号基于ceemd的降噪方法
CN108680645B (zh) 轨道道岔板离缝病害识别方法及终端设备
Chen et al. Research on sonar image denoising method based on fixed water area noise model
CN113050043A (zh) 基于非理想lpf的探地雷达超宽带高斯脉冲fri采样方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant