CN105258790A - 一种现场振动信号去噪参数优化选择方法 - Google Patents

一种现场振动信号去噪参数优化选择方法 Download PDF

Info

Publication number
CN105258790A
CN105258790A CN201510712393.3A CN201510712393A CN105258790A CN 105258790 A CN105258790 A CN 105258790A CN 201510712393 A CN201510712393 A CN 201510712393A CN 105258790 A CN105258790 A CN 105258790A
Authority
CN
China
Prior art keywords
signal
noise
ratio
vibration signal
denoising
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.)
Pending
Application number
CN201510712393.3A
Other languages
English (en)
Inventor
邴汉昆
王宝玉
邹晓辉
徐厚达
郭佳雷
庞乐
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.)
Huadian Electric Power Research Institute Co Ltd
Original Assignee
Huadian Electric Power Research Institute Co Ltd
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 Huadian Electric Power Research Institute Co Ltd filed Critical Huadian Electric Power Research Institute Co Ltd
Priority to CN201510712393.3A priority Critical patent/CN105258790A/zh
Publication of CN105258790A publication Critical patent/CN105258790A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种现场振动信号去噪参数优化选择方法。目前还没有一种能实现信号去噪的快速化和精确化的现场振动信号去噪参数优化选择方法。本发明包括以下步骤：对振动信号进行集合经验模态分解；针对集合经验模态分解中的两个参数，添加噪声次数和振动信号的标准差之比进行网格交叉验证选择；对经验模态分解后的各内禀模态能量进行过零率分析，划定过零率阀值确定；对分解后的各内禀模态能量分量进行与原始信号的互信息计算分析，并划定互信息阀值确定；再根据确定的过零率阀值和互信息阀值进行噪声确定分析，针对剔除噪声后的振动信号进行重构得到去噪后的信号。本发明提出了信号分析、噪声辨别和信号重构，能实现信号去噪的快速化和精确化。

Description

一种现场振动信号去噪参数优化选择方法
技术领域
本发明涉及一种现场振动信号去噪参数优化选择方法，具体是实现振动信号分析前的噪声去除方法。
背景技术
机械设备发展的同时，人们对设备的可靠性和安全性提出了更高的要求，设备安全可靠运行成为当今设备运行和维护的重要课题。有效的实施设备状态检测及故障诊断，可由初期征兆识别故障进而采取相应的解决办法，避免重大恶性事故的发生，保障设备安全运行。
如何快速、有效的实现故障诊断是当前主要的研究方向，振动信号分析前期的振动信号噪声去除，是振动信号分析的前提。公开号为CN104992063A的中国专利中，公开了一种机械设备振动信号的降噪方法，其包括步骤：对非平稳振动信号进行局部均值分解；根据局部均值分解后得到的PF分量，计算各PF分量与非平稳振动信号的互相关系数，将互相关系数与预先设定数值进行比较，并将互相关系数小于预先设定数值的各PF分量进行叠加重构，得到虚拟噪声通道信号；该虚拟噪声通道信号作为FastICA算法的输入信号；根据FastICA算法将振动信号与虚拟噪声通道信号进行盲源分离，得到振动信号源信号和噪声信号，实现对振动信号的降噪处理，但是，该降噪方法难以实现信号去噪的快速化和精确化。
目前还没有一种能实现信号去噪的快速化和精确化的现场振动信号去噪参数优化选择方法。
发明内容
本发明的目的在于克服现有技术中存在的上述不足，而提供一种能实现信号去噪的快速化和精确化的现场振动信号去噪参数优化选择方法，该现场振动信号去噪参数优化选择方法提出了信号分析、噪声辨别和信号重构。
本发明解决上述问题所采用的技术方案是：该现场振动信号去噪参数优化选择方法的特点在于：包括以下步骤：对振动信号进行集合经验模态分解；
针对集合经验模态分解中的两个参数，添加噪声次数和振动信号的标准差之比进行网格交叉验证选择；
通过对经验模态分解后的各内禀模态能量进行过零率分析，并划定过零率阀值确定；
通过对分解后的各内禀模态能量分量进行与原始信号的互信息计算分析，并划定互信息阀值确定；
再根据确定的过零率阀值和互信息阀值进行噪声确定分析，针对剔除噪声后的振动信号进行重构得到去噪后的信号。
作为优选，本发明包括以下步骤：根据信号分析定律进行信号采样设置，采集现场机组运行振动信号；
进行振动信号集合经验模态分解，为实现信号的精准分解，进行集合经验模态分解参数的选择；
改变添加噪声的次数和信号标准差之比两个参数，进行信号的集合经验模态分解，添加噪声次数变化范围0-400，信号标准差之比变化范围0-1；
以20为间隔进行添加噪声次数变化，以0.1为间隔进行信号标准差之比进行变化，进行信号的集合经验模态分解；
针对分解出的各内禀模态能量特征进行与原始信号的互信息计算，同时进行各分量的过零率计算；
根据实际情况确定故障的互信息参数和过零率阀值设定范围，以确定的阀值进行内禀模态分量中噪声的确定，并进行剔除；
引入信息熵的概念，寻找信息熵在各内禀模态分量中存在的规律；
针对确定的噪声分量进行剔除，并对剔除后的分量进行重构，组成去噪后的振动信号；
进行去噪后信号的信噪比分析计算，进行去噪效果计算，进而选择最优的集合经验模态分解参数作为最终的信号去噪模型。
作为优选，本发明包括以下步骤：
步骤1：设定信号采样频率2560，以信号采样点数1024为周期进行现场振动故障信号采集；
步骤2：确定信号集合经验模态分解中添加噪声的次数范围为0-400，噪声与振动信号的标准差之比为0-1；
步骤3：添加噪声次数以50为间隔，标准差之比以0.1为间隔，进行网格交叉选择的振动信号分解；
步骤4：以此计算，在80个参数确定点进行信号分解处理，得到80个该信号集合经验模态分解后的结果；
步骤5：对分解出的80组内禀模态分量进行互信息和过零率计算，通过对80组分量的计算，确定适合该信号的互信息阀值和过零率阀值；
步骤6：通过设定的阀值对分量中的噪声分量进行剔除；
步骤7：剔除完成后对剩余的分量进行重构，得到去除噪声后的信号；
步骤8：以信噪比计算公式对去噪后的信号进行信噪比分析计算，以此衡量信号去噪效果；
步骤9：通过对上面80组进行步骤8的计算，以添加噪声次数和标准差之比作为X,Y轴，以信噪比作为Z轴，得出图形；
步骤10：通过图形得出，随着XY方向逐渐增大，信噪比参数逐渐变大，当添加噪声的次数到达A，标准差之比为B之后，再增加添加噪声的次数，随着信号分析时间的增长，信噪比参数不会再有明显的变化；其中，A表示正整数，B表示正数；
步骤11：得出结论，针对该振动信号，信号去噪分析中，参数通过优化选择确定为添加噪声次数A次，噪声与振动信号标准差之比B为该去噪模型的最有参数。
本发明与现有技术相比，具有以下优点和效果：针对含有突变故障的信号去噪分析方法中参数的优化选择，同时针对信号中噪声的辨别引入了信息熵参数进行衡量，为提高信号中噪声的辨认精度，本发明以信息过零率和互信息两个参数为衡量参数对其进行辨别，实现了信号去噪的快速化和精确化。本发明可以针对振动信号进行去噪分析研究，对现场采集的实际振动信号夹杂着大量噪声的振动信号进行分析处理，实现汽轮发电机组振动故障分析诊断。
附图说明
图1是本发明实施例中某一振动信号去噪分析时参数优化选择过程的示意图。
图2是本发明实施例中某一振动信号进行EEMD分解后的各IMF分量的示意图。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例。
参见图1至图2，本实施例中现场振动信号去噪参数优化选择方法包括以下步骤。
步骤1：设定信号采样频率2560，以信号采样点数1024为周期进行现场振动故障信号采集。
步骤2：确定信号集合经验模态分解中添加噪声的次数范围为0-400，噪声与振动信号的标准差之比为0-1。
步骤3：添加噪声次数以50为间隔，标准差之比以0.1为间隔，进行网格交叉选择的振动信号分解。
步骤4：以此计算，在80个参数确定点进行信号分解处理，得到80个该信号集合经验模态分解后的结果。
步骤5：对分解出的80组内禀模态分量进行互信息和过零率计算，其中单个计算结果如表1所示，通过对80组分量的计算，可以确定适合该信号的互信息阀值设定为0.4和过零率阀值设定为0.6。
步骤6：通过设定的阀值对分量中的噪声分量进行剔除。
步骤7：剔除完成后对剩余的分量进行重构，得到去除噪声后的信号。
步骤8：以信噪比计算公式：对去噪后的信号进行信噪比分析计算，以此衡量信号去噪效果。其中，公式中表示原始信号，n表示采样点数，表示降噪后的信号。
步骤9：通过对上面80组进行步骤8的计算，以添加噪声次数和标准差之比作为X,Y轴，以信噪比作为Z轴，得出如图1所示的图形。
步骤10：通过图1可以得出，随着XY方向逐渐增大，信噪比参数逐渐变大，当添加噪声的次数到达200，标准差之比为0.4之后，再增加添加噪声的次数，随着信号分析时间的增长，信噪比参数不会再有明显的变化。
步骤11：得出结论，针对该振动信号，信号去噪分析中，参数通过优化选择确定为添加噪声次数200次，噪声与振动信号标准差之比0.4为该去噪模型的最有参数。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所作的举例说明。凡依据本发明专利构思所述的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (3)

1.一种现场振动信号去噪参数优化选择方法，其特征在于：包括以下步骤：对振动信号进行集合经验模态分解；
针对集合经验模态分解中的两个参数，添加噪声次数和振动信号的标准差之比进行网格交叉验证选择；
通过对经验模态分解后的各内禀模态能量进行过零率分析，并划定过零率阀值确定；
通过对分解后的各内禀模态能量分量进行与原始信号的互信息计算分析，并划定互信息阀值确定；
再根据确定的过零率阀值和互信息阀值进行噪声确定分析，针对剔除噪声后的振动信号进行重构得到去噪后的信号。
2.根据权利要求1所述的现场振动信号去噪参数优化选择方法，其特征在于：包括以下步骤：根据信号分析定律进行信号采样设置，采集现场机组运行振动信号；
进行振动信号集合经验模态分解，为实现信号的精准分解，进行集合经验模态分解参数的选择；
改变添加噪声的次数和信号标准差之比两个参数，进行信号的集合经验模态分解，添加噪声次数变化范围0-400，信号标准差之比变化范围0-1；
以20为间隔进行添加噪声次数变化，以0.1为间隔进行信号标准差之比进行变化，进行信号的集合经验模态分解；
针对分解出的各内禀模态能量特征进行与原始信号的互信息计算，同时进行各分量的过零率计算；
根据实际情况确定故障的互信息参数和过零率阀值设定范围，以确定的阀值进行内禀模态分量中噪声的确定，并进行剔除；
引入信息熵的概念，寻找信息熵在各内禀模态分量中存在的规律；
针对确定的噪声分量进行剔除，并对剔除后的分量进行重构，组成去噪后的振动信号；
进行去噪后信号的信噪比分析计算，进行去噪效果计算，进而选择最优的集合经验模态分解参数作为最终的信号去噪模型。
3.根据权利要求1所述的现场振动信号去噪参数优化选择方法，其特征在于：包括以下步骤：
步骤1：设定信号采样频率2560，以信号采样点数1024为周期进行现场振动故障信号采集；
步骤2：确定信号集合经验模态分解中添加噪声的次数范围为0-400，噪声与振动信号的标准差之比为0-1；
步骤3：添加噪声次数以50为间隔，标准差之比以0.1为间隔，进行网格交叉选择的振动信号分解；
步骤4：以此计算，在80个参数确定点进行信号分解处理，得到80个该信号集合经验模态分解后的结果；
步骤5：对分解出的80组内禀模态分量进行互信息和过零率计算，通过对80组分量的计算，确定适合该信号的互信息阀值和过零率阀值；
步骤6：通过设定的阀值对分量中的噪声分量进行剔除；
步骤7：剔除完成后对剩余的分量进行重构，得到去除噪声后的信号；
步骤8：以信噪比计算公式对去噪后的信号进行信噪比分析计算，以此衡量信号去噪效果；
步骤9：通过对上面80组进行步骤8的计算，以添加噪声次数和标准差之比作为X,Y轴，以信噪比作为Z轴，得出图形；
步骤10：通过图形得出，随着XY方向逐渐增大，信噪比参数逐渐变大，当添加噪声的次数到达A，标准差之比为B之后，再增加添加噪声的次数，随着信号分析时间的增长，信噪比参数不会再有明显的变化；其中，A表示正整数，B表示正数；
步骤11：得出结论，针对该振动信号，信号去噪分析中，参数通过优化选择确定为添加噪声次数A次，噪声与振动信号标准差之比B为该去噪模型的最有参数。
CN201510712393.3A 2015-10-28 2015-10-28 一种现场振动信号去噪参数优化选择方法 Pending CN105258790A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510712393.3A CN105258790A (zh) 2015-10-28 2015-10-28 一种现场振动信号去噪参数优化选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510712393.3A CN105258790A (zh) 2015-10-28 2015-10-28 一种现场振动信号去噪参数优化选择方法

Publications (1)

Publication Number Publication Date
CN105258790A true CN105258790A (zh) 2016-01-20

Family

ID=55098569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510712393.3A Pending CN105258790A (zh) 2015-10-28 2015-10-28 一种现场振动信号去噪参数优化选择方法

Country Status (1)

Country Link
CN (1) CN105258790A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105698922A (zh) * 2016-02-04 2016-06-22 国网福建省电力有限公司 基于改进emd和谱峭度法变压器振动故障特征提取方法
CN107730800A (zh) * 2017-11-13 2018-02-23 浙江众盟通信技术有限公司 基于光纤振动安全预警系统的抗干扰分析方法
CN110909480A (zh) * 2019-11-29 2020-03-24 华北水利水电大学 一种水轮机振动信号的去噪方法与装置
CN113376470A (zh) * 2021-07-08 2021-09-10 广西电网有限责任公司电力科学研究院 一种防雷器运行状态远程监控系统
CN116441031A (zh) * 2023-06-20 2023-07-18 广东绿富域资源再生科技有限公司 一种焚烧垃圾炉渣的智能化破碎系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09210766A (ja) * 1996-01-31 1997-08-15 Toshiba Corp 振動測定装置
CN102175307A (zh) * 2011-02-01 2011-09-07 华北电力大学 汽轮发电机组低频振动谱阵实时定量分析方法
CN102288280A (zh) * 2011-05-09 2011-12-21 华北电力大学（保定） 一种轴系扭振提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09210766A (ja) * 1996-01-31 1997-08-15 Toshiba Corp 振動測定装置
CN102175307A (zh) * 2011-02-01 2011-09-07 华北电力大学 汽轮发电机组低频振动谱阵实时定量分析方法
CN102288280A (zh) * 2011-05-09 2011-12-21 华北电力大学（保定） 一种轴系扭振提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邴汉昆: "基于小波分析和SVM的汽轮机非线性振动故障诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105698922A (zh) * 2016-02-04 2016-06-22 国网福建省电力有限公司 基于改进emd和谱峭度法变压器振动故障特征提取方法
CN107730800A (zh) * 2017-11-13 2018-02-23 浙江众盟通信技术有限公司 基于光纤振动安全预警系统的抗干扰分析方法
CN110909480A (zh) * 2019-11-29 2020-03-24 华北水利水电大学 一种水轮机振动信号的去噪方法与装置
CN113376470A (zh) * 2021-07-08 2021-09-10 广西电网有限责任公司电力科学研究院 一种防雷器运行状态远程监控系统
CN116441031A (zh) * 2023-06-20 2023-07-18 广东绿富域资源再生科技有限公司 一种焚烧垃圾炉渣的智能化破碎系统
CN116441031B (zh) * 2023-06-20 2023-08-25 广东绿富域资源再生科技有限公司 一种焚烧垃圾炉渣的智能化破碎系统

Similar Documents

Publication Publication Date Title
Li et al. An optimized VMD method and its applications in bearing fault diagnosis
CN105258790A (zh) 一种现场振动信号去噪参数优化选择方法
Yan et al. Compound fault diagnosis of rotating machinery based on OVMD and a 1.5-dimension envelope spectrum
Yang et al. Vibration condition monitoring system for wind turbine bearings based on noise suppression with multi-point data fusion
CN107451557B (zh) 基于经验小波变换与局部能量的输电线路短路故障诊断方法
Bin et al. Early fault diagnosis of rotating machinery based on wavelet packets—Empirical mode decomposition feature extraction and neural network
Yang et al. Multicomponent signal analysis based on polynomial chirplet transform
CN108444704B (zh) 一种滚动轴承早期故障诊断方法
Liao et al. Bearing fault feature enhancement and diagnosis based on statistical filtering and 1.5-dimensional symmetric difference analytic energy spectrum
CN102855408A (zh) 基于ica的改进emd过程中imf判定方法
Wang et al. Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum
CN108196164B (zh) 一种用于强背景噪声下电缆故障点放电声音信号提取方法
Jiang et al. Rolling bearing fault detection using an adaptive lifting multiwavelet packet with a dimension spectrum
CN105157821A (zh) 一种旋转机械振动故障诊断及定量分析方法
Guo et al. Enhancing the ability of ensemble empirical mode decomposition in machine fault diagnosis
CN111896260A (zh) NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法
CN106571146A (zh) 噪音信号确定方法、语音去噪方法及装置
Yang et al. A novel weak fault signal detection approach for a rolling bearing using variational mode decomposition and phase space parallel factor analysis
Zhang et al. An adaptive graph morlet wavelet transform for railway wayside acoustic detection
Wei et al. Fault diagnosis of bearings in multiple working conditions based on adaptive time-varying parameters short-time Fourier synchronous squeeze transform
Zou et al. Toward accurate extraction of bearing fault modulation characteristics with novel time–frequency modulation bispectrum and modulation Gini index analysis
CN107941511B (zh) 一种基于信号时频分解的频率—峭度图的实现方法
Hui et al. Time-frequency signal analysis in machinery fault diagnosis
CN117520816A (zh) 一种结合emd和张量分解的振动故障特征信号提取方法
Cui et al. Egram based SVD method for gear fault diagnosis

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20160120