CN106815434B - 基于小波和emd的噪声量时频分析去噪效果评价方法 - Google Patents

基于小波和emd的噪声量时频分析去噪效果评价方法 Download PDF

Info

Publication number
CN106815434B
CN106815434B CN201710035729.6A CN201710035729A CN106815434B CN 106815434 B CN106815434 B CN 106815434B CN 201710035729 A CN201710035729 A CN 201710035729A CN 106815434 B CN106815434 B CN 106815434B
Authority
CN
China
Prior art keywords
denoising
noise
analysis
wavelet
emd
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.)
Active
Application number
CN201710035729.6A
Other languages
English (en)
Other versions
CN106815434A (zh
Inventor
蒋淑霞
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.)
Central South University of Forestry and Technology
Original Assignee
Central South University of Forestry and Technology
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 Central South University of Forestry and Technology filed Critical Central South University of Forestry and Technology
Priority to CN201710035729.6A priority Critical patent/CN106815434B/zh
Publication of CN106815434A publication Critical patent/CN106815434A/zh
Application granted granted Critical
Publication of CN106815434B publication Critical patent/CN106815434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明公开了一种基于小波和EMD的噪声量时频分析去噪效果评价方法，所述方法包括数据获取、数据去噪、噪声量时域分析、噪声量时频谱分析；针对发动机上不同信号采用不同的去噪处理方法，达到最佳效果。本发明基于小波阈值去噪和EMD去噪理论，提出了一种基于去掉噪声量来衡量哪一种去噪方法更优；本发明证明在处理喷油器波形噪声(类白噪声)上，去噪的时域分析表明小波阈值去噪去掉的是类似白噪声，而EMD可能去掉的是某一有效成分或某一故障信息。本发明基于时域和频域分析的噪声量分析不仅可以作为评价去噪效果优劣的标准，同时也是发动机数据分析、挖掘和故障诊断的一个很好的方法。

Description

基于小波和EMD的噪声量时频分析去噪效果评价方法
技术领域
本发明属于数据处理技术领域，尤其涉及一种基于小波和EMD的噪声量时频分析去噪效果评价方法。
背景技术
目前汽车诊断的远程诊断平台的实现已经有了技术基础，在远程诊断系统中要使诊断真正有实用价值，还要有非常专业的数据处理平台。利用这个平台，对系统实时传输的数据进行智能分析，才可能有比较专业的诊断分析。现有技术只用信噪比和均方根误差来评价去噪效果的片面问题。无法保证全面评价去噪效果并在源头上解决波形分析第一步可能给波形分析和随之的故障诊断带来的不利影响。
开展远程故障诊断是有意义的研究工作，鉴于目前远程故障诊断一般存在检测数据信息量少和诊断算法相对简单的现状，为实现发动机的故障检测，首先要对获取波形进行波形于去造然后进行波形分析和故障诊断，去噪尤其重要，以往的方法评价通常是信噪比和均方根值，本发明方法结合小波阈值去噪和经验模态分解时频分析方法提出了一种基于噪声量时域和频域分析的去噪效果评价方法。当信噪比非常接近时，不能单以信噪比大小作为去噪优劣的唯一评判标准，以往的经验更多依赖于信噪比和均方根误差值的大小来判定。
综上所述，现有技术存在只用信噪比和均方根误差来评价去噪效果具有片面性，无法保证全面评价去噪效果并在源头上解决波形分析第一步可能给波形分析和随之的故障诊断带来的不利影响。
发明内容
本发明的目的在于提供一种基于小波和EMD的噪声量时频分析去噪效果评价方法，旨在解决现有技术只用信噪比和均方根误差来评价去噪效果的片面性，无法保证全面评价去噪效果并在源头上解决波形分析第一步可能给波形分析和随之的故障诊断带来的不利影响的问题。
本发明是这样实现的，一种基于小波和EMD的噪声量时频分析去噪效果评价方法，所述基于小波和EMD的噪声量时频分析去噪效果评价方法包括以下步骤：
第一步，数据获取：获取原始数据，提取待分析的数据；
第二步，数据去噪：进行小波分解；小波系数4种软阈值处理；小波重构；EMD分解去掉某成分重构；
第三步，噪声量时域分析：
第四步，噪声量时频谱分析：对于信噪比很接近的方法，用时频谱进一步来分析；
第五步，确定最佳去噪方法为同一类信号的处理工具，针对发动机上不同信号采用不同的去噪处理方法，达到最佳效果。
进一步，步骤一中，数据获取包括利用matlab将获取到的喷油器波形片段重现。
进一步，步骤二中，数据去噪具体包括：小波三层分级，然后对小波分解得到的系数用四种阈值规则分别计算阈值，最后用软阈值进行处理得到了新的小波系数，然后进行小波重构，这个重构后的信号即为去噪后的信号；EMD分解去掉某成分重构。
进一步，步骤三中，噪声量时域分析包括：rigrsure阈值准则去掉的噪声量不会随喷油过程中电压值的变化而产生变化；rigrsure阈值准则去掉的噪声量进行EMD分解，得到一系列的固有模态和余量。
本发明另一目的在于提供一种利用上述基于小波和EMD的噪声量时频分析去噪效果评价方法的评价系统。
本发明主要通过提出一种基于小波阈值去噪、EMD去噪方法来对发动机波形进行去噪分析，并且提出一种新的基于去掉噪声量时域和频率分析评价去噪效果的方法，并以电控发动机喷油器波形去噪分析为例来阐述本方法的原理和实施步骤。
解决了只用信噪比和均方根误差来评价去噪效果的片面问题。保证更加全面评价去噪效果并在源头上解决波形分析第一步可能给波形分析和随之的故障诊断带来的不利影响，同时这种时频域分析的视角方法可以被借鉴到发动机故其他障特征的提取中去。
现有的评价去噪效果的方法主要有：信噪比越大越好、均方根差越小越好。但是这种方法有时并不能准确评价，特别是当计算信噪比非常大(以前认为去噪效果好)，但实际情况却是因为去掉了某一有效成分。这种情况下，结合去掉噪声量时域和频域特征分析噪声特性，验证噪声提取的有效性特别重要。
本发明的优点有：本发明基于小波阈值去噪和EMD去噪理论，提出了一种基于去掉噪声量来衡量哪一种去噪方法更优；本发明证明在处理喷油器波形噪声(类白噪声)上，去噪的时域分析表明小波阈值去噪去掉的是类似白噪声，而EMD可能去掉的是某一有效成分或某一故障信息。本发明基于时域和频域分析的噪声量分析不仅可以作为评价去噪效果优劣的标准，同时也是发动机数据分析、挖掘和故障诊断的一个很好的方法。
附图说明
图1是本发明实施例提供的基于小波和EMD的噪声量时频分析去噪效果评价方法流程图。
图2是本发明实施例提供的原始喷油器波形和4种去噪波形原始信号和去噪后的信号效果对比图。
图3是本发明实施例提供的小波阈值和EMD去噪效果比较图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明主要通过提出一种基于小波阈值去噪、EMD去噪方法来对发动机波形进行去噪分析，并且提出一种新的基于去掉噪声量时域和频率分析评价去噪效果的方法，并以电控发动机喷油器波形去噪分析为例来阐述本方法的原理和实施步骤。解决了只用信噪比和均方根误差来评价去噪效果的片面问题。保证更加全面评价去噪效果并在源头上解决波形分析第一步可能给波形分析和随之的故障诊断带来的不利影响，同时这种时频域分析的视角方法可以被借鉴到发动机故其他障特征的提取中去。
下面结合附图对本发明的应用原理作详细描述。
如图1所示，本发明实施例提供的基于小波和EMD的噪声量时频分析去噪效果评价方法，包括以下步骤：
第一步，数据获取：获取原始数据，提取待分析的数据；
第二步，数据去噪：进行小波分解；小波系数4种软阈值处理；小波重构；EMD分解去掉某成分重构；
第三步，噪声量时域分析；
第四步，噪声量时频谱分析：对于信噪比很接近的方法，用时频谱进一步来分析；
第五步，确定最佳去噪方法为同一类信号的处理工具，针对发动机上不同信号采用不同的去噪处理方法，达到最佳效果。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
本发明实施例提供的基于小波和EMD的噪声量时频分析去噪效果评价方法，包括：
1)用电控发动机实训台测试第2缸喷油器波形；
实验用发动机为大众帕萨特1.8T发动机的风向标发动机实训台，大众帕萨特1.8T发动机技术参数如表1所示。
表1大众帕萨特1.8T发动机技术参数
Figure BDA0001213064630000051
Figure BDA0001213064630000061
喷油器的控制方式基本有4类：饱和开关型、峰值保持型、脉冲宽度调制型和PNP型，不同的喷油器的控制方式有不同的波形，本发明实验用的大众帕萨特1.8T发动机是一种饱和开关型喷油器。
2)数据获取：获取原始数据，提取待分析的数据；利用matlab将获取到的喷油器波形片段重现。
3)用四种小波阈值方法对信号进行去噪：小波阈值去噪：小波是一种非常有效的信号分析和处理工具，在小波去噪处理中最有效最常用的是小波阈值去噪。阈值去噪分为软阈值和硬阈值去噪方法之分。本方法的处理过程就是：小波三层分解，然后对小波分解得到的系数用四种阈值规则分别计算阈值，最后用软阈值进行处理得到了新的小波系数，然后进行小波重构，这个重构后的信号即为去噪后的信号；EMD分解去掉某成分重构。
原始喷油器波形和4种去噪波形图如图2所示，为原始信号和去噪后的信号效果对比。
4)去噪效果评价与噪声量时域分析
表2各去噪方法及对应评价参数
Figure BDA0001213064630000062
Figure BDA0001213064630000071
观察表2发现去噪效果最佳的是“rigrsure”阈值规则处理的噪声，得到信噪比为33.8037，第2是EMD分解去噪方法信噪比为29.9106，再其次是“minimaxi”、“heursure”和“sqtwolog”阈值准则去噪效果。从表2按照已有的标准会以信噪比作为衡量去噪效果的标准，判定“minimax i”阈值准则去噪效果不如EMD去噪(直接让某一固有模态量为0)，但是这里要提出不能以信噪比作为评判效果唯一标准，需要结合噪声量的特性。这里将上述两种去噪方法去掉的噪声进行对比，小波去噪去掉类白噪声，而EMD去掉是某一周期成分，显然不应该采用EMD去噪方法。
为了能够准确区分到底是哪个阈值准则最优，从时域图看出“rigrsure”阈值准则去掉的噪声量不会随喷油过程中电压值的变化而产生很大的变化。为了进一步确定去噪的合理性，接下来基于EMD分解的时频分析来分析噪声量的时频特征。
如图3所示，为本发明实施例提供的小波阈值和EMD去噪效果比较图。
5)噪声量分解时频分布分析
“rigrsure”阈值准则去掉的噪声量进行EMD分解，可以得到一系列的固有模态和余量。
噪声量的主要成分都呈现了一种各态历经的白噪声特性。而“minimaxi”、“heursure”和“sqtwolog”阈值准则去噪效果明显在突变处稍稍逊色。所有四种阈值准则噪声量的主要时频分布可以得到这几种阈值去掉的噪声量都具有白噪声的特点。结合信噪比最后得到“rigrsure”阈值准则去噪效果最优。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于小波和EMD的噪声量时频分析去噪效果评价方法，其特征在于，所述基于小波和EMD的噪声量时频分析去噪效果评价方法包括以下步骤：
步骤一，数据获取：获取原始数据，提取待分析的数据；
步骤二，数据去噪：进行小波分解；小波系数4种软阈值处理；小波重构；EMD分解去掉某成分重构；
步骤三，噪声量时域分析：
步骤四，噪声量时频谱分析：对于信噪比很接近的方法，用时频谱进一步来分析；
步骤五，确定最佳去噪方法为同一类信号的处理工具，对发动机上不同信号采用不同的去噪处理；
步骤一中，数据获取包括利用matlab将获取到的喷油器波形片段重现；
步骤二中，数据去噪具体包括：小波三层分级，然后对小波分解得到的系数用四种阈值规则分别计算阈值，最后用软阈值进行处理得到了新的小波系数，然后进行小波重构，这个重构后的信号即为去噪后的信号；EMD分解去掉某成分重构；
步骤四中噪声量时频谱分析包括：rigrsure阈值准则去掉的噪声量不会随喷油过程中电压值的变化而产生变化；rigrsure阈值准则去掉的噪声量进行EMD分解，得到一系列的固有模态和余量。
2.一种利用权利要求1所述基于小波和EMD的噪声量时频分析去噪效果评价方法的评价系统。
CN201710035729.6A 2017-01-18 2017-01-18 基于小波和emd的噪声量时频分析去噪效果评价方法 Active CN106815434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710035729.6A CN106815434B (zh) 2017-01-18 2017-01-18 基于小波和emd的噪声量时频分析去噪效果评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710035729.6A CN106815434B (zh) 2017-01-18 2017-01-18 基于小波和emd的噪声量时频分析去噪效果评价方法

Publications (2)

Publication Number Publication Date
CN106815434A CN106815434A (zh) 2017-06-09
CN106815434B true CN106815434B (zh) 2021-10-29

Family

ID=59111405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710035729.6A Active CN106815434B (zh) 2017-01-18 2017-01-18 基于小波和emd的噪声量时频分析去噪效果评价方法

Country Status (1)

Country Link
CN (1) CN106815434B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112286255B (zh) * 2020-09-29 2021-09-24 北京空间飞行器总体设计部 高稳定度测控温系统在轨噪声评价方法
CN112610344B (zh) * 2020-12-11 2022-12-13 哈尔滨工程大学 一种基于ceemd和改进层次离散熵的共轨喷油器故障诊断方法
CN113624447A (zh) * 2021-06-24 2021-11-09 长春工业大学 一种用于光纤光栅传感网络的复合去噪方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436586A (zh) * 2011-10-28 2012-05-02 哈尔滨工业大学 一种基于小波阈值降噪和经验模态分解的高光谱图像分类方法
CN102982808A (zh) * 2012-12-05 2013-03-20 张雪晶 基于小波变换的语音去噪装置及方法
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105677035B (zh) * 2016-01-26 2018-08-17 杭州电子科技大学 基于eemd和小波阈值的运动想象脑电信号消噪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436586A (zh) * 2011-10-28 2012-05-02 哈尔滨工业大学 一种基于小波阈值降噪和经验模态分解的高光谱图像分类方法
CN102982808A (zh) * 2012-12-05 2013-03-20 张雪晶 基于小波变换的语音去噪装置及方法
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Method for Engine Waveform Analysis and Fault Diagnosis Based on Sfb and HHT";Jiang Shuxia et al;《Advances in Adaptive Data Analysis》;20131108;第5卷(第4期);第1-8页 *
"Research on a small-noise reduction method based on EMD and its application in pipeline leakage detection";Wenqing lu et al.;《Journal of Loss Prevention in the Process Industries》;20160227;第41卷;第282-290页 *
"基于小波阈值去噪与二次经验模态分解的发动机点火波形分析方法";蒋淑霞 等;《汽车工程》;20150425;第37卷(第4期);第1-2节 *

Also Published As

Publication number Publication date
CN106815434A (zh) 2017-06-09

Similar Documents

Publication Publication Date Title
CN107944199B (zh) 一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法
Boudraa et al. Denoising via empirical mode decomposition
Li et al. Rolling bearing fault diagnosis based on improved adaptive parameterless empirical wavelet transform and sparse denoising
CN108458871B (zh) 一种基于改进经验小波变换的齿轮箱故障识别方法
Flandrin et al. Detrending and denoising with empirical mode decompositions
CN106815434B (zh) 基于小波和emd的噪声量时频分析去噪效果评价方法
CN110619296B (zh) 一种基于奇异分解的信号降噪方法
CN113378661A (zh) 一种基于改进小波阈值和相关检测的直流电能信号去噪方法
Lin et al. A new threshold function for signal denoising based on wavelet transform
CN109871733A (zh) 一种自适应海杂波信号去噪方法
Kopsinis et al. Improved EMD using doubly-iterative sifting and high order spline interpolation
CN108089100A (zh) 小电流接地系统弧光电阻接地故障的检测方法
Lv et al. Longitudinal synchroextracting transform: A useful tool for characterizing signals with strong frequency modulation and application to machine fault diagnosis
Ahrabian et al. Selective time-frequency reassignment based on synchrosqueezing
CN112710928B (zh) 基于自相关性分析的直流局部放电波形去干扰方法及系统
CN103915102B (zh) 一种lfm水声多途信号的噪声抑制方法
CN113221615A (zh) 一种基于降噪聚类的局部放电脉冲提取方法
CN112580451A (zh) 一种基于改进emd和med的数据降噪方法
Chen et al. Noise reduction based on wavelet threshold filtering and ensemble empirical mode decomposition
Zhang et al. Seismic random noise attenuation by time-frequency peak filtering based on joint time-frequency distribution
Maheswari et al. Partial discharge signal denoising using adaptive translation invariant wavelet transform-online measurement
CN113642417B (zh) 一种基于改进小波算法的绝缘架空导线局部放电信号的去噪方法
ZhaoHeng et al. Selection of the optimal wavelet bases for wavelet de-noising of partial discharge signal
Ray et al. Extract Partial Discharge signal using wavelet for on-line measurement
CN110703089B (zh) 一种用于低频振荡Prony分析的小波阈值去噪方法

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