CN107247931A - 一种旋转机械振动信号降噪方法 - Google Patents
一种旋转机械振动信号降噪方法 Download PDFInfo
- Publication number
- CN107247931A CN107247931A CN201710388055.8A CN201710388055A CN107247931A CN 107247931 A CN107247931 A CN 107247931A CN 201710388055 A CN201710388055 A CN 201710388055A CN 107247931 A CN107247931 A CN 107247931A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise
- structural element
- noising
- noise reduction
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Complex Calculations (AREA)
Abstract
一种旋转机械振动信号降噪方法,涉及信号处理领域。提供强背景噪声条件下旋转机械振动信号的一种信号降噪方法。该方法首先对原始采集信号进行EEMD分解,获得n个IMF分量;然后通过改进的遗传算法对广义形态学的结构元素进行最优选取,建立一种快速、准确、柔性的结构元素选取方式;最后,将得到的IMF分量分别通过改进的广义形态学滤波器进行降噪,并对降噪后的IMF分量进行信号重构,完成振动信号的降噪处理。该旋转机械振动信号降噪方法可以很好的完成在强噪声背景下的信号降噪处理,而且能够较好的保证原始信号的完整性,更有利于后期信号的分析处理。
Description
技术领域
本发明属于信号处理领域,具体涉及一种旋转机械振动信号降噪方法。该旋转机械振动信号降噪方法可以很好的完成在强噪声背景下的振动信号降噪处理,而且能够较好的保证原始信号的完整性,更有利于后期信号的分析处理。
背景技术
在机械设备中,旋转机械具有重要的地位,其性能的好坏,直接影响着机械设备的寿命和可靠性。因此,对于旋转机械的振动信号进行降噪具有重要的意义。但通常采集到的振动信号含有大量噪声信号,去噪效果的好坏将直接影响到后期信号的分析与检测,降噪未完全的信号有可能带来错误的检测与诊断,给整个机械设备带来巨大隐患。
目前研究人员已经提出了很多振动信号降噪方法,如EEMD方法、形态学方法、小波方法等。但在强背景噪声下,现有降噪方法存在很多不足,如EEMD降噪方法虽然对振动信号具有很好的降噪效果,但无法保留信号的完整性;广义形态学结构元素选取存在的速度慢、适应性差及不能很好接近待分析信号等问题。这些问题就使得后期对于振动信号的分析和处理造成很大干扰,严重影响到信号诊断的准确性。
发明内容
本发明所要解决的技术问题是针对现有技术中存在的上述不足,提供一种旋转机械振动信号降噪方法,该降噪方法不仅具有降噪效果好、响应速度快的特点,而且可以很好的保证原始信号的完整性,使其可以更好的满足旋转机械对于振动信号采集、预测等需求。
解决本发明技术问题所采用的技术方案是提供一种旋转机械振动信号降噪方法其特征在于包括以下步骤:
步骤(1):对原始采集信号进行EEMD分解,获得n个IMF分量;
步骤(2):通过改进的遗传算法对广义形态学的结构元素进行最优选取;
步骤(3):将n个IMF分量分别通过改进的广义形态学滤波器进行信号降噪。
一种旋转机械振动信号降噪方法,其特征在于,所述步骤(2)还包括:采用不同形状的结构元素级联而成,构造了一种由两个不同结构元素构成的开—闭和闭—开的广义形态滤波器,从而解决传统形态滤波器中存在的输出统计偏倚的问题。
考虑到主要是提取旋转机械的振动信号,为满足响应快、降噪效果好的要求,采用直线形和圆盘形两种不同的结构元素;直线形结构元素具有运算量小,响应快等特点;圆盘形结构元素对振动信号的降噪效果最优。
通过改进的遗传算法对两种不同的结构元素进行最优解选取,具体定义如下:
定义函数f(x)在区间[a,b]范围内,a、b为整数;
求出区间(a,b)的中点c,并计算出f(c);
比较f(a)、f(b)的大小,其中大的一组定义为α、f(α);
比较f(c)与f(α)的大小,其中大的一组重新赋值给α、f(α);
判断是否达到最优值。若达到最优值,即不再有可取的整数x值;否则,重复—。
结构元素参数的选取,通过信噪比来衡量,信噪比越大,则选取的结构元素参数越好;公式如下:
y1为原始信号的平方和,y2为噪音信号的平方和,y为信噪比。
附图说明
图1为本降噪方法的流程图。
图2为不含噪声的仿真信号。
图3为含躁的仿真信号。
图4为EEMD分解后的IMF分量。
图5为直线形结构元素。
图6为圆盘形结构元素。
图7为经过改进广义形态学滤波器去噪后的IMF分量。
图8为现有方法去噪后的仿真信号。
图9为采用本发明方法去噪后的仿真信号。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步说明。
如图3所示,含噪声的振动信号模型可表示为:;其中,y(t)为含噪声的旋转机械振动信号,x(t)为噪声,降噪的具体步骤如下:
步骤(1):对含噪信号进行EEMD分解,获得n个IMF分量,如图4所示;EEMD 方法将振动信号按照从高频到低频的顺序分解为不同的IMF分量,因而可以有效地将信号中的噪声成分分离,便于后期的降噪处理。
步骤(2):通过改进的遗传算法对广义形态学的结构元素进行优化选取;选取直线和圆盘形两种结构元素,如图5、图6所示。先以直线形结构元素为接触,选取最优长度参数,再以其为基准,构造出最有高度参数,从而快速、准确的选取出最有结构元素。
具体步骤如下:
(a)确定最优的直线形结构元素长度L;观察图(3)得出,直线形结构元素只由长度L影响。首先将L设定在一定的范围内,本文初步设定L取[1,100]范围内,通过改进的遗传算法,选取出最优参数L=α;
(b)圆盘形结构元素的长度L’和高度K的选取;观察图(4)得出,圆形结构元素由长度L和高度K决定。通过改进的遗传算法将两种结构元素关联起来,缩小结构元素参数的选取范围.首先,当K=0时,圆盘形结构元素转变为直线,所以圆盘形结构元素的最优长度L’=α; 一般结构元素形状选取扁平型为最佳,所以高度K的取值范围初步设定为[0,α].再次运用改进的遗传算法对高度K进行选取,得出最优高度参数K。
步骤(3):将IMF分量分别通过改进的广义形态学滤波器进行降噪,如图7所示。
具体步骤如下:
a)对待分析信号作EEMD分解,获得n个IMF分量;
b)通过改进的遗传对每个IMF分量进行最得到n个IMF优结构元素选取,并将选取的最优参数保存到广义形态滤波器中;
c)将每个IMF分量分别通入到广义形态学滤波器中,并运用最优的结构元素进行去噪;
d)利用处理后的IMF分量进行信号重构得到去噪后的信号,如图9所示;
图9中的信号与如图8所示的现有方法去燥后信号比较发现,在图8中,圈出部分的信号与原始信号存在明显偏差,所以图9 效果好于图8。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种旋转机械振动信号降噪方法,其特征在于包括以下步骤:
步骤(1):对原始采集信号进行EEMD分解,获得n个IMF分量;
步骤(2):通过改进的遗传算法对广义形态学的结构元素进行最优选取;
步骤(3):将n个IMF分量分别通过改进的广义形态学滤波器进行信号降噪,并对降噪后的信号进行重构。
2.根据权利要求1所述一种旋转机械振动信号降噪方法,其特征在于,所述步骤(2)还包括:为了解决传统形态滤波器中存在的输出统计偏倚的问题,采用不同形状的结构元素级联而成,构造了一种由2个不同结构元素构成的开—闭和闭—开的广义形态滤波器;
设f(n)是待处理信号和分别是2种不同的结构元素,且由此可得广义形态滤波器的表达形式:
通常对两种滤波器进行组合,其组合后的表达式为:
为了满足降噪响应速度快、降噪效果好等要求,采用直线形和圆盘形两种不同的结构元素;因为直线形结构元素具有运算量小,响应快等特点;圆盘形结构元素对振动信号的降噪效果最优等特点;
通过改进的遗传算法对两种不同的结构元素进行最有解选取,具体定义如下:
定义函数f(x)在区间[a,b]范围内,a、b为整数;
求出区间(a,b)的中点c,并计算出f(c);
比较f(a)、f(b)的大小,其中大的一组定义为α、f(α);
比较f(c)与f(α)的大小,其中大的一组重新赋值给α、f(α);
判断是否达到最优值;
若达到最优值,即不再有可取的整数x值;否则,重复步骤—步骤;
结构元素参数的选取,通过信噪比来衡量,信噪比越大,则选取的结构元素参数越好;公式如下:
式中,y1为原始信号的平方和,y2为噪音信号的平方和,y为信噪比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710388055.8A CN107247931A (zh) | 2017-05-27 | 2017-05-27 | 一种旋转机械振动信号降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710388055.8A CN107247931A (zh) | 2017-05-27 | 2017-05-27 | 一种旋转机械振动信号降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107247931A true CN107247931A (zh) | 2017-10-13 |
Family
ID=60017743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710388055.8A Pending CN107247931A (zh) | 2017-05-27 | 2017-05-27 | 一种旋转机械振动信号降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107247931A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107831661A (zh) * | 2017-11-13 | 2018-03-23 | 广东石油化工学院 | 一种高精度工业机器人机械振动信号跟踪方法 |
CN110160775A (zh) * | 2019-06-04 | 2019-08-23 | 昆明理工大学 | 一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法 |
CN115659128A (zh) * | 2022-12-12 | 2023-01-31 | 浙江工业大学 | 一种基于集合经验模态分解法和功率谱的信号降噪方法 |
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 (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105628425A (zh) * | 2016-01-01 | 2016-06-01 | 三峡大学 | 一种基于遗传退火优化多核支持向量机的旋转机械早期故障诊断方法 |
CN106092574A (zh) * | 2016-05-30 | 2016-11-09 | 西安工业大学 | 基于改进emd分解与敏感特征选择的轴承故障诊断方法 |
-
2017
- 2017-05-27 CN CN201710388055.8A patent/CN107247931A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105628425A (zh) * | 2016-01-01 | 2016-06-01 | 三峡大学 | 一种基于遗传退火优化多核支持向量机的旋转机械早期故障诊断方法 |
CN106092574A (zh) * | 2016-05-30 | 2016-11-09 | 西安工业大学 | 基于改进emd分解与敏感特征选择的轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
侯高雁 等: "基于EEMD 自适应形态学在齿轮故障诊断中的应用", 《振动与冲击》 * |
王少君: "基于EEMD的滚动轴承微弱故障特征提取方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107831661A (zh) * | 2017-11-13 | 2018-03-23 | 广东石油化工学院 | 一种高精度工业机器人机械振动信号跟踪方法 |
CN110160775A (zh) * | 2019-06-04 | 2019-08-23 | 昆明理工大学 | 一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法 |
CN115659128A (zh) * | 2022-12-12 | 2023-01-31 | 浙江工业大学 | 一种基于集合经验模态分解法和功率谱的信号降噪方法 |
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 |
---|---|---|
CN107247931A (zh) | 一种旋转机械振动信号降噪方法 | |
CN103870694B (zh) | 一种基于修正小波阈值的经验模态分解去噪方法 | |
CN113177537B (zh) | 一种旋转机械设备的故障诊断方法及系统 | |
CN102254103B (zh) | 自适应总体平均经验模式分解eemd筛选次数确定方法 | |
CN113052000B (zh) | 一种船舶机械设备早期微弱故障信号特征诊断方法 | |
CN103542261B (zh) | 基于压缩感知和掩膜信号法hht的管道泄漏声发射信号处理方法 | |
CN105807241A (zh) | 一种利用先验信息的指数信号去噪方法 | |
CN114992033A (zh) | 基于nlm-ceemdan的水电机组信号去噪方法 | |
CN104133248A (zh) | 一种高保真声波干扰压制方法 | |
Mengyuan et al. | Research of circuit breaker intelligent fault diagnosis method based on double clustering | |
CN114371009A (zh) | 基于改进随机森林的高速列车轴承故障诊断方法 | |
CN110716534B (zh) | 一种基于自整定变分模态分解的工业过程振荡检测方法 | |
CN103604404B (zh) | 基于数值积分的加速度信号测取位移方法 | |
CN105117537A (zh) | 一种基于权值比较的粒子滤波系统重采样方法 | |
CN115982566A (zh) | 一种水电机组多通道故障诊断方法 | |
CN113375065B (zh) | 管道泄漏监测中趋势信号的消除方法及装置 | |
CN103399235B (zh) | 一种电子噪声和电磁干扰的检测和消除方法 | |
CN112766044B (zh) | 疏松样品纵横波速度分析方法、装置及计算机存储介质 | |
CN103310447B (zh) | 一种基于自适应技术的二维平面采样方法 | |
CN111274867B (zh) | 一种野外阵风模拟方法 | |
Wang et al. | On the motor fault diagnosis based on wavelet transform and ann | |
CN117349661B (zh) | 柱塞泵振动信号特征提取方法、装置、设备和存储介质 | |
CN112084907B (zh) | 一种时频图特征数据点抓取与处理方法、存储介质及设备 | |
CN112505779B (zh) | 基于特征分解的采集脚印去除方法 | |
CN118094201A (zh) | 一种自适应多变量故障特征提取与增强方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171013 |
|
WD01 | Invention patent application deemed withdrawn after publication |