CN108154081B - 基于瞬时频率稳定度swt物流设备振动信号降噪方法 - Google Patents

基于瞬时频率稳定度swt物流设备振动信号降噪方法 Download PDF

Info

Publication number
CN108154081B
CN108154081B CN201711217042.0A CN201711217042A CN108154081B CN 108154081 B CN108154081 B CN 108154081B CN 201711217042 A CN201711217042 A CN 201711217042A CN 108154081 B CN108154081 B CN 108154081B
Authority
CN
China
Prior art keywords
frequency
component
instantaneous frequency
signal
vibration
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
CN201711217042.0A
Other languages
English (en)
Other versions
CN108154081A (zh
Inventor
陶新民
刘福荣
沈微
王立海
孙术发
董景峰
陶思睿
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.)
State Grid Corp of China SGCC
Northeast Forestry University
State Grid Heilongjiang Electric Power Co Ltd
Original Assignee
Northeast Forestry University
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 Northeast Forestry University filed Critical Northeast Forestry University
Publication of CN108154081A publication Critical patent/CN108154081A/zh
Application granted granted Critical
Publication of CN108154081B publication Critical patent/CN108154081B/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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis

Abstract

传统的传送设备，因长期频繁使用，会出现跑偏、磨损等故障问题从而降低物料传输的准确性，增加运作风险。一种基于瞬时频率稳定度SWT物流设备振动信号降噪方法，该方法包括以下步骤：（1）利用振动加速传感器采集振动信号；（2）对步骤（1）获取的振动信号按时间序列间隔化分段处理，得到采样点数集合；（3）对步骤（2）获取的振动片段信号，利用同步挤压小波变换对其进行时频分解，得到同步挤压小波变量以及时频图信息；（4）对步骤（3）获取的变量进行选择性提取、还原；（5）利用Hilbert变换计算步骤（4）得到的IMT分量的瞬时频率曲线。本发明申请应用于基于瞬时频率稳定度SWT物流设备振动信号降噪方法。

Description

基于瞬时频率稳定度SWT物流设备振动信号降噪方法
技术领域：
本发明申请涉及一种信号降噪领域，尤其涉及一种基于瞬时频率稳定度SWT物流设备振动信号降噪方法。
背景技术：
目前，随着经济发展及现代化水平的提高，物流逐渐在社会中占据重要地位，物流机械装备是物流运作的基础和发展关键，高效安全的物流装备可以提高物流的作业效率和技术水平，传送设备作为物流机械装备中不可或缺的组成部分，因长期频繁使用，会出现跑偏、磨损等故障问题从而降低物料传输的准确性，增加运作风险；因此如何保障其安全可靠运行是整个物流安全高效运作的关键，目前，基于振动信号分析的传送设备故障诊断方法具有实时性及方便安装的特点，现已在物流机械检测中广泛采用，然而实际工程应用中采集到的振动信号都含有大量噪声，使得信号中能体现故障特征的有效信息变得非常微弱，因此如何能有效抑制噪声提高信噪比是基于振动信号实现故障检测的前提条件和必要环节；
针对非平稳信号的降噪问题，国内外学者已展开大量深入的研究，其大致可分为基于傅立叶变换法、基于小波变换法以及基于集成经验模式分解(Ensemble EmpiricalMode Decomposition, EEMD)的方法；这些方法都各有优缺点，其中傅立叶变换方法理论成熟，但难以处理噪声抑制和边缘信息保护两者的矛盾，对频率重叠部分也难以区分；小波变换法虽具有多分辨性能，但其降噪效果依赖小波基和阈值选择，同时也会受小波分解层数和采样率的影响，基于EEMD时频分析降噪方法虽具有很强的频带选层功能和自适应分解的特点，但该方法极易受信号突变的影响，导致分解时出现混叠现象和断点效应。即便如此学者们仍相继提出了诸多基于EEMD分解的降噪方法，其中传统强制阈值法假设噪声多出现在高频段，通过剔除前几阶固有模态分量(IMF)的方式进行信号重构实现降噪，然而该方法无法处理噪声出现在低频段的情况，另外若信号本身含有有效的高频信息，这种方法也会导致原始信号的丢失，另有学者提出利用每一个IMF分量与原有信号互信关值的大小来选取IMF分量，但该方法并未明确说明如何确定阈值；另外由于原信号本身含有噪声成分，该方法可能会引入虚假分量影响降噪性能。
发明内容：
本发明的目的是提供一种基于瞬时频率稳定度SWT物流设备振动信号降噪方法。
上述的目的通过以下的技术方案实现：
一种基于瞬时频率稳定度SWT物流设备振动信号降噪方法，其组成包括：振动加速传感器，所述的振动加速传感器连接在轴承的外环上，所述的振动加速传感器通过导线连接于上位机采集终端，所述的轴承安装在传输辊轴上，所述的传输辊轴一端连接变速箱，另一端连接传输辊，所述的变速箱连接驱动电机，所述的传输辊外包裹有传送带，所述的传送带上放置有传送物品；该方法包括以下步骤：
（1）利用安装在物流传动设备轴承外环部位上的振动加速传感器采集振动信号；
（2）对步骤（1）获取的传送设备轴承振动信号按时间序列间隔化分段处理，得到采样点数为1024的振动信号片段集合；
（3）对步骤（2）获取的振动片段信号，利用同步挤压小波变换对其进行时频分解，其中小波函数采用的是MORLET小波，频率分解上限为采样频率的一半，时间轴为1024采样点，得到同步挤压小波变量以及时频图信息；
（4）根据每一个小波脊线的主频率信息，对步骤（3）获取的同步挤压小波变量进行选择性提取，还原出含各种谐波信号主频信息的固有模态分量(IMT)集合，为能实现信号的完全分解，这里选取的分解层数为50；
（5）利用Hilbert变换计算步骤（4）得到的IMT分量的瞬时频率曲线，以四分位距值作为衡量瞬时频率曲线离散程度的指标，如果该IMT分量对应的四分位距值大于100，则认为该IMT为真实IMT分量；否则认定为虚假IMT分量或噪声分量，为了防止同步挤压小波变换分解信号出现不完备的情况，对残余分量的判断采用的是自相关函数峰度阈值的判定方法，如果残余分量的自相关函数峰度值小于10，则判定其为真实分量，否则为虚假分量；最后利用满足阈值条件的这些IMT真实分量进行信号重构，实现物流传送设备轴承振动信号的降噪目的。
所述的基于瞬时频率稳定度SWT物流设备振动信号降噪方法，步骤（3）中对振动信号的处理采用的是同步挤压小波变换，而非传统的小波变换；它的实现方法如下：首先对其进行传统小波变换，得到小波系数
Figure 737469DEST_PATH_IMAGE001
，其中a为尺度因子，b为平移因子；然后对尺度进行离散化处理得到时间-尺度离散化平面
Figure 731575DEST_PATH_IMAGE002
，
Figure 573629DEST_PATH_IMAGE003
，其中
Figure 31155DEST_PATH_IMAGE004
为离散化尺度因子，
Figure 907844DEST_PATH_IMAGE005
为信号长度，这里n取1024，
Figure 730307DEST_PATH_IMAGE006
，
Figure 59657DEST_PATH_IMAGE007
=64为自定义变量，
Figure 258557DEST_PATH_IMAGE008
为采样时间间隔，
Figure 989752DEST_PATH_IMAGE009
为离散采样点，通过对小波系数求导估算瞬时频率：
Figure 45433DEST_PATH_IMAGE010
取
Figure 799763DEST_PATH_IMAGE011
，
Figure 599091DEST_PATH_IMAGE012
，
Figure 187723DEST_PATH_IMAGE013
，令
Figure 679884DEST_PATH_IMAGE014
，
Figure 983827DEST_PATH_IMAGE015
利用压缩算法把时间-尺度平面转化成为时间-频率平面，并对能量进行重新排列;其中阈值设定为：
Figure 258950DEST_PATH_IMAGE016
其中median为中值函数，则在中心频率
Figure 964738DEST_PATH_IMAGE017
上同步挤压小波变换值
Figure 299904DEST_PATH_IMAGE018
为：
Figure 91143DEST_PATH_IMAGE019
其中
Figure 232274DEST_PATH_IMAGE020
；
传统小波变换对单一频率的谐波信号变换后得到的结果，在固定时间点位置沿着瞬时频率上下震荡，正是基于这一点，同步挤压小波变换对传统小波时频谱中的能量进行压缩后重排，实现时间-尺度平面到时间-频率平面的转换；物流传送设备轴承振动信号经同步挤压小波变换后的时频分析结果会更加清晰，在瞬时频率方向更加聚焦，得到的小波脊线也更细更明显。
所述的基于瞬时频率稳定度SWT物流设备振动信号降噪方法，步骤（4）中对谐波信号的提取可以自适应地完成，其具体步骤如下：首先估算谐波信号的中心频率
Figure 730252DEST_PATH_IMAGE021
，然后在该主频率的附近确定一个频率选取范围，
Figure 564216DEST_PATH_IMAGE022
通过对步骤（3）得到的同步挤压小波变量选择性合成实现谐波信号
Figure 577171DEST_PATH_IMAGE023
的重构，
Figure 459676DEST_PATH_IMAGE024
，其中
Figure 877407DEST_PATH_IMAGE025
为共轭小波函数的傅里叶变换，
Figure 819955DEST_PATH_IMAGE026
表示取实部；最终提取出中心频率为
Figure 320206DEST_PATH_IMAGE027
的IMF分量。
所述的基于瞬时频率稳定度SWT物流设备振动信号降噪方法，由于步骤（3）和步骤（4）的应用，使得步骤（4）得到的IMF分量具有窄带特征，因此可以利用Hilbert变换求解其所对应的瞬时频率曲线，
Figure 803140DEST_PATH_IMAGE028
,
Figure 275710DEST_PATH_IMAGE029
令
Figure 451476DEST_PATH_IMAGE030
其中
Figure 439024DEST_PATH_IMAGE031
，则求出
Figure 663332DEST_PATH_IMAGE032
的瞬时频率：
Figure 787146DEST_PATH_IMAGE033
由于得到的谐波信号属于平稳信号，瞬时频率相对稳定，因此可以利用四分位距来衡量瞬时频率曲线的稳定度，并以此作为真假IMT分量的判定条件；如果该值大于100，则说明瞬时频率曲线不稳定出现了波动情况，即可判定对应的IMT分量为噪声或虚假分量。
所述的基于瞬时频率稳定度SWT物流设备振动信号降噪方法，因在具体应用中无法确定信号经50层分解后是否能达到完备分解，如果仍采用瞬时频率四分位距法对残余分量进行判断的话，可能会因为分解不完全，残余分量中仍含有未分解的多个谐波分量，从而引起误判导致原有信号有效信息的损失；为此这里采用基于自相关函数峰度阈值法作为残余分量是否为噪声的判定条件，具体公式为
Figure 71497DEST_PATH_IMAGE034
式中N代表瞬时频率样本集合的个数，σ表示该数据集合的标准方差，
Figure 546340DEST_PATH_IMAGE035
瞬时频率样本的均值；噪声的自相关函数在零点处最大，其他点处几乎为零；相反一般信号的自相关函数虽在零点处最大，但在其余点处并不立即衰减为零，而是会有一个缓慢下降的过程，因此可以利用描述数据分布特征的峰度指标作为真假IMT分量的判定条件；如果该值大于10，则说明残余分量为噪声或虚假分量。
所述的基于瞬时频率稳定度SWT物流设备振动信号降噪方法，步骤（1）中振动信号的来源为物流传送设备轴承振动信号。
本发明的有益效果：
1.本发明的降噪方法，对振动信号的处理采用是同步挤压小波变换，而非传统小波变换；使得时频分析结果中得到的小波脊线能量更加集中，频谱更加清晰，合成得到的IMT分量更具窄带特性；这些优势更有利求解每一个IMT分量的瞬时频率曲线。
本发明的降噪方法，应用同步挤压小波变换而非EEMD方法实现含噪信号的分解，解决了EEMD分解算法因缺少严格的数学物理基础，使得其稳定性受到模态分量分解过程的影响，从而造成结果不准确的问题；同时也有效杜绝了模态混频效应，使所选分量中虚假频率成分更少。
本发明的降噪方法，提出一种利用IMT分量瞬时频率稳定度来判定IMT分量真假性的方法。算法首先对信号进行同步挤压小波变换分解，然后针对每一个IMT求解瞬时频率并计算其四分位距，最后利用阈值法判定是否为真实IMT分量。
本发明的降噪方法，利用噪声与普通谐波信号自相关函数分布特征不相同的特点，提出利用峰度值定量描述IMT分量的自相关函数分布特征，进而判定残余分量是否为噪声的方法；该方法能有效避免因同步挤压小波变换分解不完全，导致残余分量所含未分解的频率成分较多从而引起误判的问题。
附图说明：
附图1是本发明的基于瞬时频率稳定度SWT物流设备振动信号降噪方法流程图。
附图2是本发明的传送设备故障测试平台结构示意图。
附图3是本发明的一般信号时域波形和方差0.1随机信号的对比示意图。
附图4是本发明的随机噪声和一般信号的自相关函数形状对比示意图。
附图5是本发明的含频率为240和310谐波信号的传统小波变换时频图。
附图6是本发明的含频率为240和310谐波信号的同步小波挤压变换时频图。
附图7是本发明的第一个仿真实验信号分解后第一第二IMT分量的Hilbert频率曲线对比图。
附图8是本发明的第二个仿真实验信号降噪前小波变换时频图。
附图9是本发明的第二个仿真实验信号降噪后同步压缩小波时频图。
附图10是本发明的第二个仿真实验信号经EEMD分解后得到的EEMD第一个IMF时域波形图。
附图11是本发明的第二个仿真实验信号经EEMD分解后得到的EEMD第一个IMF频域波形的频率信息图。
附图12是本发明的第二个仿真实验信号经EEMD分解后得到的EEMD第二个IMF时域波形图。
附图13是本发明的第二个仿真实验信号经EEMD分解后得到的EEMD第二个IMF频域波形的频率信息图。
附图14是本发明的第二个仿真实验信号经EEMD分解后得到的EEMD第三个IMF时域波形图。
附图15是本发明的第二个仿真实验信号经EEMD分解后得到的EEMD第三个IMF频域波形的频率信息图。
附图16是本发明的第二个仿真实验信号经EEMD分解后得到的EEMD第四个IMF时域波形图。
附图17是本发明的第二个仿真实验信号经EEMD分解后得到的EEMD第四个IMF频域波形的频率信息图。
附图18是本发明的第二个仿真实验信号经SWT分解后得到的SWT第一个IMT时域波形图。
附图19是本发明的第二个仿真实验信号经SWT分解后得到的SWT第一个IMT频域波形的频率信息图。
附图20是本发明的第二个仿真实验信号经SWT分解后得到的SWT第二个IMT时域波形图。
附图21是本发明的第二个仿真实验信号经SWT分解后得到的SWT第二个IMT频域波形的频率信息图。
附图22是本发明的第二个仿真实验信号经SWT分解后得到的SWT第三个IMT时域波形图。
附图23是本发明的第二个仿真实验信号经SWT分解后得到的SWT第三个IMT频域波形的频率信息图。
附图24是本发明的第二个仿真实验信号经SWT分解后得到的SWT第四个IMT时域波形图。
附图25是本发明的第二个仿真实验信号经SWT分解后得到的SWT第四个IMT频域波形的频率信息图。
附图26是本发明的第二个仿真实验IMT分量的瞬时频率四分位距值大小对比图。
附图27是本发明的航空物流传送设备实测振动信号经同步挤压小波变换后IMT分量的瞬时频率四分位距值对比图。
附图28是本发明的航空物流传送设备实测振动信号不同IMT分量累加后的SNR值图。
附图29是本发明的航空物流传送设备实测振动信号经本发明降噪前后的信号时域对比图。
附图30是本发明的航空物流传送设备实测振动信号不同降噪方法对比结果。
图中：1 —传送物品；2 —传送带；3 —传输辊；4 —振动加速传感器；5 —轴承；6—上位机采集终端；7 —传输辊轴；8 —变速箱；9 —驱动电机。
具体实施方式：
实施例1：
一种基于瞬时频率稳定度SWT物流设备振动信号降噪方法，其组成包括：振动加速传感器，所述的振动加速传感器4连接在轴承5的外环上，所述的振动加速传感器通过导线连接于上位机采集终端6，所述的轴承安装在传输辊轴7上，所述的传输辊轴一端连接变速箱8，另一端连接传输辊3，所述的变速箱连接驱动电机9，所述的传输辊外包裹有传送带2，所述的传送带上放置有传送物品1；所述的同步挤压小波变换包括如下具体步骤：
通常情况下传统的时变信号都可以表示成多个谐波信号的叠加形式，即
信号
Figure 636656DEST_PATH_IMAGE036
可表示为：
Figure 818239DEST_PATH_IMAGE037
；其中，
Figure 73158DEST_PATH_IMAGE038
为第κ个谐波分量的瞬时振幅，
Figure 972981DEST_PATH_IMAGE039
为第κ个谐波分量的瞬时相位，
Figure 601408DEST_PATH_IMAGE040
为噪声或误差；κ为可分解分量的个数；
同步挤压小波变换是在小波变换的基础上，根据时间-尺度平面各元素绝
对值的大小，对平面中的能量进行重新分配，然后通过映射公式将时间-尺度平面转换为时间-频率平面，达到提高时间和空间分辨率的目的；
算法首先对待分析的信号
Figure 965394DEST_PATH_IMAGE041
进行连续小波变换（CWT），得到的小波系
数为
Figure 325968DEST_PATH_IMAGE042
，公式如下：
Figure 775404DEST_PATH_IMAGE043
式中：a为尺度因子，b为平移因子，
Figure 145205DEST_PATH_IMAGE044
为共轭小波函数，根据Plancherel定理，在频率域等价变换为：
Figure 98118DEST_PATH_IMAGE045
其中，
Figure 895172DEST_PATH_IMAGE046
代表频率，
Figure 566325DEST_PATH_IMAGE047
分别表示为
Figure 802135DEST_PATH_IMAGE048
的傅里叶变换；将尺度离散化处理后得到时间-尺度离散化平面：
Figure 812816DEST_PATH_IMAGE049
，
Figure 843089DEST_PATH_IMAGE050
其中
Figure 939221DEST_PATH_IMAGE051
为自定义变量，决定了尺度系数的个数；
Figure 704353DEST_PATH_IMAGE052
为采样时间间隔点，采样时间间隔为
Figure 631857DEST_PATH_IMAGE053
；L为最大尺度，其中
Figure 770715DEST_PATH_IMAGE054
的长度为
Figure 416460DEST_PATH_IMAGE055
；假设
Figure 728492DEST_PATH_IMAGE054
为通常意义上的单一谐波函数
Figure 713766DEST_PATH_IMAGE056
，则其傅里叶变换为：
Figure 85841DEST_PATH_IMAGE057
带入到连续小波变换公式中，其连续小波变换表示为：
Figure 218882DEST_PATH_IMAGE058
因
Figure 272289DEST_PATH_IMAGE059
主要集中在
Figure 174386DEST_PATH_IMAGE060
处，因此小波系数
Figure 655046DEST_PATH_IMAGE061
将会在尺度
Figure 9804DEST_PATH_IMAGE062
附近分布，信号经过传统小波变换后的能量会在瞬时频率处扩散，从而导致频谱信息在时频图上分布范围较宽且分辨率变低；这里通过对小波系数求导的方式估算瞬时频率，即：
Figure 932148DEST_PATH_IMAGE063
，同步挤压小波变换的基本思想，是参考瞬时频率
Figure 626435DEST_PATH_IMAGE064
，利用压缩算法把时间-尺度平面
Figure 340313DEST_PATH_IMAGE065
平面转化成时间-频率平面
Figure 447946DEST_PATH_IMAGE066
，并对能量进行重新排列；假设原信号
Figure 843155DEST_PATH_IMAGE067
的长度为
Figure 454265DEST_PATH_IMAGE068
，采样时间间隔为
Figure 542307DEST_PATH_IMAGE069
，令
Figure 871657DEST_PATH_IMAGE070
，取
Figure 132874DEST_PATH_IMAGE071
，
Figure 536174DEST_PATH_IMAGE072
，
Figure 857433DEST_PATH_IMAGE073
；
令
Figure 611763DEST_PATH_IMAGE074
，将原始信号所处的范围划分为不同的频率
区间，
Figure 411092DEST_PATH_IMAGE075
对小波变换的系数做同步挤压变换；其中阈值定义为：
Figure 999723DEST_PATH_IMAGE076
，则在中心频率
Figure 429568DEST_PATH_IMAGE077
上同步挤压小波变换值
Figure 467931DEST_PATH_IMAGE078
为：
Figure 70951DEST_PATH_IMAGE079
，其中
Figure 714421DEST_PATH_IMAGE080
；
同步挤压小波反变换为：
Figure 111905DEST_PATH_IMAGE081
Figure 840826DEST_PATH_IMAGE082
式中，
Figure 981958DEST_PATH_IMAGE083
为共轭小波函数的傅里叶变换；
Figure 542252DEST_PATH_IMAGE084
表示取实部；
Figure 48320DEST_PATH_IMAGE085
为离散尺度；
Figure 326854DEST_PATH_IMAGE086
为尺度个数；通过反变换可完全无损地重构原始信号
Figure 271677DEST_PATH_IMAGE054
。
实施例2：
根据实施例1所述的基于瞬时频率稳定度SWT物流设备振动信号降噪方法，所述的算法具体流程如附图1所示；算法首先对原始信号进行SWT分解得到不同内蕴模态分量；然后利用Hilbert 变换对其求解得到瞬时频率，随后根据对应的四分位距值的大小实现真假分量的判别，如果该值大于阈值则认定为噪声分量并将其剔除，最后将剩余的内蕴模态分量进行重构实现降噪目的；为了防止信号出现分解不完全的情况，对残余量的判断采用的是自相关函数峰度阈值法（一般信号和白噪声信号自相关函数不同如附图3，4），如果残余分量的自相关函数峰度值大于给定阈值则剔除，否则保留；由于该方法不要求噪声只出现在高频部分，因此可以保留有用的高频信号分量，同时也无需与受噪声污染的原信号进行相似性判断，避免了真假IMT分量的误判问题；经多次试验本文设定自相关峰度阈值为10，瞬时频率离散度的阈值为100。
实施例3：
根据实施例1所述的基于瞬时频率稳定度SWT物流设备振动信号降噪方法，所述的同步挤压小波变换与传统小波变换有所不同，此处结合附图5和附图6进行说明；
传统小波变换的结果会在瞬时频率附近出现发散现象，导致时频谱变得十分模糊；本文以信号
Figure 624160DEST_PATH_IMAGE087
为例进行传统小波变换和同步挤压小波变换并对其进行时频分析；其中算法参数设置为： Morlet为基本小波，
Figure 631955DEST_PATH_IMAGE088
=64，采样频率为1000，采样点数1000；实验结果如附图5，附图6所示；从附图5中我们发现，传统小波变换后得到的时频谱上的能量在瞬时频率两侧出现发散现象，小波脊线较模糊；附图6是同步挤压小波变换的时频分析结果，可以看出同步挤压小波变换得到的时频分析效果更加清晰，在瞬时频率方向更加聚焦，得到的小波脊线也更细更明显；通过连续小波变换公式可以看出，单一频率的谐波信号经传统小波变换后得到的结果在b点位置，沿着瞬时频率
Figure 69890DEST_PATH_IMAGE089
上下震荡(
Figure 552824DEST_PATH_IMAGE090
)，同步挤压小波变换正是基于这一点，对传统小波时频谱中的能量进行压缩后重排，实现时间-尺度平面到时间-频率平面的转换；最终的结果正如附图5和附图6所示，同步压缩小波变换的时频谱上能量更加集中，频率分辨率更高。
实施例4：
为了验证实施例2所述的基于瞬时频率稳定度SWT物流设备振动信号降噪方法，实验中首先利用仿真信号进行降噪性能的分析实验；其中仿真信号由频率为10幅值为1的正弦信号和标准差为2的高斯白噪声组成，采样频率为1000，采样点数为1000个；实验环境为i7-3.4G，内存4G，利用Matlab2010b进行实验；
为了定量地描述降噪性能这里采用信噪比作为衡量指标，其定义如下：
Figure 25393DEST_PATH_IMAGE091
其中
Figure 935581DEST_PATH_IMAGE092
，S是原始信号，N是原始信号长度，
Figure 923128DEST_PATH_IMAGE093
是降噪后的信号；该值越大说明降噪效果越好；
我们利用实施例2所述的基于瞬时频率稳定度的同步挤压小波变换物流传送设备轴承振动信号降噪方法对信号进行降噪处理，其中同步挤压小波变换的参数是Morlet小波，
Figure 209753DEST_PATH_IMAGE088
=64；为了提高变换效率，本文采用log为底的频率轴；信号进行两层分解得到两个IMT分量，对其进行Hilbert变换得到瞬时频率曲线，为了消除边界效应，我们剔除前后10个采样点，结果如图7所示；第一分量的频率曲线除少数离散点外基本趋于稳定，而二分量的频率曲线却完全发散；为了能定量地描述两个分量瞬时频率数值的离散程度，我们计算各自的四分位距值，其结果分别是2.1002，97.9821，而它们的平均值分别为61.2329，147.0644，为了防止同步挤压小波变换分解不彻底导致均值偏大的情况，因此我们没有采用平均值而只采用四分位距值作为度量频率曲线离散度的指标；根据预先设定的阈值我们只保留第一个分量进行合成；降噪前后的时频分析的结果如附图8，附图9所示；从附图8，附图9可以看出，实施例2所述的基于瞬时频率稳定度的同步挤压小波变换物流传送设备轴承振动信号降噪方法能有效地去除噪声还原出原始信号。
实施例5：
为了进一步验证实施例2所述的基于瞬时频率稳定度SWT物流设备振动信号降噪方法的优越性，第二组实验我们采用的是含有调幅和调频的多谐波信号，并同基于EEMD信号降噪算法进行性能对比；其中仿真信号的表达如下：
Figure 536829DEST_PATH_IMAGE094
混入的噪声为方差0.5的高斯白噪声。实验首先利用EEMD算法对含噪声的信号进行分解，其中加入辅助噪声的标准偏差为0.05，集成数目为5；前4个IMF的分解结果如附图10~附图17所示；不难发现从第二分量开始出现了严重的混频现象，并含有虚假频率成分；这一现象说明EEMD方法分解得到的IMF分量频带较宽，不具备窄带特征，进而验证EEMD算法也没能完全消除模式混叠效应，故对IMF分量进行Hilbert变换不具备严格的物理意义，导致时频图出现虚假频率；接下来对含噪声的信号进行同步挤压小波变换，参数设置同上，分解层数为7，前4个分解结果如附图18~附图25所示；从附图18~附图25中经SWT分解后得到IMT分量的频率信息可以看出，原始信号的三个有效谐波成分已经在前三个IMT分量中呈现出来，该实验结果表明同步挤压小波变换在分解精度、准确度上都优于EEMD算法，因此在此基础上进行信号的降噪处理其性能无疑比基于EEMD的降噪方法更优；
进一步对每一个IMT分量进行Hilbert变换并计算瞬时频率的四分位距值，结果如附图26所示；从附图中的曲线可以看出，经SWT分解得到的前6个IMT分量瞬时频率四分位距值都满足阈值条件；实验中为了便于比较，我们只选择前4个满足阈值条件的IMT分量进行信号合成，基于EEMD分解的降噪方法中也同样选择前4个IMF分量；计算两个方法的SNR指标分别为17.0784和5.0437，由此可见实施例2所述的基于瞬时频率稳定度的同步挤压小波变换物流传送设备轴承振动信号降噪方法要优于基于EEMD的降噪算法。
实施例6：
为考察实施例2所述的基于瞬时频率稳定度SWT物流设备振动信号降噪方法在航空物流传送设备应用中的有效性，利用航空物流传送设备故障测试平台收集振动信号，测试平台的结构如附图2所示；其中主要组成部分为：驱动电机、变速齿轮、传送轴承、皮带、模拟负载以及压电加速度振动传感器和采集终端等，其中传感器安装在传动轴承的外环部位；实验中轴承型号为N205EM (外径52mm，内径25mm，滚动体直径7.5mm，个数为12个),采样点为1024个，采样频率2kHZ,信号的方差为0.0103，实验中加入方差为0.02的高斯白噪声，采用实施例2所述的基于瞬时频率稳定度的同步挤压小波变换物流传送设备轴承振动信号降噪方法对含噪声的振动信号进行降噪处理，分解层数为10，其他参数设置同上；
附图28是对IMT分量逐级累加后得到的SNR曲线，结合附图27的结果不难发现，只有第4、8个IMT分量满足阈值条件，因此依据本发明的降噪方法，参与信号合成的IMT向量只需第4个分量，其得到的SNR结果为5.0740；图中随着IMT分量的依次累加，SNR值会随之下降，这也表明了其他IMT分量含有噪声成分，参与信号合成后会严重影响降噪性能；另一方面，随着SNR逐渐降低也可以侧面地说明IMT分量的瞬时频率四分位距值可以作为判断一个IMT分量真实性的依据；附图29为经本文降噪方法处理前后的时域分析对比结果，可以看出经降噪后的时域波形与原信号在形状上十分相似。
实施例7：
为了验证实施例2所述的基于瞬时频率稳定度SWT物流设备振动信号降噪方法的降噪性能优势，最后一组实验通过改变噪声强度，并同目前流行基于EEMD高频段阈值法(EEMDT)，EEMD互相关系数法(EEMDC)，小波硬阈值法降噪法(WAVEH)，小波软阈值降噪法(WAVES)，小波包降噪法(WAVEP)进行比较；数据与上组实验相同，参数设置同上；其中EEMD高频段阈值法采用的是对分解后的前4个IMF分量进行剔除，EEMD互相关阈值法，阈值设定为0.5，即与原信号相关系数大于0.5的IMF分量保留；小波硬软阈值法以及小波包法采用的阈值为：
Figure 883497DEST_PATH_IMAGE095
，其中δ为每层小波高频系数绝对值按照从小到大顺序排列后的中值除以0.6745;N 是每层小波高频系数长度值；分解层数为4，为了便于比较，所有的小波降噪法均采用Morlet小波，SWTT算法采用分解层数为50；实验结果如附图30所示；从附图30可以看出，SWTT算法在不同方差噪声影响下，降噪效果都优于其它流行方法，这是由于同步挤压小波变换分解能力强，精度高，所得到的IMT分量具有窄带特性所致，另外由于利用IMT分量瞬时频率稳定性度量法以及自相关函数峰度阈值法能准确地定位真实IMT分量，降低虚假IMT分量和噪声分量的误识率，因此大大提高了降噪性能。

Claims (6)

1.一种基于瞬时频率稳定度SWT物流设备振动信号降噪方法，其组成包括：振动加速传感器，所述的振动加速传感器连接在轴承的外环上，所述的振动加速传感器通过导线连接于上位机采集终端，所述的轴承安装在传输辊轴上，所述的传输辊轴一端连接变速箱，另一端连接传输辊，所述的变速箱连接驱动电机，所述的传输辊外包裹有传送带，所述的传送带上放置有传送物品；其特征在于：该方法包括以下步骤：
（1）利用安装在物流传动设备轴承外环部位上的振动加速传感器采集振动信号；
（2）对步骤（1）获取的传送设备轴承振动信号按时间序列间隔化分段处理，得到采样点数为1024的振动信号片段集合；
（3）对步骤（2）获取的振动片段信号，利用同步挤压小波变换对其进行时频分解，其中小波函数采用的是MORLET小波，频率分解上限为采样频率的一半，时间轴为1024采样点，得到同步挤压小波变量以及时频图信息；
（4）根据每一个小波脊线的主频率信息，对步骤（3）获取的同步挤压小波变量进行选择性提取，还原出含各种谐波信号主频信息的固有模态分量(IMT)集合，为能实现信号的完全分解，这里选取的分解层数为50；
（5）利用Hilbert变换计算步骤（4）得到的IMT分量的瞬时频率曲线，以四分位距值作为衡量瞬时频率曲线离散程度的指标，如果该IMT分量对应的四分位距值大于100，则认为该IMT为真实IMT分量；否则认定为虚假IMT分量或噪声分量，为了防止同步挤压小波变换分解信号出现不完备的情况，对残余分量的判断采用的是自相关函数峰度阈值的判定方法，如果残余分量的自相关函数峰度值小于10，则判定其为真实分量，否则为虚假分量；最后利用满足四分位距值指标的真实分量和满足自相关函数峰度阈值的残余真实分量进行信号重构，实现物流传送设备轴承振动信号的降噪目的。
2.根据权利要求1所述的基于瞬时频率稳定度SWT物流设备振动信号降噪方法，其特征在于，步骤（3）中对振动信号的处理采用的是同步挤压小波变换，而非传统的小波变换；它的实现方法如下：首先对其进行传统小波变换，得到小波系数
Figure 903356DEST_PATH_IMAGE001
，其中a为尺度因子，b为平移因子；然后对尺度进行离散化处理得到时间-尺度离散化平面
Figure 463650DEST_PATH_IMAGE002
，
Figure 235297DEST_PATH_IMAGE003
，其中
Figure 248252DEST_PATH_IMAGE004
为离散化尺度因子，
Figure 130758DEST_PATH_IMAGE005
为信号长度，这里n取1024，
Figure 545559DEST_PATH_IMAGE006
，
Figure 488107DEST_PATH_IMAGE007
=64为自定义变量，
Figure 979569DEST_PATH_IMAGE008
为采样时间间隔，
Figure 462503DEST_PATH_IMAGE009
为离散采样点，通过对小波系数求导估算瞬时频率：
Figure 935073DEST_PATH_IMAGE010
取
Figure 110839DEST_PATH_IMAGE011
，
Figure 36070DEST_PATH_IMAGE012
，
Figure 322695DEST_PATH_IMAGE013
，令
Figure 384192DEST_PATH_IMAGE014
，
Figure 730859DEST_PATH_IMAGE015
利用压缩算法把时间-尺度平面转化成为时间-频率平面，并对能量进行重新排列;其中阈值设定为：
Figure 143386DEST_PATH_IMAGE016
其中median为中值函数，则在中心频率
Figure 233702DEST_PATH_IMAGE017
上同步挤压小波变换值
Figure 415285DEST_PATH_IMAGE018
为：
Figure 667274DEST_PATH_IMAGE019
其中
Figure 629414DEST_PATH_IMAGE020
；
传统小波变换对单一频率的谐波信号变换后得到的结果，在固定时间点位置沿着瞬时频率上下震荡，正是基于这一点，同步挤压小波变换对传统小波时频谱中的能量进行压缩后重排，实现时间-尺度平面到时间-频率平面的转换；物流传送设备轴承振动信号经同步挤压小波变换后的时频分析结果会更加清晰，在瞬时频率方向更加聚焦，得到的小波脊线也更细更明显。
3.根据权利要求1所述的基于瞬时频率稳定度SWT物流设备振动信号降噪方法，其特征在于，步骤（4）中对谐波信号的提取可以自适应地完成，其具体步骤如下：首先估算谐波信号的中心频率
Figure 195525DEST_PATH_IMAGE021
，然后在该主频率的附近确定一个频率选取范围，
Figure 562440DEST_PATH_IMAGE022
通过对步骤（3）得到的同步挤压小波变量选择性合成实现谐波信号
Figure 923014DEST_PATH_IMAGE023
的重构，
Figure 372450DEST_PATH_IMAGE024
，其中
Figure 742251DEST_PATH_IMAGE025
为共轭小波函数的傅里叶变换，
Figure 695164DEST_PATH_IMAGE026
表示取实部；最终提取出中心频率为
Figure 492218DEST_PATH_IMAGE021
的IMT分量。
4.根据权利要求1所述的基于瞬时频率稳定度SWT物流设备振动信号降噪方法，其特征在于，由于步骤（3）和步骤（4）的应用，使得步骤（4）得到的IMT分量具有窄带特征，因此可以利用Hilbert变换求解其所对应的瞬时频率曲线，
Figure 163371DEST_PATH_IMAGE027
,
Figure 336864DEST_PATH_IMAGE028
令
Figure 409862DEST_PATH_IMAGE029
其中
Figure 377818DEST_PATH_IMAGE030
，则求出
Figure 536267DEST_PATH_IMAGE031
的瞬时频率：
Figure 310188DEST_PATH_IMAGE032
由于得到的谐波信号属于平稳信号，瞬时频率相对稳定，因此可以利用四分位距来衡量瞬时频率曲线的稳定度，并以此作为真假IMT分量的判定条件；如果该值大于100，则说明瞬时频率曲线不稳定出现了波动情况，即可判定对应的IMT分量为噪声或虚假分量。
5.根据权利要求1所述的基于瞬时频率稳定度SWT物流设备振动信号降噪方法，其特征在于，因在具体应用中无法确定信号经50层分解后是否能达到完备分解，如果仍采用瞬时频率四分位距法对残余分量进行判断的话，可能会因为分解不完全，残余分量中仍含有未分解的多个谐波分量，从而引起误判导致原有信号有效信息的损失；为此这里采用基于自相关函数峰度阈值法作为残余分量是否为噪声的判定条件，具体公式为
Figure 175375DEST_PATH_IMAGE033
式中N代表瞬时频率样本集合的个数，σ表示该数据集合的标准方差，
Figure 376550DEST_PATH_IMAGE034
瞬时频率样本的均值；噪声的自相关函数在零点处最大，其他点处几乎为零；相反一般信号的自相关函数虽在零点处最大，但在其余点处并不立即衰减为零，而是会有一个缓慢下降的过程，因此可以利用描述数据分布特征的峰度指标作为真假IMT分量的判定条件；如果该值大于10，则说明残余分量为噪声或虚假分量。
6.根据权利要求1所述的基于瞬时频率稳定度SWT物流设备振动信号降噪方法，其特征在于，步骤（1）中振动信号的来源为物流传送设备轴承振动信号。
CN201711217042.0A 2016-11-30 2017-11-28 基于瞬时频率稳定度swt物流设备振动信号降噪方法 Active CN108154081B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201611083051 2016-11-30
CN2016110830510 2016-11-30

Publications (2)

Publication Number Publication Date
CN108154081A CN108154081A (zh) 2018-06-12
CN108154081B true CN108154081B (zh) 2022-02-25

Family

ID=62469045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711217042.0A Active CN108154081B (zh) 2016-11-30 2017-11-28 基于瞬时频率稳定度swt物流设备振动信号降噪方法

Country Status (1)

Country Link
CN (1) CN108154081B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108760294B (zh) * 2018-06-13 2020-09-29 苏州大学 旋转机械设备自动诊断系统及方法
CN110610115A (zh) * 2018-06-14 2019-12-24 西门子（中国）有限公司 机械故障检测方法、装置及计算机可读存储介质
CN110196283A (zh) * 2019-05-27 2019-09-03 东南大学 一种基于瞬时频率的木结构损伤声发射无损检测方法
CN110244202B (zh) * 2019-06-21 2021-07-20 三峡大学 基于同步压缩小波变换域变压器局部放电去噪方法
CN110161123A (zh) * 2019-06-21 2019-08-23 南昌航空大学 一种新的基于磁致伸缩导波的缺陷检测方法
CN110953179A (zh) * 2020-02-26 2020-04-03 浙江上风高科专风实业有限公司 一种基于逆小波变换的风机状态监测方法及系统
CN112964355B (zh) * 2020-12-08 2023-04-25 国电南京自动化股份有限公司 基于样条调频小波-同步压缩算法的瞬时频率估计方法
CN113297987B (zh) * 2021-05-28 2022-07-05 东北林业大学 一种基于双目标函数优化的变分模态分解信号降噪方法
CN113947121A (zh) * 2021-10-19 2022-01-18 山东农业大学 基于模极大值降噪评估的小波基函数选择方法及系统
CN114814993B (zh) * 2022-03-25 2023-04-18 河海大学 一种基于dcgan和2d-cnn的微波衰减降雪强度监测方法
CN117040983B (zh) * 2023-09-28 2023-12-22 联通(江苏)产业互联网有限公司 基于大数据分析的数据共享方法及系统
CN117249996B (zh) * 2023-11-10 2024-02-13 太原理工大学 矿用刮板机齿轮箱轴承的故障诊断方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496153A (zh) * 2011-11-04 2012-06-13 西安电子科技大学 基于小波域中字典学习的sar图像相干斑抑制方法
CN102590716A (zh) * 2012-02-11 2012-07-18 广东电网公司电力科学研究院 一种基于小波分析的电力电缆局部放电信号去噪方法
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
CN104820786A (zh) * 2015-05-13 2015-08-05 西安交通大学 一种瞬时加权同步挤压小波双谱分析方法
CN105302773A (zh) * 2015-09-18 2016-02-03 河海大学 一种基于同步压缩分数阶的小波变换方法
CN105741305A (zh) * 2016-03-02 2016-07-06 深圳竹信科技有限公司 一种基于平稳小波变换滤除肌电干扰的方法和系统
CN105787655A (zh) * 2016-02-24 2016-07-20 西安工业大学 超高层结构模态参数识别方法模态参数识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496153A (zh) * 2011-11-04 2012-06-13 西安电子科技大学 基于小波域中字典学习的sar图像相干斑抑制方法
CN102590716A (zh) * 2012-02-11 2012-07-18 广东电网公司电力科学研究院 一种基于小波分析的电力电缆局部放电信号去噪方法
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
CN104820786A (zh) * 2015-05-13 2015-08-05 西安交通大学 一种瞬时加权同步挤压小波双谱分析方法
CN105302773A (zh) * 2015-09-18 2016-02-03 河海大学 一种基于同步压缩分数阶的小波变换方法
CN105787655A (zh) * 2016-02-24 2016-07-20 西安工业大学 超高层结构模态参数识别方法模态参数识别方法
CN105741305A (zh) * 2016-03-02 2016-07-06 深圳竹信科技有限公司 一种基于平稳小波变换滤除肌电干扰的方法和系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A New Spectral Representation of Earthquake Data: Hilbert Spectral Analysis of Station TCU129, Chi-Chi, Taiwan, 21 September 1999;Norden E. Huang等;《Bulletin of the Seismological Society of America》;20011031;第1310-1338页 *
Application of Synchrosqueezing Wavelet Transform In Detection of Harmonic and Interharmonic;YU Min等;《https://doi.org/10.2991/iwmecs-15.2015.42》;20151031;第228-232页 *
EMD在循环谱检测中的应用研究;高立龙等;《湖南农机》;20120115;第39卷(第01期);第39-40、115页 *
Synchrosqueezed wavelet transform for frequency and damping identification from noisy signal;Luis Montejo等;《SMART STRUCTURES AND SYSTEMS》;20120531;第9卷(第5期);第441-459页 *
同步压缩小波与希尔伯特-黄变换性能对比;熊炘等;《振动.测试与诊断》;20151215;第35卷(第06期);第1103-1109、1201-1202页 *
基于同步挤压小波变换的结构瞬时频率识别;刘景良等;《振动与冲击》;20130928;第32卷(第18期);第37-42、48页 *

Also Published As

Publication number Publication date
CN108154081A (zh) 2018-06-12

Similar Documents

Publication Publication Date Title
CN108154081B (zh) 基于瞬时频率稳定度swt物流设备振动信号降噪方法
CN108845250B (zh) 基于振动信号特征提取的有载分接开关故障识别方法
Meng et al. A hybrid fault diagnosis method using morphological filter–translation invariant wavelet and improved ensemble empirical mode decomposition
CN104458170B (zh) 机械装备监测振动信号的时频图处理方法及系统
CN109580787B (zh) 用于变压器高压套管引线超声检测的超声回波去噪方法
CN101259016A (zh) 实时自动检测癫痫特征波的方法
CN108489719A (zh) 一种基于g-p奇异谱分解的旋转机械复合故障诊断方法
CN106096579A (zh) 一种心电信号预处理的方法
CN112697887A (zh) 基于神经网络的超声检测缺陷定性识别方法
CN103163050A (zh) 一种基于电磁感应信号的润滑油系统金属磨粒检测方法
Li et al. Enhancement of oil debris sensor capability by reliable debris signature extraction via wavelet domain target and interference signal tracking
CN106533361A (zh) 一种基于小波分析的光伏组件故障诊断方法
KR20120033411A (ko) 이산 웨이블릿 변환을 이용한 운동 중 실시간 특정 점 검출 및 리듬 분석
CN112098093A (zh) 一种轴承故障特征识别方法及识别系统
CN113988125A (zh) 一种基于改进同步压缩变换的扭振信号瞬时频率提取方法
Elbuni et al. ECG parameter extraction algorithm using (DWTAE) algorithm
Yang et al. A new singular spectrum decomposition method based on cao algorithm and amplitude aware permutation entropy
Azami et al. Automatic signal segmentation using the fractal dimension and weighted moving average filter
Padovese et al. Time—frequency and time-scale analysis of Barkhausen noise signals
CN117316172A (zh) 一种机器人声发射信号的降噪方法及系统
Uchaipichat et al. Development of QRS detection using short-time fourier transform based technique
CN115376540A (zh) 一种基于变分模态分解的生物雷达语音增强方法及系统
CN111144230A (zh) 一种基于vmd的时域载荷信号的去噪方法
Nannan The application of an improved wavelet threshold function in de-noising of heart sound signal
CN115655719A (zh) 一种轴承振动信号分阶段降噪方法及轴承故障识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20190104

Address after: 150000 Xiangfang District and 26 Xinglu Road, Harbin City, Heilongjiang Province

Applicant after: Northeast Forestry University

Address before: 150040 26 Hing Hing Road, Xiangfang District, Harbin, Heilongjiang

Applicant before: Northeast Forestry University

Applicant before: State Grid Heilongjiang Electric Power Co., Ltd.

Applicant before: State Grid Corporation of China

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220228

Address after: 150040 No. 26 Hexing Road, Xiangfang District, Heilongjiang, Harbin

Patentee after: NORTHEAST FORESTRY University

Patentee after: STATE GRID HEILONGJIANG ELECTRIC POWER Co.,Ltd.

Patentee after: STATE GRID CORPORATION OF CHINA

Address before: 150000 Xiangfang District and 26 Xinglu Road, Harbin City, Heilongjiang Province

Patentee before: NORTHEAST FORESTRY University