CN108956141A - 基于模平方阈值—FastICA的滚动轴承降噪方法 - Google Patents
基于模平方阈值—FastICA的滚动轴承降噪方法 Download PDFInfo
- Publication number
- CN108956141A CN108956141A CN201810289904.9A CN201810289904A CN108956141A CN 108956141 A CN108956141 A CN 108956141A CN 201810289904 A CN201810289904 A CN 201810289904A CN 108956141 A CN108956141 A CN 108956141A
- Authority
- CN
- China
- Prior art keywords
- signal
- rolling bearing
- noise reduction
- fastica
- vibration signal
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于模平方阈值—FastICA的滚动轴承降噪方法,其步骤:采集设备采集滚动轴承的原始振动信号;将采集到的滚动轴承原始振动信号进行模平方阈值降噪,得到模平方阈值降噪后的信号;将模平方阈值降噪后的信号与原始振动信号组成输入矩阵,进行FastICA降噪,得到两个独立分量;判断两个独立分量的时域波形,选择包含较多故障信息的独立分量进行Hilbert包络和FFT,得到经模平方阈值—FastICA降噪后信号的时域波形图和频谱图;令模平方阈值—FastICA降噪后信号为yf,求原始信号与yf的峭度值,根据峭度值判断原始振动信号是否存在故障以及模平方阈值—FastICA的降噪效果,由降噪后信号的频谱图提取滚动轴承原始振动信号的特征频率成分,根据特征频率成分判断滚动轴承是否存在故障以及故障类型。
Description
技术领域
本发明涉及一种滚动轴承降噪方法,特别是关于一种在风力发电机组中应用 的基于模平方阈值—FastICA的滚动轴承降噪方法。
背景技术
滚动轴承作为旋转机械如齿轮箱、涡轮机械的核心部件之一,其健康状况极 大影响着机器的稳定性和寿命。受工作环境的影响,滚动轴承原始振动信号中常 常夹杂着噪声,轴承的故障信号容易被噪声信号所淹没,给滚动轴承的故障特征 提取带来了困难,所以有效的信号降噪方法可以显著提高滚动轴承故障诊断的准 确率。
发明内容
针对上述问题,本发明的目的是提供一种基于模平方阈值—FastICA的滚动轴 承降噪方法,其能有效降低滚动轴承原始振动信号所含干扰噪声,提高滚动轴承 的特征提取和故障诊断的准确率。
为实现上述目的,本发明采取以下技术方案:一种基于模平方阈值—FastICA 的滚动轴承降噪方法,其特征在于包括以下步骤:1)通过现有数据采集设备采集 滚动轴承的原始振动信号y1;2)将采集到的滚动轴承原始振动信号y1进行模平方 阈值降噪,得到模平方阈值降噪后的信号ym;3)将模平方阈值降噪后的信号ym与 原始振动信号y1组成输入矩阵Y=[y1;ym],进行FastICA降噪,得到两个独立分量 IC1和IC2;4)判断两个独立分量IC1和IC2的时域波形,选择包含较多故障信 息的独立分量进行Hilbert包络和FFT,得到经模平方阈值—FastICA降噪后信号 的时域波形图和频谱图;5)令模平方阈值—FastICA降噪后信号为yf,求原始信 号y1与yf的峭度值,根据峭度值判断原始振动信号y1是否存在故障以及模平方阈 值—FastICA的降噪效果,由降噪后信号的频谱图提取滚动轴承原始振动信号y1的 特征频率成分,根据特征频率成分判断滚动轴承是否存在故障以及故障类型。
进一步,所述步骤2)中,模平方阈值降噪具体步骤为:2.1)对原始振动信 号y1进行小波阈值降噪;2.2)提取小波分解后振动信号每层的细节系数cd1,cd2,cd3与最后一层的近似系数ca3,运用模平方小波阈值方法对每层的细节系数进行处 理。
进一步,所述步骤2.1)中,首先选择小波分解的分解层数为3层与小波基函 数db3,对滚动轴承原始振动信号采用小波分解函数wavedec进行分解。
进一步,所述步骤2.2)中,每层的细节系数处理步骤为:2.2.1)利用公式调整每一层的阈值,经公式调整后得到不同分 解尺度的阈值λ1,λ2,λ3;其中,λj为每一层的阈值;j为分解尺度,j=1,2,3;N为 采集到的滚动轴承振动信号的长度;cdj,k为第j层第k个细节系数;median()为返 回第一层细节系数的中值;2.2.2)利用得到的阈值对每一层的细节系数进行处理, 重复步骤2.2.1)~2.2.2)得到每一层的新的细节系数2.2.3)将新 的细节系数与最后一层的近似系数ca3组成新的小波分解结构,利用小 波重构函数waverec进行小波重构,重构后得到模平方阈值降噪后的信号ym。
进一步,所述步骤2.2.2)中,细节系数处理为:当细节系数cdj的绝对值小 于该层阈值λj时将其置0,当细节系数cdj的绝对值大于或等于该层阈值λj时则将 其代入公式得到第j层第k个新的细节系数 sign()为符号函数。
进一步,所述步骤3)中,基于负熵的FastICA降噪的具体步骤如下:3.1)对 输入矩阵Y进行中心化,使其均值为0;3.2)对中心化后的数据进行白化处理,得 到白化后的数据z;3.3)选择需要估计的独立成分的个数m,设迭代次数p←1; 3.4)随机选取一个具有单位范数的初始权矢量wp;3.5)迭代计算,即更新wp: 其中T为矩阵转置,E[·]为均值运算,g[·]为非线 性函数,取g(y)=tanh(a1y),其中y为随机变量,a1为常数;3.6)进行正交: 3.7)标准化wp:wp←wp/||wp||;3.8)假如wp尚未收 敛,则返回步骤3.5);3.9)使p←p+1,若p≤m,则返回步骤3.4),若p>m,则 结束;3.10)令W(:,n)=wp,则Z=W′*z,Z为模平方阈值降噪后的信号ym与原始 振动信号y1组成的输入矩阵Y经过FastICA处理后的结果;3.11)经过3次迭代后终 止,得到两个独立分量IC1和IC2。
进一步,所述步骤5)中,峭度值计算公式为:
其中,xi为信号值,为信号均值,σ为标准差,N为采集到的滚动轴承振动 信号的长度。
本发明由于采取以上技术方案,其具有以下优点:1、本发明采用模平方阈值 降噪方法对风力发电机组的故障振动信号进行降噪,有效地减少了噪声对故障信 息的干扰,克服了应用FastICA降噪时的欠定问题。2、本发明降噪后的滚动轴承 故障信号经FastICA进行盲源分离后,可以实现故障信息和噪声的分离,有效的 滤除噪声。3、本发明采用频谱分析可以凸显滚动轴承故障特征信息,有利于故障 特征的提取。提高故障诊断准确率。
附图说明
图1是本发明的整体流程示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,本发明提供一种基于模平方阈值—FastICA的滚动轴承降噪方 法,该方法用于滚动轴承特征提取和故障诊断。其包括以下步骤:
1)通过现有数据采集设备采集滚动轴承的原始振动信号y1。
2)将采集到的滚动轴承原始振动信号y1进行模平方阈值降噪。其具体步骤如 下:
2.1)对原始振动信号y1进行小波阈值降噪,首先选择小波分解的分解层数为 3层与小波基函数db3,对滚动轴承原始振动信号采用小波分解函数wavedec进行 分解。
2.2)提取小波分解后振动信号每层的细节系数cd1,cd2,cd3与最后一层的近似 系数ca3,运用模平方小波阈值方法对每层的细节系数进行处理,其具体步骤如下:
2.2.1)利用公式调整每一层的阈值,经 公式调整后得到不同分解尺度的阈值λ1,λ2,λ3;
其中,λj为每一层的阈值;j为分解尺度,j=1,2,3;N为采集到的滚动轴承振 动信号的长度;cdj,k为第j层第k个细节系数;median()为返回第一层细节系数的 中值。
2.2.2)利用得到的阈值对每一层的细节系数进行处理:当细节系数cdj的绝 对值小于该层阈值λj时将其置0,当细节系数cdj的绝对值大于或等于该层阈值λ 时则将其代入公式得到第j层第k个新的细节系数 sign()为符号函数;以此重复步骤2.2.1)~2.2.2)则可得到每一层的新的 细节系数
2.2.3)将步骤2.2.2)得到的新的细节系数与最后一层的近似系 数ca3组成新的小波分解结构,利用小波重构函数waverec进行小波重构,重构后 得到模平方阈值降噪后的信号ym。
3)将模平方阈值降噪后的信号ym与原始振动信号y1组成输入矩阵Y=[y1;ym], 进行基于负熵的FastICA降噪。基于负熵的FastICA降噪的具体步骤如下:
3.1)对输入矩阵Y进行中心化,使其均值为0;
3.2)对中心化后的数据进行白化处理得到,得到白化后的数据z;
3.3)选择需要估计的独立成分的个数m,设迭代次数p←1;
3.4)随机选取一个具有单位范数的初始权矢量wp;
3.5)迭代计算,即更新wp:其中T为矩阵 转置,E[·]为均值运算,g[·]为非线性函数,可取g(y)=tanh(a1y),其中y为随机变量, a1为常数,由于a1取在1≤a1≤2范围内比较合适,故本实施例中取a1=1;
3.6)进行正交:
3.7)标准化wp:wp←wp/||wp||;
3.8)假如wp尚未收敛,则返回步骤3.5);
3.9)使p←p+1,若p≤m,则返回步骤3.4),若p>m,则结束。
3.10)令W(:,n)=wp,则Z=W′*z,Z为模平方阈值降噪后的信号ym与原始振 动信号y1组成的输入矩阵Y经过FastICA处理后的结果。W′为W的转置。
3.11)经过3次迭代后终止,得到两个独立分量IC1和IC2,即为分析所得的 频率成分。
4)判断两个独立分量IC1和IC2的时域波形,选择包含较多故障信息的独立 分量进行Hilbert包络和FFT(快速傅里叶变换),得到经模平方阈值—FastICA 降噪后信号的时域波形图和频谱图。
5)令模平方阈值—FastICA降噪后信号为yf,求原始信号y1与yf的峭度值, 根据峭度值判断滚动轴承原始振动信号y1是否存在故障以及模平方阈值— FastICA的降噪效果,由降噪后信号的频谱图提取滚动轴承原始振动信号y1的特征 频率成分,根据特征频率成分判断滚动轴承是否存在故障以及故障类型。
其中,峭度值计算公式为:
其中,xi为信号值,为信号均值,σ为标准差,N为采集到的滚动轴承振动 信号的长度。轴承正常运转时,振动信号的峭度值约为3,当轴承故障开始出现时, 峭度值增大,峭度值越大说明含有的故障信息越多,故障越严重,故障诊断的效 率越高。
上述各实施例仅用于说明本发明,各部件的结构、尺寸、设置位置及形状都 是可以有所变化的,在本发明技术方案的基础上,凡根据本发明原理对个别部件 进行的改进和等同变换,均不应排除在本发明的保护范围之外。
Claims (7)
1.一种基于模平方阈值—FastICA的滚动轴承降噪方法,其特征在于包括以下步骤:
1)通过现有数据采集设备采集滚动轴承的原始振动信号y1;
2)将采集到的滚动轴承原始振动信号y1进行模平方阈值降噪,得到模平方阈值降噪后的信号ym;
3)将模平方阈值降噪后的信号ym与原始振动信号y1组成输入矩阵Y=[y1;ym],进行FastICA降噪,得到两个独立分量IC1和IC2;
4)判断两个独立分量IC1和IC2的时域波形,选择包含较多故障信息的独立分量进行Hilbert包络和FFT,得到经模平方阈值—FastICA降噪后信号的时域波形图和频谱图;
5)令模平方阈值—FastICA降噪后信号为yf,求原始信号y1与yf的峭度值,根据峭度值判断原始振动信号y1是否存在故障以及模平方阈值—FastICA的降噪效果,由降噪后信号的频谱图提取滚动轴承原始振动信号y1的特征频率成分,根据特征频率成分判断滚动轴承是否存在故障以及故障类型。
2.如权利要求1所述滚动轴承降噪方法,其特征在于:所述步骤2)中,模平方阈值降噪具体步骤为:
2.1)对原始振动信号y1进行小波阈值降噪;
2.2)提取小波分解后振动信号每层的细节系数cd1,cd2,cd3与最后一层的近似系数ca3,运用模平方小波阈值方法对每层的细节系数进行处理。
3.如权利要求2所述滚动轴承降噪方法,其特征在于:所述步骤2.1)中,首先选择小波分解的分解层数为3层与小波基函数db3,对滚动轴承原始振动信号采用小波分解函数wavedec进行分解。
4.如权利要求2所述滚动轴承降噪方法,其特征在于:所述步骤2.2)中,每层的细节系数处理步骤为:
2.2.1)利用公式调整每一层的阈值,经公式调整后得到不同分解尺度的阈值λ1,λ2,λ3;
其中,λj为每一层的阈值;j为分解尺度,j=1,2,3;N为采集到的滚动轴承振动信号的长度;cdj,k为第j层第k个细节系数;median()为返回第一层细节系数的中值;
2.2.2)利用得到的阈值对每一层的细节系数进行处理,重复步骤2.2.1)~2.2.2)得到每一层的新的细节系数
2.2.3)将新的细节系数与最后一层的近似系数ca3组成新的小波分解结构,利用小波重构函数waverec进行小波重构,重构后得到模平方阈值降噪后的信号ym。
5.如权利要求4所述滚动轴承降噪方法,其特征在于:所述步骤2.2.2)中,细节系数处理为:当细节系数cdj的绝对值小于该层阈值λj时将其置0,当细节系数cdj的绝对值大于或等于该层阈值λj时则将其代入公式得到第j层第k个新的细节系数sign()为符号函数。
6.如权利要求1-5任一项所述滚动轴承降噪方法,其特征在于:所述步骤3)中,基于负熵的FastICA降噪的具体步骤如下:
3.1)对输入矩阵Y进行中心化,使其均值为0;
3.2)对中心化后的数据进行白化处理,得到白化后的数据z;
3.3)选择需要估计的独立成分的个数m,设迭代次数p←1;
3.4)随机选取一个具有单位范数的初始权矢量wp;
3.5)迭代计算,即更新wp:其中T为矩阵转置,E[·]为均值运算,g[·]为非线性函数,取g(y)=tanh(a1y),其中y为随机变量,a1为常数;
3.6)进行正交:
3.7)标准化wp:wp←wp/||wp||;
3.8)假如wp尚未收敛,则返回步骤3.5);
3.9)使p←p+1,若p≤m,则返回步骤3.4),若p>m,则结束;
3.10)令W(:,n)=wp,则Z=W′*z,Z为模平方阈值降噪后的信号ym与原始振动信号y1组成的输入矩阵Y经过FastICA处理后的结果;
3.11)经过3次迭代后终止,得到两个独立分量IC1和IC2。
7.如权利要求1-5任一项所述滚动轴承降噪方法,其特征在于:所述步骤5)中,峭度值计算公式为:
其中,xi为信号值,为信号均值,σ为标准差,N为采集到的滚动轴承振动信号的长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810289904.9A CN108956141A (zh) | 2018-04-03 | 2018-04-03 | 基于模平方阈值—FastICA的滚动轴承降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810289904.9A CN108956141A (zh) | 2018-04-03 | 2018-04-03 | 基于模平方阈值—FastICA的滚动轴承降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108956141A true CN108956141A (zh) | 2018-12-07 |
Family
ID=64498624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810289904.9A Pending CN108956141A (zh) | 2018-04-03 | 2018-04-03 | 基于模平方阈值—FastICA的滚动轴承降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108956141A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112082793A (zh) * | 2020-08-31 | 2020-12-15 | 洛阳师范学院 | 一种基于SCA和FastICA的旋转机械耦合故障诊断方法 |
CN112179475A (zh) * | 2020-08-20 | 2021-01-05 | 电子科技大学 | 一种多源混叠的分布式光纤振动传感信号的分离方法 |
CN112595514A (zh) * | 2020-11-26 | 2021-04-02 | 上海航天控制技术研究所 | 一种高速轴承组件振动信号降噪处理方法 |
CN115017933A (zh) * | 2022-03-11 | 2022-09-06 | 吉林大学 | 基于类周期性小波系数恢复的核磁信号尖峰噪声抑制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025446A (zh) * | 2017-04-12 | 2017-08-08 | 北京信息科技大学 | 一种振动信号联合降噪方法 |
CN107727399A (zh) * | 2017-10-27 | 2018-02-23 | 中国人民解放军海军工程大学 | 基于双树复小波包流形域降噪的滚动轴承故障诊断方法 |
-
2018
- 2018-04-03 CN CN201810289904.9A patent/CN108956141A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025446A (zh) * | 2017-04-12 | 2017-08-08 | 北京信息科技大学 | 一种振动信号联合降噪方法 |
CN107727399A (zh) * | 2017-10-27 | 2018-02-23 | 中国人民解放军海军工程大学 | 基于双树复小波包流形域降噪的滚动轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
吴雅朋等: "基于小波分析的FastICA联合降噪方法在滚动轴承故障诊断中的应用研究", 《中国机械工程》 * |
李杰等: "模平方小波阈值在MEMS 陀螺信号降噪中的应用", 《中国惯性技术学报》 * |
胥永刚等: "双树复小波包和ICA用于滚动轴承复合故障诊断", 《振动、测试与诊断》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112179475A (zh) * | 2020-08-20 | 2021-01-05 | 电子科技大学 | 一种多源混叠的分布式光纤振动传感信号的分离方法 |
CN112179475B (zh) * | 2020-08-20 | 2021-09-07 | 电子科技大学 | 一种多源混叠的分布式光纤振动传感信号的分离方法 |
CN112082793A (zh) * | 2020-08-31 | 2020-12-15 | 洛阳师范学院 | 一种基于SCA和FastICA的旋转机械耦合故障诊断方法 |
CN112595514A (zh) * | 2020-11-26 | 2021-04-02 | 上海航天控制技术研究所 | 一种高速轴承组件振动信号降噪处理方法 |
CN115017933A (zh) * | 2022-03-11 | 2022-09-06 | 吉林大学 | 基于类周期性小波系数恢复的核磁信号尖峰噪声抑制方法 |
CN115017933B (zh) * | 2022-03-11 | 2024-04-05 | 吉林大学 | 基于类周期性小波系数恢复的核磁信号尖峰噪声抑制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108956141A (zh) | 基于模平方阈值—FastICA的滚动轴承降噪方法 | |
CN107192553B (zh) | 基于盲源分离的齿轮箱复合故障诊断方法 | |
CN108444709B (zh) | VMD与FastICA相结合的滚动轴承故障诊断方法 | |
CN111094927A (zh) | 轴承故障诊断方法及装置、可读存储介质及电子设备 | |
CN104375973B (zh) | 一种基于集合经验模态分解的盲源信号去噪方法 | |
CN110146291A (zh) | 一种基于CEEMD和FastICA的滚动轴承故障特征提取方法 | |
CN107516065B (zh) | 经验模态分解结合字典学习的复杂信号去噪方法 | |
CN107395157B (zh) | 基于小波变换和加权移动平均的接地网电位差滤波方法 | |
CN108229382A (zh) | 振动信号特征提取方法、装置、存储介质和计算机设备 | |
CN104777442A (zh) | 一种核磁共振测深fid信号噪声抑制方法 | |
CN103559888A (zh) | 基于非负低秩和稀疏矩阵分解原理的语音增强方法 | |
CN105043767B (zh) | 一种滚动球轴承外圈剥落故障双冲击特征提取方法及系统 | |
CN110909480B (zh) | 一种水轮机振动信号的去噪方法与装置 | |
CN110151175A (zh) | 基于ceemd与改进小波阈值的表面肌电信号消噪方法 | |
CN104133248B (zh) | 一种高保真声波干扰压制方法 | |
CN107025446A (zh) | 一种振动信号联合降噪方法 | |
CN114492538A (zh) | 一种城市中压配电电缆局部放电信号去噪方法 | |
CN112082793A (zh) | 一种基于SCA和FastICA的旋转机械耦合故障诊断方法 | |
CN104732498A (zh) | 一种基于非下采样Contourlet变换的阈值化图像去噪方法 | |
Renguifen et al. | An improved EMD adaptive denoising and feature extraction algorithm | |
CN107941511A (zh) | 一种基于信号时频分解的频率—峭度图的实现方法 | |
CN112287835B (zh) | 一种基于ewt-se及小波阈值的叶片声信号降噪方法 | |
CN112285793B (zh) | 一种大地电磁去噪方法及系统 | |
CN106125148B (zh) | 一种针对有源周期电磁信号的降噪方法及装置 | |
CN112817056B (zh) | 一种大地电磁信号去噪方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181207 |