CN110619265A - 球磨机筒体振动信号联合去噪方法、装置及存储介质 - Google Patents

Abstract

本发明实施方式提供一种球磨机筒体振动信号联合去噪方法、装置及存储介质，属于信号处理技术领域。方法包括：获取球磨机筒体的振动信号并分解为多个本征模态分量；依据连续均方误差准则将多个本征模态分量划分为高频本征模态分量及低频本征模态分量；依据小波阈值去噪法对高频本征模态分量进行去噪处理；将去噪处理后的高频本征模态分量与低频本征模态分量进行重构，得到去噪后的振动信号。本发明在去噪过程中仅仅对含噪声多的高频本征模态分量进行去噪而不针对整个信号，有效解决了小波阈值去噪方法处理非线性信号存在不足的同时避免了CEEMDAN算法会丢失有效信息的缺陷，在达到剔除噪声目的的同时较好地保留了振动信号中的有用特征。

Description

球磨机筒体振动信号联合去噪方法、装置及存储介质

技术领域

本发明涉及信号处理技术领域，具体地涉及一种球磨机筒体振动信号联合去噪方法、一种球磨机筒体振动信号联合去噪装置及一种计算机可读存储介质。

背景技术

球磨机作为矿冶领域内常用的工艺设备，它通过自身旋转带动钢球冲击、磨削来完成磨矿作业任务。磨矿作业中影响磨矿效率的主要因素是球磨机负荷状态，但是磨矿过程具有综合复杂性，导致球磨机负荷状态准确、有效识别历来都是磨矿工艺中难以攻克的问题。由于球磨机筒体振动信号特征参数中蕴含丰富的负荷信息，因而通常被选择作为负荷特征提取的对象。球磨机筒体振动信号在采集与传输过程中总会受到噪声的污染，其噪声有的来源于磨矿系统外部，有的来源于磨矿系统内部，给球磨机负荷特征提取与负荷识别造成一定的影响。因此，为了后续更好地提取特征，有必要对采集到的球磨机筒体振动信号进行去噪预处理。

磨矿过程中筒体产生的振动信号具有非线性、非平稳性特点，目前常用的小波阈值去噪方法在处理非线性信号过程中存在一定的局限性；以及对非线性、非平稳性信号分析具有优势的CEEMDAN算法在去噪的过程中存在舍弃分量的缺陷，所以单独采用小波阈值去噪方法或CEEMDAN算法对球磨机筒体振动信号进行去噪处理，都会存在丢失振动信号中有用信息的问题，影响球磨机的负荷识别结果。

发明内容

本发明实施方式的目的是提供一种球磨机筒体振动信号联合去噪方法、装置及存储介质，以解决现有去噪方法对球磨机筒体产生的非线性、非平稳的振动信号去噪过程中存在局限性及丢失有用信息的问题。

为了实现上述目的，在本发明第一方面，提供一种球磨机筒体振动信号联合去噪方法，所述方法包括：

获取所述球磨机筒体的振动信号；

将所述振动信号分解为多个本征模态分量；

依据连续均方误差准则将多个所述本征模态分量划分为高频本征模态分量及低频本征模态分量两类；

依据小波阈值去噪法对所述高频本征模态分量进行去噪处理；

将去噪处理后的高频本征模态分量与所述低频本征模态分量进行重构，得到去噪后的振动信号。

可选地，所述本征模态分量通过CEEMDAN算法分解得到。

可选地，所述振动信号的长度至少为所述球磨机筒体旋转1个周期采集到的信号长度。

可选地，所述振动信号的采集区域为所述球磨机筒体内钢球与物料抛落的区域。

可选地，所述连续均方误差准则包括：

依次计算两个连续重构信号之间的均方误差，得到各所述本征模态分量的能量密度，以得到的能量密度的全局最小值对应的本征模态分量为分界点，将所有的所述本征模态分量划分为所述高频本征模态分量和所述低频本征模态分量。

可选地，所述小波阈值去噪法包括：

依据预设的小波函数对所述高频本征模态分量进行小波分解，得到相应的小波系数；

设置小波阈值；

依据预设的阈值函数对所述小波系数进行阈值量化处理；

将阈值量化处理后的小波系数与所述小波阈值进行比较，将小于等于所述小波阈值的阈值量化处理后的小波系数确定为由噪声产生且其去除；将大于所述小波阈值的阈值量化处理后的小波系数进行重构，得到去噪处理后的高频本征模态分量。

可选地，所述将所述振动信号分解为n个本征模态分量包括：

S1)将所述振动信号作为输入信号；

S2)向所述输入信号中添加自适应高斯白噪声，得到复合信号；

S3)通过所述CEEMDAN算法对所述复合信号进行分解，得到第一本征模态分量及第一余量信号，判断所述第一余量信号的极值点数是否少于两个，若是，结束分解，转至S4；否则，将所述第一余量信号作为所述输入信号，转至S2；

S4)将得到的所有第一本征模态分量进行加总平均，得到所述本征模态分量；

S5)将得到的所有本征模态分量从所述振动信号中去除，得到余量信号，判断所述余量信号的极值点数是否少于两个，若是，结束分解；否则，将所述余量信号作为所述输入信号，转至S2)。

可选地，所述获取所述球磨机筒体的振动信号之后还包括：

分别对所述振动信号的两端进行剪裁，去除所述振动信号两端的不稳定信号。

在本发明第二方面，提供一种球磨机筒体振动信号联合去噪装置，所述装置包括存储器和处理器，所述存储器存储指令，所述指令被所述处理器执行时实现如上述的球磨机筒体振动信号联合去噪方法。

在本发明第三方面，提供一种计算机可读存储介质，所述可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行上述的球磨机筒体振动信号联合去噪方法。

本发明上述技术方案通过将具有非线性、非平稳性特点的筒体振动信号分解成一系列具有平稳特性的本征模态分量，采用连续均方误差准则确定含噪声较多的高频本征模态分量，并通过小波阈值去噪方法对含噪声较多的高频本征模态分量进行去噪处理，将去噪后的高频本征模态分量和没去噪的低频本征模态分量进行重构，从而得到去噪后的筒体振动信号。本发明在去噪的过程中，仅仅对含噪声多的高频本征模态分量进行去噪处理而不是针对整个信号，有效解决了小波阈值去噪方法处理非线性信号过程中存在不足的同时，还避免了CEEMDAN算法舍弃分量会丢失有效信息的缺陷，因此，本发明在达到剔除噪声目的的同时，还能够较好地保留球磨机筒体振动信号中的有用特征。

本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：

图1是本发明一种实施方式提供的一种球磨机筒体振动信号联合去噪方法流程图；

图2是本发明一种实施方式提供的仿真信号波形图；

图3是本发明一种实施方式提供的通过小波阈值去噪方法对仿真信号去噪后的波形图；

图4是本发明一种实施方式提供的通过CEEMDAN去噪方法对仿真信号去噪后的波形图；

图5是本发明一种实施方式提供的通过CEEMDAN-小波阈值联合去噪方法对仿真信号去噪后的波形图；

图6是本发明一种实施方式提供的不同小波基函数下VSNR和VRM的变化趋势图；

图7是本发明一种实施方式提供的球磨机在欠负荷状态下对振动信号去噪后的SNR和RMSE变化示意图；

图8是本发明一种实施方式提供的球磨机在正常负荷状态下对振动信号去噪后的SNR和RMSE变化示意图；

图9是本发明一种实施方式提供的球磨机在过负荷状态下对振动信号去噪后的SNR和RMSE变化示意图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

在本发明实施方式中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

如图1所示，本发明的实施方式提供一种球磨机筒体振动信号联合去噪方法，方法包括：

获取球磨机筒体的振动信号；

将振动信号分解为多个本征模态分量；

依据连续均方误差准则将多个本征模态分量划分为高频本征模态分量及低频本征模态分量两类；

依据小波阈值去噪法对高频本征模态分量进行去噪处理；

将去噪处理后的高频本征模态分量与低频本征模态分量进行重构，得到去噪后的振动信号。

如此，本发明的实施方式通过将具有非线性、非平稳性特点的筒体振动信号分解成一系列具有平稳特性的本征模态分量，采用连续均方误差准则确定含噪声较多的高频本征模态分量，并通过小波阈值去噪方法对含噪声较多的高频本征模态分量进行去噪处理，将去噪后的高频本征模态分量和没去噪的低频本征模态分量进行重构，从而得到去噪后的筒体振动信号。本发明在去噪的过程中，仅仅对含噪声多的高频本征模态分量进行去噪处理而不是针对整个信号，有效解决了小波阈值去噪方法处理非线性信号过程中存在不足的同时，还避免了CEEMDAN算法舍弃分量会丢失有效信息的缺陷，因此，本发明在达到剔除噪声目的的同时，还能够较好地保留球磨机筒体振动信号中的有用特征。

具体的，通过振动加速度传感器采集球磨机筒体的振动信号，由于采集到的球磨机筒体振动信号具有非线性、非平稳性的特点，同时往往会受到噪声的影响，对振动信号的特征提取造成了一定影响，从而影响识别精度，因此，为了后续更好地提取特征，需对振动信号进行去噪处理。将采集到的振动信号分解为多个本征模态分量(IMF分量)，并依据连续均方误差准则将多个本征模态分量划分为高频本征模态分量及低频本征模态分量两类的，其中，高频本征模态分量为含噪声较多的分量，低频本征模态分量为含噪声较少的分量。依据小波阈值去噪法对分离得到的所有高频本征模态分量进行去噪处理，而不对低频本征模态分量进行处理，从而达到剔除噪声的同时还很好的保留信号中的有效特征信息的目的。最后，将去噪处理后的高频本征模态分量与未进行处理的低频本征模态分量进行重构，得到去噪后的振动信号，使得去噪后的振动信号能更好的保留特征信息，便于后续更好地提取有效的特征信息。

进一步的，在本实施方式中，本征模态分量通过CEEMDAN算法分解得到。通过CEEMDAN算法可有效地解决传统的EMD分解过程中的模态混叠问题，同常用的EEMD方法相比，更加适合具有非线性特点的球磨机筒体振动信号的分析，有效的减少了迭代次数，增加了重构精度。

振动信号的长度至少为球磨机筒体旋转1个周期采集到的信号长度，在本实施方式中，振动信号的长度优选为球磨机筒体旋转8个周期的信号长度，如此，至少采集球磨机筒体旋转1个完整周期的振动信号，能有效的保证振动信号中球磨机负荷特征信息的完整性，便于后续提取更完整有效的特征信息。

进一步的，振动信号的采集区域为球磨机筒体内钢球与物料抛落的区域，在本实施方式中，球磨机筒体振动信号采集的区域为球磨机筒体周向325°的范围内，振动信号在球磨机筒体上的采集范围也可根据实际情况进行调整，只要满足采集区域为球磨机筒体内钢球与物料抛落的区域即可。由于球磨机在磨矿过程中筒体内的物料和钢球会随着筒体的旋转而产生抛落运动，筒体不同区域产生的振动信号强度不同，其中抛落区产生的振动信号强度最大，因此，采集球磨机筒体内钢球与物料抛落的区域的振动信号能有效提高振动信号中球磨机负荷特征信息的完备性。

在本发明的一种可选实施方式中，获取球磨机筒体的振动信号之后还包括：分别对振动信号的两端进行剪裁，去除振动信号两端的不稳定信号。具体的，分别去除采集到的振动信号第一分钟及最后一分钟的信号。由于磨矿第一分钟筒体内的钢球和物料由静止状态逐渐转变为循环抛落状态，磨矿最后一分钟筒体内的钢球和物料由循环抛落状态逐渐转变为静止状态，故这两个阶段产生的振动信号会存在一定的偶然具有不稳定性，不能够准确的反映球磨机负荷特征信息，所以需要进行不稳定信号的去除，如此，能有效保证后续处理分析的振动信号都是处于球磨机稳定运行过程中产生的信号，减少其它偶然性的干扰。

进一步的，将振动信号分解为多个本征模态分量包括：

S1)将振动信号作为输入信号；

S2)向输入信号中添加自适应高斯白噪声，得到复合信号；

S3)通过CEEMDAN算法对复合信号进行分解，得到第一本征模态分量及第一余量信号，判断第一余量信号的极值点数是否少于两个，若是，结束分解，转至S4)，否则，将第一余量信号作为输入信号，转至S2；

S4)将得到的所有第一本征模态分量进行加总平均，得到本征模态分量；

S5)将得到的所有本征模态分量从振动信号中去除，得到余量信号，判断余量信号的极值点数是否少于两个，若是，结束分解，否则，将余量信号作为输入信号，转至S2)。

具体的，令操作符E_K(·)为通过EMD方法所产生的第k个模态分量，IMF_k(t)为CEEMDAN算法所产生的第k个模态分量，振动信号为x(t)，vⁱ为添加的自适应高斯白噪声，ε为高斯白噪声的自适应标准差，ε⁰表示其中一个标准差，则添加白噪声后的复合信号为x(t)+ε⁰vⁱ(t)。

通过CEEMDAN算法对复合信号x(t)+ε⁰vⁱ(t)进行I次实验，获取第1个本征模态分量具体过程如下：

采用EMD方法对复合信号x(t)+ε⁰vⁱ(t)进行分解，信号经第1次分解后会得到第一本征模态分量IMF₁和第一余量信号r₁，判断第一余量信号r₁的极值点数是否小于2，若小于，结束分解，若大于，则向第一余量信号r₁添加自适应高斯白噪声，重复上述过程，进行i次实验(i＝1,…,I)，每次实验中，对第一余量信号r_i(t)＝ε₁E₁(vⁱ(t))进行分解，直至r_i(t)＝ε₁E₁(vⁱ(t))的极值点数少于2个，结束分解，将得到的所有第一本征模态分量进行加总平均运算得到第1个本征模态分量其中，r_i(t)＝ε₁E₁(vⁱ(t))表示的是第1阶段分解过程中进行第i次实验(添加i次高斯白噪声信号)后信号经分解得到的第一余量信号，E_K为第K次分解的操作符。

在第1阶段(k＝1)，计算第1个唯一的余量信号，即

在第2阶段，计算第2个本征模态分量，即

其中，E₁(r₁(t))+ε₁E₁(vⁱ(t))表示对第1次分解得到的余量信号r₁进行CEEMDAN分解。

对其余各个阶段，即k＝2,…,K，与上述第2阶段的计算过程一致，首先计算第k个余量信号，再计算第k+1个本征模态分量，则有

重复上述步骤，直至所获得的余量信号不能进行分解时(余量信号的极值点个数少于2个)，算法结束停止分解；此时，所有本征模态分量的数量为k，原始振动信号序列x(t)被分解为其中，R(t)为无法继续分解的余量信号。如此，CEEMDAN算法通过在每个阶段添加有限次的自适应白噪声，能实现在较少的平均次数下，其重构误差几乎为0，可以克服EMD所存在的模态混叠现象，同时解决了EEMD分解的不完整性以及依靠增大集成次数来降低重构误差而导致的计算效率低的问题。

进一步的，连续均方误差准则包括：

依次计算两个连续重构信号之间的均方误差，得到各所述本征模态分量的能量密度，以得到的能量密度的全局最小值对应的本征模态分量为分界点，将所有的所述本征模态分量划分为所述高频本征模态分量和所述低频本征模态分量。

具体的，由于信号x(t)经CEEMDAN分解后得到的本征模态分量满足由高频到低频的分布规律，大多数情况下，噪声主要集中在高频部分，而低频主要包含有效信号的特征，即分解后的本征模态分量中的噪声能量是逐渐降低的，因此必定存在某个分量IMF_k，使得本征模态分量中的有效信号能量超过噪声能量，从而将分解后的各本征模态分量划分为高频段和低频段的集合。定义重构信号x_k(t)为：

式中IMF_j(t)为信号x(t)经CEEMDAN分解所得的第j个IMF分量。

该准则的目的是计算两个连续重构信号(x_k，x_k+1)之间的均方误差，即IMF分量的能量密度，通过找到全局最小的IMF分量能量密度来确定高频IMF分量和低频IMF分量的分界点。其中，连续均方误差的计算公式为其中，σ_CMSE为连续均方误差，N为信号x(t)的长度，IMF_k为经CEEMDAN分解后的第k个IMF分量。球磨机筒体的振动信号经CEEMDAN分解后的高频本征模态分量和低频本征模态分量的临界点为j＝arg_1≤k≤n-1min[σ_CMSE(x_k,x_k+1)]，该临界点表示其值为所有本征模态分量对应的能量中的全局极小值，找到使σ_CMSE值最小的IMF分量，则确定了噪声主导的IMF分量和信号特征主导的IMF分量的分界点，完成高频IMF分量和低频IMF分量的划分。

在本发明的一种可选实施方式中，小波阈值去噪法包括：

依据预设的小波函数对高频本征模态分量进行小波分解，得到相应的小波系数；

设置小波阈值；

依据预设的阈值函数对小波系数进行阈值量化处理；

将阈值量化处理后的小波系数与小波阈值进行比较，将小于等于小波阈值的阈值量化处理后的小波系数确定为由噪声产生且将其去除；将大于小波阈值的阈值量化处理后的小波系数进行重构，得到去噪处理后的高频本征模态分量。

如此，相较于单独采用CEEMDAN算法直接剔除相关性较弱的本征模态分量去噪，容易造成信号中有效信息的缺失，以及单独使用小波阈值去噪方法去噪，在压制信号中随机噪声的同时，也会压制弱能量的有用信号，通过对分离出的含噪声较多的高频本征模态分量采用小波阈值去噪方法进行去噪处理而不是针对整个信号进行去噪处理，实现了达到剔除噪声目的的同时，还能较好地保留信号中的有用特征。

在本实施方式中，分别通过仿真信号及实际信号对本实施方式的联合去噪处理方法(CEEMDAN-小波阈值联合去噪方法)进行验证，通过仿真信号进行验证的具体过程如下：

如图2所示为非线性、非平稳性的仿真信号x(t)的波形，仿真信号x(t)的表达式如下：

x₁(t)＝25sin(0.375π×50t)

x₂(t)＝sin(2π×50t)×(1+1.5sin(0.5π×40t))

x₃(t)＝20e^-15t×sin(200πt)

x(t)＝x₁(t)+x₂(t)+x₃(t)+n(t)；

式中，t＝[0,5]，时间间隔为0.001s；n(t)为10db的高斯白噪声，e为自然常数。

通过本实施方式的CEEMDAN-小波阈值联合去噪方法对仿真信号进行去噪分析，具体步骤为：

采用CEEMDAN算法对仿真信号x(t)进行分解，得到一系列本征模态分量；

分别计算各个本征模态分量的连续均方误差值；

根据连续均方误差准则确定需要去噪处理的高频本征模态分量和无需处理的低频本征模态分量；

采用小波阈值去噪方法对需要去噪处理的高频本征模态分量进行去噪预处理，在本发明的一种可选实施方式中，设置小波阈值去噪过程中的小波参数为：db6小波基函数、heursure阈值、硬阈值函数、分解层数为5；

将去噪处理的高频本征模态分量和未去噪处理的低频本征模态分量进行重构，获得联合去噪方法去噪后的信号x′(t)。

分别采用小波阈值去噪方法、CEEMDAN去噪方法及CEEMDAN-小波阈值联合去噪方法对仿真信号x(t)进行去噪处理，采用信噪比和均方根误差作为评价指标，分析不同去噪方法的去噪效果。如图3、图4及图5所示分别为采用小波阈值去噪方法、CEEMDAN去噪方法及CEEMDAN-小波阈值联合去噪方法对仿真信号x(t)去噪后的波形图，去噪结果如表1所示，其中，SNR为信噪比，RMSE为均方根误差。

表1

将通过小波阈值去噪方法去噪后的波形图与原始仿真信号波形对比可得，直接采用小波阈值去噪方法对仿真信号去噪，信号中的噪声基本能够被剔除，但是去噪后的信号中仍然存在毛刺，说明去噪过程中有部分特征信息被丢失；将CEEMDAN去噪方法去噪后的波形图与原始仿真信号波形对比可得，采用CEEMDAN去噪方法去噪后信号过于光滑，信号特征不明显，说明去噪过程中，在舍弃分量的同时部分有效信息也被丢失；将采用CEEMDAN-小波阈值联合去噪方法去噪后的波形图与原始仿真信号波形对比可得，采用本发明的联合去噪处理方法去噪后信号比较光滑，而且信号波形中的一些特征也得到很好的复原，说明在采用CEEMDAN-小波阈值联合去噪方法去除噪声的同时，还能较好地保留信号中的有用特征。

对比表1中的去噪评价指标可得，联合去噪处理方法的去噪结果最好，相较于小波阈值去噪方法，信噪比提高2.6733db，均方根误差降低1.0111；相比于CEEMDAN去噪方法，信噪比提高了3.9285db，均方根误差降低1.2477。

综合上所述，本实施方式的CEEMDAN-小波阈值联合去噪方法的整体去噪效果明显优于小波阈值去噪法和CEEMDAN去噪法。

通过实际采集的球磨机筒体振动信号进行去噪处理验证的具体过程如下：

第一步，对球磨机筒体振动信号进行采集：采集不同料球比、充填率参数的球磨机筒体振动信号，筒体振动信号采集区域为周向325°左右，振动信号的采样频率为20KHz,磨矿实验中筒体转速设置为48r/min，每组负荷参数下筒体振动信号的采样时间为10min。

第二步，选取合适振动信号长度：筒体旋转一周所需要的时间约为1.25s，在信号处理分析过程中为保证信号特征参数能够全面地反映筒体内的负荷情况，振动信号处理分析的长度选用筒体旋转八个周期的采样信号，时长为10s左右的筒体振动信号，来保证信号分析过程中获得特征参数的可靠性。

第三步，小波基函数的选取：以信噪比(SNR)和均方根误差(RMSE)作为评价指标，分别采用db系列小波、sym系列小波、coif系列小波以及bior系列小波对筒体振动信号中某一组振动信号(负荷参数：填充率0.3、料球比为0.6)进行去噪分析。去噪过程中小波分解的层数设为5，阈值采用heursure阈值，阈值处理函数为硬阈值函数，各小波函数去噪效果如表2所示。

表2

由表2可得，db系列小波基函数中db8小波去噪效果最好，SNR为16.93、RMSE为2.31；sym系列小波函数中sym10小波去噪效果最好，SNR为17.21、RMSE为1.92；coif系列小波函数中coif4小波去噪效果最好，SNR为16.81、RMSE为2.47；bior系列小波函数中bior6.8小波去噪效果最好，SNR为16.91、RMSE为2.32。因此，为避免小波基函数对联合去噪的影响，选取db8、sym10、coif4以及bior6.8小波函数对振动信号进行处理。

第三步，小波分解层数的确定：分别采用db8、sym10、coif4以及bior6.8小波函数对球磨机筒体振动信号进行1-10层小波分解，不同层数去噪效果如表3所示。

表3

由表3可知，球磨机筒体振动信号去噪评价指标随分解层数变化的整体趋势相同，但随分解层数的变化率不同。由于纯净的球磨机筒体振动信号是未知的，在去噪过程中，若去掉的噪声很少或者几乎没有去掉噪声，去噪后信号的信噪比大、均方根误差值小，因此无法准确的评判去噪效果。为有效地分析小波分解层数对去噪效果的影响，本实施方式通过均方根误差变化量(VRM)和信噪比变化量(VSNR)作为去噪效果评价指标。在实际去噪过程中，VRM和VSNR会随着分解层数增加均表现出明显收敛性，即信号过分去噪后，VRM和VSNR变化都不明显。

VRM(m)和VSNR(m)的表达式如下

VRM(m)＝|RMSE(m+1)-RMSE(m)|，

VSNR(m)＝|SNR(m+1)-SNR(m)|，

式中，VRM(m)为尺度m+1与尺度m间均方根误差变化量；

VSNR(m)为尺度m+1与尺度m间信噪比变化量。

为了更加直观地分析分解层数对筒体振动信号去噪效果的影响，分别计算表3中同一种小波基函数下信噪比和均方根误差的变化量，并将其进行归一化。

如图6所示，为VRM和VSNR随分解层数的变化趋势，在不同小波基函数下，VSNR和VRM整体随分解层变化趋势一致，均在第3个值以后趋于平稳，故可认为球磨机筒体振动信号的最佳分解层数为3或4层。为减少球磨机筒体振动信号去噪处理过程中的计算量，故选取的分解层数为3层。

第四步，小波阈值准则的选取及阈值函数的确定：根据上述选取的小波基函数与分解层数(db8、sym10、coif4、bior6.8，分解层数为3)，分别选用四种常用的阈值准则对球磨机振动信号进行软阈值、硬阈值去噪分析，去噪后信号的SNR和RMSE如表4所示。

表4

对比表4中去噪结果可得：(1)阈值准则相同时，硬阈值函数去噪的整体效果要优于软阈值函数去噪效果；(2)阈值函数相同时，heursure准则下的整体去噪效果最好；(3)在小波函数为sym10、阈值准则为heursure、阈值函数为硬阈值条件下，磨机振动信号去噪效果最好，此时，信噪比为17.67，均方根误差为1.31。因此，小波函数为sym10，heursure阈值规则下的硬阈值最适合球磨机筒体振动信号去噪分析。

第五步，去噪效果对比分析：分别采用CEEMDAN去噪方法、小波阈值去噪方法和CEEMDAN-小波阈值联合去噪方法对实验采集到的球磨机筒体振动信号进行去噪分析。如表5所示，为正常负荷状态下的(填充率 料球比Ψ＝0.6)一组振动信号的前10个IMF分量的连续均方误差值。

表5

由表5可得，IMF5分量的连续均方误差值最小，根据连续均方误差准则可知前4个IMF分量为含噪声较多的分量，因此在采用CEEMDAN-小波阈值联合去噪过程中只对前4各IMF分量进行小波阈值去噪。

通过对比原始振动信号、小波阈值去噪方法、CEEMAN去噪方法以及CEEMDAN-小波阈值联合去噪方法去噪后的波形可得，CEEMDAN-小波阈值联合去噪方法得到的信号波形中冲击特征更加明显，而且振动信号幅值为零左右的噪声分量得到了很好的压制，说明CEEMDAN-小波阈值联合去噪方法在去除噪声的同时，还有效的保留了球磨机筒体振动信号的特征。

同时为了验证CEEMDAN-小波阈值联合去噪方法对球磨机筒体振动信号去噪预处理的适用性，三种负荷状态各选取10组球磨机筒体振动信号进行去噪处理，并与CEEMDAN去噪方法和小波阈值去噪方法的去噪效果进行对比，其中信号长度选择10s。如图7、图8及图9所示分别为球磨机在欠负荷、正常负荷及过负荷状态下的10组振动信号去噪后的SNR和RMSE，当去噪方法相同时，同种负荷状态振动信号去噪效果评价指标的变化差异较小，不同负荷状态振动信号去噪效果评价指标的变化差异较大。当球磨机负荷状态相同时，不同去噪方法的去噪效果不同，采用CEEMDAN-小波阈值联合去噪方法去噪后信号的SNR最大、RMSE最小；采用CEEMDAN去噪方法去噪后信号的SNR最小、RMSE最大；采用小波阈值去噪方法去噪后信号的SNR和RMSE相比与其他两种方法比较适中。根据SNR和RMSE评价去噪效果的准则可知，CEEMDAN-小波阈值联合去噪方法的效果最好，单独采用CEEMDAN去噪方法的效果最差。说明单独采用小波阈值去噪方法和CEEMDAN去噪方法在降噪的过程中丢失了部分有效信息，而本发明的联合去噪方法在降噪的同时还最大程度地保留信号中有效信息。

通过上述验证可得，本发明提出的CEEMDAN-小波阈值联合去噪方法相比于其它两种去噪方法的去噪效果有着明显的提升。

在本发明第二方面，提供一种球磨机筒体振动信号联合去噪装置，装置包括存储器和处理器，存储器存储指令，指令被处理器执行时实现如上述的球磨机筒体振动信号联合去噪方法。

在本发明第三方面，提供一种计算机可读存储介质，可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行上述的球磨机筒体振动信号联合去噪方法。

本申请是参照根据本申请实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。

本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种球磨机筒体振动信号联合去噪方法，其特征在于，包括：

获取所述球磨机筒体的振动信号；

将所述振动信号分解为多个本征模态分量；

依据连续均方误差准则将多个所述本征模态分量划分为高频本征模态分量及低频本征模态分量两类；

依据小波阈值去噪法对所述高频本征模态分量进行去噪处理；

将去噪处理后的高频本征模态分量与所述低频本征模态分量进行重构，得到去噪后的振动信号。

2.根据权利要求1所述的球磨机筒体振动信号联合去噪方法，其特征在于，所述本征模态分量通过CEEMDAN算法分解得到。

3.根据权利要求1所述的球磨机筒体振动信号联合去噪方法，其特征在于，所述振动信号的长度至少为所述球磨机筒体旋转1个周期采集到的信号长度。

4.根据权利要求1所述的球磨机筒体振动信号联合去噪方法，其特征在于，所述振动信号的采集区域为所述球磨机筒体内钢球与物料抛落的区域。

5.根据权利要求1所述的球磨机筒体振动信号联合去噪方法，其特征在于，所述连续均方误差准则包括：

依次计算两个连续重构信号之间的均方误差，得到各所述本征模态分量的能量密度，以得到的能量密度的全局最小值对应的本征模态分量为分界点，将所有的所述本征模态分量划分为所述高频本征模态分量和所述低频本征模态分量。

6.根据权利要求1所述的球磨机筒体振动信号联合去噪方法，其特征在于，所述小波阈值去噪法包括：

依据预设的小波函数对所述高频本征模态分量进行小波分解，得到相应的小波系数；

设置小波阈值；

依据预设的阈值函数对所述小波系数进行阈值量化处理；

将阈值量化处理后的小波系数与所述小波阈值进行比较，将小于等于所述小波阈值的阈值量化处理后的小波系数确定为由噪声产生且将其去除；将大于所述小波阈值的阈值量化处理后的小波系数进行重构，得到去噪处理后的高频本征模态分量。

7.根据权利要求2所述的球磨机筒体振动信号联合去噪方法，其特征在于，所述将所述振动信号分解为多个本征模态分量，包括：

S1)将所述振动信号作为输入信号；

S2)向所述输入信号中添加自适应高斯白噪声，得到复合信号；

S3)通过所述CEEMDAN算法对所述复合信号进行分解，得到第一本征模态分量及第一余量信号，判断所述第一余量信号的极值点数是否少于两个，若是，结束分解，转至S4)；否则，将所述第一余量信号作为所述输入信号，转至S2)；

S4)将得到的所有第一本征模态分量进行加总平均，得到所述本征模态分量；

S5)将得到的所有本征模态分量从所述振动信号中去除，得到余量信号，判断所述余量信号的极值点数是否少于两个，若是，结束分解；否则，将所述余量信号作为所述输入信号，转至S2)。

8.根据权利要求3所述的球磨机筒体振动信号联合去噪方法，其特征在于，所述获取所述球磨机筒体的振动信号之后，还包括：

分别对所述振动信号的两端进行剪裁，去除所述振动信号两端的不稳定信号。

9.一种球磨机筒体振动信号联合去噪装置，包括存储器和处理器，其特征在于，所述存储器存储指令，所述指令被所述处理器执行时实现如权利要求1～8中任意一项所述的球磨机筒体振动信号联合去噪方法。

10.一种计算机可读存储介质，其特征在于，所述可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行如权利要求1～8中任意一项所述的球磨机筒体振动信号联合去噪方法。