CN112800835A - 一种基于小波阈值的行星减速器外部干扰抑制方法 - Google Patents
一种基于小波阈值的行星减速器外部干扰抑制方法 Download PDFInfo
- Publication number
- CN112800835A CN112800835A CN202011562434.2A CN202011562434A CN112800835A CN 112800835 A CN112800835 A CN 112800835A CN 202011562434 A CN202011562434 A CN 202011562434A CN 112800835 A CN112800835 A CN 112800835A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- coefficient
- threshold
- planetary reducer
- vibration data
- 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
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
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Abstract
本发明公开了一种基于小波阈值的行星减速器外部干扰抑制方法,包括以下步骤:获取行星减速器的相邻两个齿轮箱表面的振动数据,分别为第一振动数据和第二振动数据;进行多层离散小波分解后,得到第一小波细节系数、第一小波逼近系数和第二小波细节系数;对小波细节系数进行自适应小波阈值处理,得到经过阈值处理后的各层小波细节系数;将第一小波逼近系数和经过阈值处理后的各层小波细节系数进行小波重构,重构后数据即为外部干扰抑制后数据。本发明解决了自适应小波阈值方法易造成过抑制或抑制不足的问题,在有效抑制随机干扰影响的同时保留互相关程度较高的振动数据小波细节系数特征,提高了行星减速器状态监测与故障诊断的精度。
Description
技术领域
本发明涉及行星减速器振动数据处理技术领域,具体涉及一种基于小波阈值的行星减速器外部干扰抑制方法。
背景技术
聚变能源被认为是可能永久解决人类能源问题的清洁能源,具有资源近乎无限、不产生放射性核废料等诸多优点。为实现核聚变,人类开展了大量的科学实验,但截止目前,尚未实现可控且持续的聚变反应并使其释放的能量超过制造并控制核聚变反应的设施所消耗的能量,尚需持续深入研发相关技术。
在实现核聚变方面,目前有两种主流方法:一种是等离子磁约束(MCF),如国际热核聚变实验反应堆计划(ITER);另一种是惯性约束(ICF),如美国国家点火实验设施(NIF)。ICF方法本质上是一个庞大的激光放大器,向含氢燃料发射超强激光。超强激光由多个束组组成,每一个束组一般均包含镜架、CCD、透镜和转轮模块。状态监测与故障诊断技术是确保束组以及ICF安全性和可靠性的基础和关键技术之一。
转轮模块是ICF束组的核心部件之一,是整个束组实现预定功能的关键组成部分,一旦出现故障将对束组的工作精度、工作效率、使用寿命造成严重影响,其安全性和可靠性问题一直备受该领域研究人员关注。转轮模块主要由步进电机、行星减速器、联轴器、圆光栅、轴承、转轮等部件组成,运行在真空环境下,对可靠性要求极高。
由于机械结构紧凑、低速偏心负载、工况转换频繁、冲击频率高等因素影响,基于振动信号监测和诊断转轮模块的核心组件—行星减速器的健康状态时,受复杂多变且耦合在振动监测信号中的外部干扰影响,及时、准确识别出振动监测信号中的行星减速器故障特征具有一定的难度,需要一种能够准确抑制外部干扰影响且尽量不削弱行星减速器故障特征的数据处理方法。
小波变换是近年来迅速发展起来的时频分析工具,克服了傅里叶变换只能表示数据的频率特征但不能反映时间域上局部信息的缺陷,同时具有时间和频率的局部分析特征与多分辨率分析特性,已在图像处理、数据滤波与特征提取等方面获得了广泛的应用。小波阈值方法是以小波变换为基础,根据数据和噪声经过小波分解后对应的小波细节系数所具有的不同特性,通过对小波细节系数进行阈值处理,可很好地实现外部干扰抑制。基于小波阈值的外部干扰抑制效果要优于均值滤波及FIR滤波器,对于精、动态数据均使用,因此将其用于ICF中转轮模块行星减速器外部干扰抑制,可为后故障诊断提供更清晰、准确的监测信号。
ICF(惯性约束核聚变)中转轮模块行星减速器传感器数据受外部干扰和量测噪声影响,及时、准确识别出振动监测信号中的行星减速器故障特征具有一定的难度的问题。但现有技术中,直接采用小波阈值方法进行外部干扰抑制易造成过抑制或抑制不足,影响后续故障诊断的及时性和准确性。
发明内容
本发明所要解决的技术问题是行星减速器表明振动传感器采集的振动数据易受外部干扰和量测噪声影响,进而导致通过行星减速器的振动监测信号对行星减速器的故障特征判断出现难度,目的在于提供一种基于小波阈值的行星减速器外部干扰抑制方法,解决了有效去除外部干扰和量测噪声影响的问题,使得能够及时、准确识别出振动监测信号中的行星减速器故障特征。
本发明通过下述技术方案实现:
一种基于小波阈值的行星减速器外部干扰抑制方法,包括以下步骤:步骤S1:获取行星减速器的相邻两个齿轮箱表面的振动数据,分别为第一振动数据和第二振动数据;步骤S2:对所述第一振动数据和第二振动数据,分别进行多层离散小波分解,得到第一小波细节系数、第一小波逼近系数和第二小波细节系数;其中,所述第一小波细节系数为所述第一振动数据进行多层离散小波分解后的小波细节系数,所述第一小波逼近系数为所述第一振动数据进行多层离散小波分解后的小波逼近系数,所述第二小波细节系数为所述第二振动数据进行多层离散小波分解后的小波细节系数;步骤S3:对所述第一小波细节系数和第二小波细节系数进行自适应小波阈值处理,得到经过阈值处理后的各层小波细节系数;步骤S4:将所述第一小波逼近系数和经过阈值处理后的各层小波细节系数进行小波重构,重构后数据即为外部干扰抑制后数据。
现有技术采用小波阈值方法进行外部干扰抑制易造成过抑制或抑制不足,直接影响后续故障诊断的及时性和准确性。本发明在振动噪声源上采集两个同源的振动数据,通过对两个振动数据进行小波分解和自适应小波阈值处理,利用两个同源不同向的振动数据之间的高度相关特性,克服了现有方法的过抑制和抑制不足问题,该方法可有效解决ICF中转轮模块行星减速器传感器数据受外部干扰和量测噪声影响,及时、准确识别出振动监测信号中的行星减速器故障特征具有一定的难度的问题。
进一步的,所述步骤S3包括以下子步骤:步骤S31:获取所述第一小波细节系数和第二小波细节系数中,各分解层数的小波细节系数中位数,得到第一小波细节系数中位数和第二小波细节系数中位数;步骤S32:根据所述第一小波细节系数中位数自适应估计第一小波细节系数阈值;步骤S33:对所述第一小波细节系数中位数做归一化处理,得到第一归一化结果,对所述第二小波细节系数中位数做归一化处理,得到第二归一化结果;步骤S34:将所述第一归一化结果和所述第二归一化结果进行互相关处理,得到互相关系数Rxy,其中,x表示第一振动数据,y表示第二振动数据;步骤S35:将互相关系数Rxy大于0.8的时刻t处所对应的小波细节系数给予保留,将互相关系数Rxy小于0.8且所述第一小波细节系数阈值大于DONOHO阈值的小波细节系数给予保留,将互相关系数Rxy小于0.8的t处且所述第一小波细节系数阈值小于DONOHO阈值的小波细节系数做置零处理,即得到经过阈值处理后的各层小波细节系数。
为解决现有技术中过抑制或抑制不足问题,采用互相关系数对小波阈值方法进行改进,互相关反映的是两种特征量(即第一振动数据和第二振动数据)之间联系的紧密程度。与小波阈值一起对多层小波分解后的高频系数进行处理,达到更准确抑制外部干扰的目的。本发明将小波阈值与互相关系数相结合,可有效解决ICF(惯性约束核聚变)中转轮模块行星减速器传感器数据受外部干扰和量测噪声影响,及时、准确识别出振动监测信号中的行星减速器故障特征具有一定的难度的问题。
进一步的,所述步骤S32中,根据以下公式自适应估计所述第一小波细节系数阈值:
δ=σ×[(2×log(N)/N)^(1/2)],其中,N为所述第一小波细节系数对应分解层数的小波细节系数的个数,σ2为噪声的方差。
进一步的,通过MAD/0.6475来获得所述噪声的方差σ2,其中MAD为所述第一小波细节系数中位数,当所述第一小波细节系数数组长度为偶数2n时,中位数取为1+n,当所述第一小波细节系数数组长度为奇数2n+1时,中位数取为n。此处的n不具有任何意义,仅用于方便描述偶数和奇数。
进一步的,在所述行星减速器的相邻两个齿轮箱表面分别各布置一个振动传感器,两个振动传感器在所述行星减速器的投影方向上有夹角。利用布放在行星减速器箱体上的与待处理振动传感器(第一振动数据所对应的振动传感器)同源不同向的另一个振动传感器数据(第二振动数据对应的振动传感器)进行互相关处理,得到互相关系数。
进一步的,两个振动传感器在所述行星减速器的投影方向上垂直。
进一步的,所述步骤S2包括:对所述第一振动数据和第二振动数据,分别进行多层离散小波分解之前,选择离散小波基函数Ke,确定离散小波分解层数Le。
进一步的,所述离散小波基函数Ke为“sym3”,所述离散小波分解层数Le为3。
进一步的,通过在行星减速器的相邻两个齿轮箱表面分别各布置一个振动传感器,得到第一振动数据和第二振动数据,所述第一振动数据为目标数据,所述第二振动数据为参考数据。
本发明与现有技术相比,具有如下的优点和有益效果:
1、利用两个同源不同向的振动传感器数据之间的高度相关特性,克服了现有方法的过抑制和抑制不足问题,可有效解决ICF中转轮模块行星减速器传感器数据受外部干扰和量测噪声影响,及时、准确识别出振动监测信号中的行星减速器故障特征具有一定的难度的问题。
2、解决行星减速器振动监测数据没有真实值可以比对,自适应小波阈值方法易造成过抑制或抑制不足的问题,在有效抑制随机干扰影响的同时保留互相关程度较高的振动数据小波细节系数特征,进而可提高行星减速器状态监测与故障诊断的精度,可用于行星减速器数据处理与故障诊断等领域。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为行星减速器外部干扰抑制方法流程图;
图2为互相关系数改进的小波阈值方法流程图;
图3为行星减速器振动监测数据原始数据;
图4为行星减速器振动监测数据三层分解后小波细节系数;
图5为本发明方法处理后小波细节系数;
图6为本发明方法处理后行星减速器振动监测数据;
图7为传统小波阈值方法处理后行星减速器振动监测数据。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
本实施例1是一种基于小波阈值的行星减速器外部干扰抑制方法,主要解决轴承振动信号易受到噪声干扰的问题。首先将轴承振动信号进行小波分解,获得各分解层的小波系数;之后保留低频信号的小波系数(即小波逼近系数),对高频信号的小波系数(即小波细节系数)进行分层自适应阈值处理;最后将阈值处理后的小波系数进行小波重构,得到降噪后的信号。通过构建一种在阈值处连续且在小波域内可导的分层自适应阈值函数,可以改进传统阈值函数重构偏差和过度降噪的缺陷。轴承故障仿真信号的降噪实验结果表明,该方法的信噪比和均方根误差均优于其他方法,有更好地降噪效果;机械故障模拟实验台的轴承故障信号降噪实验结果表明,该方法在降噪的同时保留了更多的故障信息,能够有效提升故障诊断率,更有利于轴承故障信号的降噪。
本实施例1的具体步骤如下:
步骤一、获取行星减速器的相邻两个齿轮箱表面的振动数据,分别为第一振动数据和第二振动数据;通过在行星减速器的相邻两个齿轮箱表面分别各布置一个振动传感器,得到第一振动数据和第二振动数据,将第一振动数据作为目标数据,将第二振动数据作为参考数据。在行星减速器的相邻两个齿轮箱表面分别各布置一个振动传感器,两个振动传感器在行星减速器的投影方向上有夹角。利用布放在行星减速器箱体上的与待处理振动传感器(第一振动数据所对应的振动传感器)同源不同向的另一个振动传感器数据(第二振动数据对应的振动传感器)进行互相关处理,得到互相关系数。两个振动传感器在行星减速器的投影方向上垂直。
步骤二、选择离散小波基函数Ke为“sym3”,离散小波分解层数Le为3,对第一振动数据和第二振动数据,分别进行多层离散小波分解,得到第一小波细节系数、第一小波逼近系数和第二小波细节系数;其中,第一小波细节系数为第一振动数据进行多层离散小波分解后的小波细节系数,第一小波逼近系数为第一振动数据进行多层离散小波分解后的小波逼近系数,第二小波细节系数为第二振动数据进行多层离散小波分解后的小波细节系数;
步骤三、对第一小波细节系数和第二小波细节系数进行自适应小波阈值处理,得到经过阈值处理后的各层小波细节系数;具方法如下:
1、获取第一小波细节系数和第二小波细节系数中,各分解层数的小波细节系数中位数,得到第一小波细节系数中位数和第二小波细节系数中位数;
2、根据第一小波细节系数中位数自适应估计第一小波细节系数阈值;
3、对第一小波细节系数中位数做归一化处理,得到第一归一化结果,对第二小波细节系数中位数做归一化处理,得到第二归一化结果;
根据δ=σ×[(2×log(N)/N)^(1/2)]自适应估计第一小波细节系数阈值,其中,N为第一小波细节系数对应分解层数的小波细节系数的个数,σ2为噪声的方差。
通过MAD/0.6475来获得噪声的方差σ2,其中MAD为第一小波细节系数中位数,当第一小波细节系数数组长度为偶数2n时,中位数取为1+n,当第一小波细节系数数组长度为奇数2n+1时,中位数取为n。此处的n不具有任何意义,仅用于方便描述偶数和奇数。
4、将第一归一化结果和第二归一化结果进行互相关处理,得到互相关系数Rxy,其中,x表示第一振动数据,y表示第二振动数据;
5、将互相关系数Rxy大于0.8的时刻t处所对应的小波细节系数给予保留,将互相关系数Rxy小于0.8且第一小波细节系数阈值大于DONOHO阈值的小波细节系数给予保留,将互相关系数Rxy小于0.8的t处且第一小波细节系数阈值小于DONOHO阈值的小波细节系数做置零处理,即得到经过阈值处理后的各层小波细节系数。
步骤四、将第一小波逼近系数和经过阈值处理后的各层小波细节系数进行小波重构,重构后数据即为外部干扰抑制后数据。
现有技术采用小波阈值方法进行外部干扰抑制易造成过抑制或抑制不足,直接影响后续故障诊断的及时性和准确性。本实施例1在振动噪声源上采集两个同源的振动数据,通过对两个振动数据进行小波分解和自适应小波阈值处理,利用两个同源不同向的振动数据之间的高度相关特性,克服了现有方法的过抑制和抑制不足问题,该方法可有效解决ICF中转轮模块行星减速器传感器数据受外部干扰和量测噪声影响,及时、准确识别出振动监测信号中的行星减速器故障特征具有一定的难度的问题。
为解决现有技术中过抑制或抑制不足问题,采用互相关系数对小波阈值方法进行改进,互相关反映的是两种特征量(即第一振动数据和第二振动数据)之间联系的紧密程度。与小波阈值一起对多层小波分解后的高频系数进行处理,达到更准确抑制外部干扰的目的。本实施例1将小波阈值与互相关系数相结合,可有效解决ICF(惯性约束核聚变)中转轮模块行星减速器传感器数据受外部干扰和量测噪声影响,及时、准确识别出振动监测信号中的行星减速器故障特征具有一定的难度的问题。
实施例2
本实施例2是在实施例1的基础上,提出的基于改进小波阈值的行星减速器外部干扰抑制方法总体实现流程如图1所示,基于互相关系数改进小波阈值的实现流程如图2所示。
在行星减速器外表面布置两个振动传感器,两个振动传感器的垂直方向呈一定夹角An=90°,分别布放在行星减速器的相邻两个齿轮箱表面,采集行星减速器箱体表面振动监测数据,如图3所示。
选定一种合适的离散小波基函数Ke为“sym3”,确定离散小波分解层数Le=3,对传感器原始数据进行多层离散小波分解,如图4所示。
根据δ=σ×[(2×log(N)/N)^(1/2)]自适应估计离散小波分解得到的小波细节系数的阈值,其中N为对应分解层数小波细节系数的个数,σ2为噪声的方差,由MAD/0.6475来估计,MAD为小波细节系数数组的中位数,当数组长度为偶数2n时,中位数取为1+n;当数组长度为奇数2n+1时,中位数取为n;
根据得到振动传感器数据离散小波分解得到的多层小波细节系数,分别求各分解层数的小波细节系数的中位数,并做归一化处理;并对与振动传感器数据高度相关的、同源不同向的其它振动传感器监测数据的小波细节系数做归一化处理;
根据振动传感器数据的小波细节系数的中位数,自适应估算小波阈值;将振动传感器数据小波细节系数归一化结果与同源不同向的另一个振动传感器的数据的小波细节系数的归一化结果做互相关处理,互相关处理方式如式其中R为互相关系数,N为数据长度,x(t)为t时刻振动传感器数据,y为t时刻同源不同向的另一个振动传感器数据,τ为延迟时间。
利用得到的互相关系数改进的小波阈值对小波细节系数进行阈值处理,互相关系数R大于0.8的t处所对应的小波系数给予保留,互相关系数R小于0.8但小波细节系数阈值大于DONOHO阈值的小波系数也给予保留,其它互相关系数小于0.8的t处所对应的小波系数及小波细节系数阈值小于DONOHO阈值的小波细节系数均做置零处理,如图5所示。
对小波逼近系数和经过阈值处理的各层小波细节系数进行小波重构,重构后数据即为外部干扰抑制后数据,如图6所示。
传统小波阈值方法处理后行星减速器振动传感器数据时域波形图,如图7所示,可以看出,由于外部随机干扰、传感器自身误差等因素影响,传统方法处理后的行星减速器传感器数据保留了较多的毛刺、突变点等,基于这些振动传感器数据开展后续故障诊断相关研究,故障诊断的准确性和及时性难以保证。
本实施例2方法处理后行星减速器振动传感器数据时域波形图,如图6所示,可以看出,本实施例2方法处理后的数据相比较图7较为平滑,毛刺、突变点较少,并且原数据中的有用细节系数都受相关系数的保护而保留了下来,因此并未损害原数据的真实程度。
综上所述,本实施例2首先对原始数据进行多层离散小波分解;然后对分解得到的小波细节系数估计小波阈值,并和与其高度相关的同源不同向的另一个振动传感器数据的小波细节系数做互相关处理,以防止过抑制或抑制不足;最后利用得到的改进的小波阈值对各层小波细节系数做阈值处理,并利用处理后小波细节系数做小波重构。最终可提高振动传感器数据的准确性和真实性,进而提高故障诊断的准确性和及时性,是一种新型、有效的行星减速器外部干扰抑制方法。
本实施例2采用自适应小波阈值方法对行星减速器振动监测数据进行处理,对多层离散小波分解后的各层小波细节系数进行自适应阈值估计,利用估计的小波阈值对小波细节系数进行阈值处理,(滤除振动监测数据中耦合的噪声和随机干扰)。采用与行星减速器振动监测数据同源不同向的其它振动传感器监测数据与初始振动传感器监测数据做互相关处理,利用得到的互相关系数对自适应小波阈值进行修正。
本领域技术人员应当知道DONOHO阈值是DONOHO小波阈值。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不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,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于小波阈值的行星减速器外部干扰抑制方法,其特征在于,包括以下步骤:
步骤S1:获取行星减速器的相邻两个齿轮箱表面的振动数据,分别为第一振动数据和第二振动数据;
步骤S2:对所述第一振动数据和第二振动数据,分别进行多层离散小波分解,得到第一小波细节系数、第一小波逼近系数和第二小波细节系数;
其中,所述第一小波细节系数为所述第一振动数据进行多层离散小波分解后的小波细节系数,所述第一小波逼近系数为所述第一振动数据进行多层离散小波分解后的小波逼近系数,所述第二小波细节系数为所述第二振动数据进行多层离散小波分解后的小波细节系数;
步骤S3:对所述第一小波细节系数和第二小波细节系数进行自适应小波阈值处理,得到经过阈值处理后的各层小波细节系数;
步骤S4:将所述第一小波逼近系数和经过阈值处理后的各层小波细节系数进行小波重构,重构后数据即为外部干扰抑制后数据。
2.根据权利要求1所述基于小波阈值的行星减速器外部干扰抑制方法,其特征在于,所述步骤S3包括以下子步骤:
步骤S31:获取所述第一小波细节系数和第二小波细节系数中,各分解层数的小波细节系数中位数,得到第一小波细节系数中位数和第二小波细节系数中位数;
步骤S32:根据所述第一小波细节系数中位数自适应估计第一小波细节系数阈值;
步骤S33:对所述第一小波细节系数中位数做归一化处理,得到第一归一化结果,对所述第二小波细节系数中位数做归一化处理,得到第二归一化结果;
步骤S34:将所述第一归一化结果和所述第二归一化结果进行互相关处理,得到互相关系数Rxy,其中,x表示第一振动数据,y表示第二振动数据;
步骤S35:将互相关系数Rxy大于0.8的时刻t处所对应的小波细节系数给予保留,将互相关系数Rxy小于0.8且所述第一小波细节系数阈值大于DONOHO阈值的小波细节系数给予保留,将互相关系数Rxy小于0.8的t处且所述第一小波细节系数阈值小于DONOHO阈值的小波细节系数做置零处理,即得到经过阈值处理后的各层小波细节系数。
3.根据权利要求2所述基于小波阈值的行星减速器外部干扰抑制方法,其特征在于,所述步骤S32中,根据以下公式自适应估计所述第一小波细节系数阈值:
δ=σ×[(2×log(N)/N)^(1/2)],
其中,N为所述第一小波细节系数对应分解层数的小波细节系数的个数,σ2为噪声的方差。
4.根据权利要求3所述基于小波阈值的行星减速器外部干扰抑制方法,其特征在于,通过MAD/0.6475来获得所述噪声的方差σ2,其中MAD为所述第一小波细节系数中位数,当所述第一小波细节系数数组长度为偶数2n时,中位数取为1+n,当所述第一小波细节系数数组长度为奇数2n+1时,中位数取为n。
6.根据权利要求1所述基于小波阈值的行星减速器外部干扰抑制方法,其特征在于,在所述行星减速器的相邻两个齿轮箱表面分别各布置一个振动传感器,两个振动传感器在所述行星减速器的投影方向上有夹角。
7.根据权利要求6所述基于小波阈值的行星减速器外部干扰抑制方法,其特征在于,两个振动传感器在所述行星减速器的投影方向上垂直。
8.根据权利要求1所述基于小波阈值的行星减速器外部干扰抑制方法,其特征在于,所述步骤S2包括:对所述第一振动数据和第二振动数据,分别进行多层离散小波分解之前,选择离散小波基函数Ke,确定离散小波分解层数Le。
9.根据权利要求8所述基于小波阈值的行星减速器外部干扰抑制方法,其特征在于,所述离散小波基函数Ke为“sym3”,所述离散小波分解层数Le为3。
10.根据权利要求1所述基于小波阈值的行星减速器外部干扰抑制方法,其特征在于,通过在行星减速器的相邻两个齿轮箱表面分别各布置一个振动传感器,得到第一振动数据和第二振动数据,所述第一振动数据为目标数据,所述第二振动数据为参考数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011562434.2A CN112800835A (zh) | 2020-12-25 | 2020-12-25 | 一种基于小波阈值的行星减速器外部干扰抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011562434.2A CN112800835A (zh) | 2020-12-25 | 2020-12-25 | 一种基于小波阈值的行星减速器外部干扰抑制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112800835A true CN112800835A (zh) | 2021-05-14 |
Family
ID=75804767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011562434.2A Pending CN112800835A (zh) | 2020-12-25 | 2020-12-25 | 一种基于小波阈值的行星减速器外部干扰抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800835A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821836A (zh) * | 2023-08-31 | 2023-09-29 | 深圳特力自动化工程有限公司 | 基于多传感器的轮轴瓦异常状态监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101881628A (zh) * | 2010-06-30 | 2010-11-10 | 中南大学 | 基于混沌系统和小波阈值去噪的微弱周期信号的检测方法 |
CN104048680A (zh) * | 2014-07-09 | 2014-09-17 | 哈尔滨工程大学 | 基于donoho阈值的自主式水下机器人外部干扰抑制方法 |
CN104316936A (zh) * | 2014-11-01 | 2015-01-28 | 中国民航大学 | 一种综合的dme脉冲干扰抑制方法 |
US20150263835A1 (en) * | 2002-05-14 | 2015-09-17 | Genghiscomm Holdings, LLC | Cooperative Wireless Networks |
CN108158573A (zh) * | 2017-12-26 | 2018-06-15 | 智慧康源(厦门)科技有限公司 | 基于自适应阈值小波变换的心电信号降噪方法 |
-
2020
- 2020-12-25 CN CN202011562434.2A patent/CN112800835A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150263835A1 (en) * | 2002-05-14 | 2015-09-17 | Genghiscomm Holdings, LLC | Cooperative Wireless Networks |
CN101881628A (zh) * | 2010-06-30 | 2010-11-10 | 中南大学 | 基于混沌系统和小波阈值去噪的微弱周期信号的检测方法 |
CN104048680A (zh) * | 2014-07-09 | 2014-09-17 | 哈尔滨工程大学 | 基于donoho阈值的自主式水下机器人外部干扰抑制方法 |
CN104316936A (zh) * | 2014-11-01 | 2015-01-28 | 中国民航大学 | 一种综合的dme脉冲干扰抑制方法 |
CN108158573A (zh) * | 2017-12-26 | 2018-06-15 | 智慧康源(厦门)科技有限公司 | 基于自适应阈值小波变换的心电信号降噪方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821836A (zh) * | 2023-08-31 | 2023-09-29 | 深圳特力自动化工程有限公司 | 基于多传感器的轮轴瓦异常状态监测方法及系统 |
CN116821836B (zh) * | 2023-08-31 | 2023-10-27 | 深圳特力自动化工程有限公司 | 基于多传感器的轮轴瓦异常状态监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101303764B (zh) | 基于非下采样轮廓波的多传感器图像自适应融合方法 | |
CN109000876B (zh) | 基于自动编码器深度学习的sns光纤冲击识别方法 | |
CN111257929B (zh) | 一种奇异值衰减的降秩去噪方法 | |
CN111507221B (zh) | 基于vmd和最大重叠离散小波包变换的齿轮信号去噪方法 | |
CN112800835A (zh) | 一种基于小波阈值的行星减速器外部干扰抑制方法 | |
Zha et al. | Noise reduction in interferograms using the wavelet packet transform and wiener filtering | |
CN113935467A (zh) | 基于迭代多尺度注意力网络的das井中勘探数据噪声抑制方法 | |
Tang et al. | Chaotic signal denoising based on adaptive smoothing multiscale morphological filtering | |
CN113553997A (zh) | 一种联合改进小波阈值的信号处理方法、存储介质和系统 | |
CN115434872A (zh) | 一种基于avmd与改进rssd的风电机组齿轮箱复合故障诊断方法 | |
CN115359771A (zh) | 一种水声信号降噪方法、系统、设备及存储介质 | |
CN110838089A (zh) | 一种基于OctBlock密集块的快速图像去噪方法 | |
CN111582205B (zh) | 一种基于多分辨率奇异值分解模型的降噪方法 | |
CN103954993A (zh) | 基于地震信号连续小波变换的尺度域多道滤波方法及装置 | |
CN116184502A (zh) | 一种基于子空间投影注意力网络的井中das噪声抑制方法 | |
CN113702666B (zh) | 一种光纤陀螺惯性测量单元信号联合降噪方法 | |
CN112907456B (zh) | 基于全局平滑约束先验模型的深度神经网络图像去噪方法 | |
CN112729816A (zh) | 一种行星减速器故障模式识别方法 | |
Li et al. | Research on Underwater Image Denoising Based on Wavelet Threshold Method | |
CN114460648A (zh) | 基于3d卷积神经网络自监督3d地震数据随机噪声压制方法 | |
Ma et al. | Fault Feature Extraction of Rolling Bearing Based on Improved VMD-SVD Joint Denoising and Synchrosqueezing Wavelet Transform | |
CN116859461B (zh) | 一种多次波成像方法及系统 | |
CN116091882B (zh) | 一种基于自适应双通道pcnn的偏振图像融合方法 | |
CN115760597A (zh) | 基于CycleGAN网络的三维模型约束故障图像数据生成系统及方法 | |
CN111915503B (zh) | 一种基于树形神经网络结构的视差获取方法、存储介质及计算设备 |
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: 20210514 |