CN116522074A - 一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法 - Google Patents
一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法 Download PDFInfo
- Publication number
- CN116522074A CN116522074A CN202310397054.5A CN202310397054A CN116522074A CN 116522074 A CN116522074 A CN 116522074A CN 202310397054 A CN202310397054 A CN 202310397054A CN 116522074 A CN116522074 A CN 116522074A
- Authority
- CN
- China
- Prior art keywords
- signal
- window length
- noise reduction
- component
- frequency
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000009467 reduction Effects 0.000 title claims abstract description 70
- 238000001914 filtration Methods 0.000 title claims abstract description 40
- 238000005096 rolling process Methods 0.000 title claims abstract description 40
- 230000003044 adaptive effect Effects 0.000 title claims description 27
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 25
- 230000035945 sensitivity Effects 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 230000001629 suppression Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 9
- 238000012360 testing method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提出一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法,首先对滚动轴承变工况下的振动信号进行经验小波分解,得到频率成分由高到低的不同的模态分量;其次,计算各模态分量与原始信号的相关系数,筛选出故障敏感的模态分量;然后,构造融合相关系数和峭度的故障敏感度指标,对时频峰值滤波方法的窗长进行自适应调节;利用自适应窗长峰值滤波方法对筛选出的故障敏感模态分量进行降噪;最后,通过降噪后的各模态分量和保留分量重构振动信号,实现滚动轴承振动信号降噪。本发明解决了传统固定窗长时频峰值滤波方法难以进行宽频域的瞬时频率估计,导致对滚动轴承振动信号降噪能力弱的问题,提高强噪声下滚动轴承降噪效果。
Description
技术领域
本发明属于滚动轴承故障诊断领域,具体涉及一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法。
背景技术
滚动轴承是旋转机械设备中的关键支撑部件,其结构复杂、实际运行转速和载荷多变,各种激励源产生的信号相互耦合,极易发生故障从而影响设备的运行安全。滚动轴承故障引起的冲击特征常常淹没在强背景噪声中,并伴随着冲击信号对系统固有振动信号的调制现象,导致故障特征提取十分困难。因此,研究强噪声干扰下的变工况振动信号的降噪和准确提取故障特征的方法,对于设备的安全性具有重大意义。
时频峰值滤波(Time-FrequencyPeakFiltering,TFPF)是一种压制非平稳确定性限带信号中高斯噪声的有效方法,具有适应性强和不需要额外信息的优点,已成功应用于地震监测、脑电信号增强、跳频信号检测和机械故障诊断等领域,对强随机噪声表现出很好的压制效果。但TFPF方法中滤波窗长的选择是一个难点,直接影响着噪声压制能力和信号保真度。较长窗长可以有效的压制噪声,但同时会造成有效信号的幅值损失,而较短窗长对噪声的压制效果较差,但却能很好地保护有效信号的幅值。为了解决TFPF在窗长选择方面的问题,达到噪声抑制和信号保真的平衡,一些学者将振动信号经过集合经验模态分解(EnsembleEmpiricalModeDecomposition,EEMD)后得到从高频到低频的一系列IMFs,对不同频段的IMFs采用不同的窗长进行降噪处理;另外还有一些学者将自适应噪声集成经验模态分解、排列熵和时频峰值滤波相结合,利用算法得到原始信号的本征模态函数计算每个IMF的排列熵值来判断IMF是否需要滤波,并针对不同的IMF选择不同的窗口长度进行滤波,取得了较好的降噪效果。
然而,集成经验模态分解方法和自适应噪声集成经验模态分解方法作为经验模态分解(EmpiricalModeDecomposition,EMD)的改进型方法,仍然保留了在分解过程中的模式混叠及端点效应问题。EEMD通过加入高斯白噪声后将平均结果作为信号进行分解,虽一定程度上解决了模态混叠问题,但分解产生的IMF往往含有残余噪声,增加了信号的复杂程度,不利于信号特征的提取。相比于EMD方法,经验小波分解(Empirical WaveletTransform,EWT)能够自适应选择频带,克服了由于信号时频尺度不连续引发的模态混叠问题,同时具备完整可靠的数学理论基础,计算复杂度低,还能够克服EMD方法中过包络和欠包络的问题。综上,传统TFPF降噪方法存在问题如下:
1、传统的TFPF算法中,窗长的选择会引起信号保真和噪声压制的矛盾,较长窗长可以有效的去除噪声,但同时会造成有效信号的幅值损失,较短窗长能很好地保护有效信号的幅值,但却在压制噪声方面力度不够,两者难以达到合适的平衡。
2、传统的将EMD类方法与TFPF结合的降噪方法,仍然保留了在分解过程中的模态混叠及端点效应问题。而EEMD通过加入高斯白噪声后将平均结果作为信号进行分解,虽一定程度上解决了模态混叠问题,但分解产生的IMFs往往含有残余噪声,增加了信号的复杂程度,不利于信号特征的提取。
3、传统TFPF方法的自适应方法,尽管依据判定指标的阈值针对不同IMF分量设置了长短不同的滤波窗长,但窗长的选择仍局限于若干个由经验确定的定值,不具有定量表述和完全的自适应性。
发明内容
发明目的:本发明目的是针对现有技术存在的缺陷提供一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法,实现强噪声下滚动轴承变工况故障信号的有效降噪。
技术方案:本发明提供一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法,具体包括以下步骤:
(1)以固定的采样频率采集强噪声下滚动轴承变转速工况下的振动信号,并记录采集信号段内的转频与时间的变化关系;
(2)对滚动轴承故障信号进行经验小波分解,得到频率成分由高到低的不同的信号分量;
(3)计算步骤(2)中的各个信号分量与原信号之间的相关系数以及分量间的标准差;
(4)通过相关系数与标准差对比筛选出故障敏感的模态分量,即将相关系数大于标准差的信号分量作为后续降噪处理的对象,将相关系数小于标准差的信号分量保留不做处理;
(5)对步骤(4)筛选出来的需要进行降噪处理的分量计算其峭度值,构造融合相关系数和峭度的故障敏感度指标,并依据该指标对时频峰值滤波方法的窗长进行自适应调节,由此进行自适应窗长的时频峰值滤波处理;
(6)通过降噪后的各模态分量和保留分量重构振动信号,实现滚动轴承振动信号降噪。
进一步地,所述步骤(2)实现过程如下:
(21)傅里叶谱频带划分:通过快速傅里叶变换:得到信号的傅里叶谱,基于香农准则将频谱标准化于[0,π],将其分割成N个连续的不等宽频带区间,则各频带范围表示为:
Λn=[ωn-1,ωn](n=1,2,…,N) (1)
式中,ωn为信号的傅里叶谱相邻极大值点Ψn的中点;以每个支撑边界ωn为中心定义一个过渡段,其宽度为:
Tn=2τ (2)
式中,
(22)基于频带边界坐标构造滤波器组:根据Meyer小波的构造方法构造的经验小波尺度函数和小波函数ψn(w)分别为:
式中,函数β(x)=x4(35-84x+70x2-20x3),τn=γωn,
(23)通过小波基函数滤波得到分量信号:根据经典小波变换的构造方法构造经验小波变换细节系数和近似系数,细节系数和近似系数/>分别代表了信号的高频成分和低频成分:
式中,<·>为内积运算;ψn与φ1分别为经验小波函数和尺度函数;和/>分别为ψn和φ1(ω)的傅里叶变换,/>和/>分别为ψn和φ1(ω)的共轭复数;原始信号重构为:
式中,*表示卷积,和/>分别表示/>和/>的傅里叶变换。
进一步地,步骤(3)所述相关系数通过以下公式实现:
Rx(τ)=E[x(t)x(t+τ)] (9)
式中,表示各个IMF分量与原信号的互相关值;Rx(τ)表示原信号本身的自相关,x(t)表示原信号,cj(t)表示第j个IMF分量;含有故障信息的IMF分量与原信号的相关性比较大,如果是虚假分量即伪分量的相关性比较小。
进一步地,所述步骤(4)实现过程如下:
相关系数大于标准差的IMF分量和原信号的相似程度较大,计算窗长阈值系数:
其中,σ为所有信号分量的标准差的平均值;当信号的相关系数大于σ时,窗长系数取1,需要对其进行降噪处理;当信号的相关系数小于σ时,表明该信号判定为无冲击成分,故障敏感度过低,不作为有效信号进行降噪。
进一步地,所述步骤(5)实现过程如下:
(51)计算筛选出分量的峭度值,峭度的计算公式如下:
式中,x为离散信号;为信号均值;N为采样长度;σ为信号的标准差;
(52)构造融合相关系数和峭度的故障敏感度指标κ:
式中,Kj为第j个分量的峭度值;
依据κ对时频峰值滤波方法的窗长进行自适应调节,定义自适应窗长KL的公式为:
其中,fs为采样频率,fd为信号段的主频;
(53)基于峭度值的TFPF自适应窗长调节公式,根据分量中冲击信号和噪声强度自适应调整时窗长度;其中窗长系数γ作为分割有效成分的阈值,当γ=0时,窗长为0,表明该分量无需进行处理;当γ≠0时,根据信号主频确定时窗长度,主频越高,时窗长度越小;根据敏感度指标κ的项,说明时窗长度与峭度成反比;峭度越低,噪声成分比重越大,时窗长度越长,随机噪声压制效果越明显;由于信号经过小波分解后的幅值随尺度增大而减小,因此/>项的分母部分log(j+2)越大,其窗长越小,防止对于低幅值分量滤波窗长过大,导致过度压制;
(54)基于峭度值的TFPF自适应滤波,对于含噪信号s(t),对其进行频率调制变为解析信号:
其中,μ为z(t)相位的缩放系数;然后求解析信号的伪Wigner-Ville分布:
最后,将伪Wigner-Ville分布中峰值处的瞬时频率作为有效信号x(t)的估计:
进一步地,所述步骤(6)实现过程如下:
通过降噪后的各模态分量和保留分量重构振动信号,其中降噪后的模态分量是经过步骤(5)的自适应窗长TFPF处理后的分量,剩余模态分量是步骤(4)中与EWT分量中与原信号之间的相关系数小于标准差的信号分量,最终实现滚动轴承振动信号降噪。
有益效果:与现有技术相比,本发明的有益效果:本发明引入EWT信号分解方法作为信号降噪的前处理方法,对信号进行EWT分解后再对各分量进行自适应窗长的TFPF降噪,克服了现有的以EMD类分解方法为前处理的TFPF降噪时模态混叠,以及递归的分解方式受采样频率影响分解误差较大,噪声鲁棒性不强的问题;本发明通过构造基于相关系数和峭度的故障敏感度指标,并基于该指标提出窗长的自适应调节方式,提高强噪声下滚动轴承降噪效果,解决现有的自适应方法依据经验确定窗长导致准确性不高的问题;由此解决了传统固定窗长时频峰值滤波方法难以进行宽频域的瞬时频率估计,导致对滚动轴承振动信号降噪能力弱的问题;本发明能够有效保留故障冲击成分,显著提高信噪比,实现强噪声下滚动轴承变工况振动信号的降噪。
附图说明
图1为本发明的方法流程图;
图2为本发明的实施例中滚动轴承故障振动试验设备实物图;
图3为本发明的试验信号分析区段的转速曲线图;
图4为本发明的原始信号前四个EWT分量;
图5为本发明的滤波后前四个EWT分量;
图6为本发明的原信号、固定窗长TFPF和自适应时频峰值滤波处理后时域图;
图7为本发明的试验原始信号的包络谱图;
图8为本发明的自适应窗长时频峰值滤波处理后的包络谱图;
图9为本发明的原始信号的短时傅里叶变换图;
图10为本发明的固定窗长的TFPF处理后短时傅里叶变换图;
图11为本发明的自适应窗长时频峰值滤波降噪后短时傅里叶变换图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
本发明提出一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法,如图1所示,具体包括以下步骤:
步骤1:以固定的采样频率Fs采集强噪声下滚动轴承变转速工况下的振动信号,并记录采集信号段内的转频与时间的变化关系。
步骤2:对步骤1中得到的滚动轴承故障信号进行EWT分解得到频率成分由高到低的不同的信号分量IMFs。
首先,进行傅里叶谱频带划分。通过FFT得到信号的傅里叶谱,基于香农准则将频谱标准化于[0,π],将其分割成N个连续的不等宽频带区间,则各频带范围可表示为:
Λn=[ωn-1,ωn](n=1,2,…,N) (1)
式中,ωn为信号的傅里叶谱相邻极大值点Ψn的中点。以每个支撑边界ωn为中心定义一个过渡段,其宽度为:
Tn=2τ (2)
式中τn=γωn,
然后,基于频带边界坐标构造滤波器组。根据Meyer小波的构造方法构造的经验小波尺度函数和小波函数ψn(w)分别为:
式中,函数β(x)=x4(35-84x+70x2-20x3),τn=γωn,
接着,通过小波基函数滤波得到分量信号。根据经典小波变换的构造方法构造经验小波变换细节系数和近似系数。细节系数和近似系数分别代表了信号的频成分和低频成分。
式中,·为内积运算;ψn与φ1分别为经验小波函数和尺度函数;和/>分别为ψn和φ1(ω)的傅里叶变换,/>和/>分别为ψn和φ1(ω)的共轭复数。原始信号重构为:
式中,*表示卷积,和/>分别表示/>和/>的傅里叶变换。
步骤3:计算步骤2中的各个信号分量与原信号之间的相关系数值以及分量间的标准差。
将含噪信号进行EWT分解后,得到一系列频率成分由高到低的不同的IMFs。随着分解层数的增加,信号分量含有的冲击成分越来越少,呈现出完全随机的噪声,因此需要设置一个阈值来判断是否有降噪的必要。相关系数是用来表征两种信号相关程度大小的,即若IMF分量的相关系数比较大时,相关性就大,反之相关性小。含有故障信息的IMF分量与原信号的相关性比较大,如果是虚假分量即伪分量的相关性会比较小。相关系数的计算公式如下:
Rx(τ)=E[x(t)x(t+τ)] (9)
式中,表示各个IMF分量与原信号的互相关值;Rx(τ)表示原信号本身的自相关,x(t)表示原信号,cj(t)表示第j个IMF分量。
步骤4:通过步骤3计算得到的相关系数与标准差对比筛选出故障敏感的模态分量,即将相关系数大于标准差的信号分量作为后续降噪处理的对象,将相关系数小于标准差的信号分量保留不做处理。
根据步骤3计算得到的相关系数和标准差值筛选出需要进行降噪处理的分量,对于分量与原始信号的关系,通常认为,相关系数大于标准差的IMF分量和原信号的相似程度比较大,由此提出如下公式计算窗长阈值系数:
式中,σ为所有信号分量的标准差的平均值。
当信号的相关系数大于σ时,窗长系数取1,需要对其进行降噪处理;当信号的相关系数小于σ时,表明该信号判定为几乎无冲击成分,故障敏感度过低,不作为有效信号进行降噪。
步骤5:对步骤4筛选出来的需要进行降噪处理的分量计算其峭度值,构造融合相关系数和峭度的故障敏感度指标,并依据该指标对时频峰值滤波方法的窗长进行自适应调节,由此进行自适应窗长的TFPF处理;
(5.1)计算筛选出分量的峭度值,峭度的计算公式如下:
式中,x为离散信号;为信号均值;N为采样长度;σ为信号的标准差。
在轴承正常运行过程中,其振动信号的幅值分布接近于正态分布,峭度值约等于3。若轴承发生故障,其振动信号幅值分布将偏离正态分布,峭度值越大,反映出冲击越大。
(5.2)构造融合相关系数和峭度的故障敏感度指标κ,
式中,Kj为第j个分量的峭度值。
依据该指标对时频峰值滤波方法的窗长进行自适应调节,定义自适应窗长KL的公式为:
式(14)中,fs为采样频率,fd为信号段的主频(即为频谱中峰值处的频率)。
(5.3)基于峭度值的TFPF自适应窗长调节公式,根据分量中冲击信号和噪声强度自适应调整时窗长度。其中窗长系数γ作为分割有效成分的阈值,当γ=0时,窗长为0,表明该分量无需进行处理。当γ≠0时,根据信号主频确定时窗长度,主频越高,时窗长度越小;根据敏感度指标κ的项,说明时窗长度与峭度成反比。峭度越低,噪声成分比重越大,时窗长度越长,随机噪声压制效果越明显。由于信号经过小波分解后的幅值随尺度增大而减小,因此/>项的分母部分log(j+2)越大,其窗长越小,防止对于低幅值分量滤波窗长过大,导致过度压制。
(5.4)基于峭度值的TFPF自适应滤波,其原理为:
对于含噪信号s(t),对其进行频率调制变为解析信号
其中,μ为z(t)相位的缩放系数。然后求解析信号的PWVD:
最后,将PWVD中峰值处的瞬时频率作为有效信号x(t)的估计,即:
步骤6:通过降噪后的各模态分量和保留分量重构振动信号,实现滚动轴承振动信号降噪。
通过降噪后的各模态分量和保留分量重构振动信号,实现滚动轴承振动信号降噪。其中降噪后的模态分量是经过步骤5的自适应窗长TFPF处理后的分量,剩余模态分量是步骤4中EWT分解后与原信号之间的相关系数小于标准差的信号分量。
本发明采用故障轴承试验数据进行信号降噪处理。试验设备实物图如图2所示。试验时由交流控制器控制转速,轴的两侧各安装有一个球轴承,左边是健康轴承,右边是试验轴承。在试验轴承正上方放置一个加速度传感器来收集振动数据。此外轴上安装了一个增量编码器来测量轴转速。以200kHz的采样频率持续采集预制故障滚动轴承的振动信号,采集的振动信号是时间序列信号。此试验中轴承的参数如表1所示。对该数据集截取1s内的信号进行分析。将该部分数据对应的转速绘制成曲线图,如图3所示。
表1试验滚动轴承参数
轴承型号 | 节圆直径D | 滚动体直径d | 滚子个数N |
ER16K | 38.52mm | 7.94mm | 9 |
故障部位 | 压力角α | 内圈故障系数 | 外圈故障系数 |
内圈 | 0 | 5.43 | 3.57 |
采集到的变工况信号中存在强噪声,根据时域和频域图无法识别出信号的变转速故障特征,因此首先对原始信号先进行EWT分解得到10个IMF分量。分解后通过计算10个IMF分量的相关系数和峭度来计算判断需要降噪的IMF分量以及降噪选择的窗长,计算结果如表2所示。
表2各个分量的峭度及与原信号的相关系数值
IMFs | 峭度 | 相关系数 | IMFs | 峭度 | 相关系数 |
IMF1 | 12.247 | 0.7459 | IMF2 | 2.3028 | 0.4099 |
IMF3 | 2.8077 | 0.0490 | IMF4 | 3.2046 | 0.0173 |
IMF5 | 2.8093 | 0.0060 | IMF6 | 2.4869 | 0.0017 |
IMF7 | 2.8603 | 0.0016 | IMF8 | 2.6061 | 0.0015 |
IMF9 | 3.2545 | 0.0003 | IMF10 | 2.9484 | 0.0001 |
计算得到全部EWT分量的标准差为0.0112,根据计算窗长系数。由表2可知,从第5个分量相关系数急剧下降且小于标准差,窗长阈值系数为0,因此只对前4个模态进行降噪处理,剩余分量保留。根据表2中各分量的峭度和自适应窗长公式计算每个分量适用的窗长,并进行TFPF处理。前四个分量处理前后的结果分别如图4和5所示。最后将去噪后的模态分量与不需去噪的模态结合重构得到最终的自适应时频峰值滤波结果。三种结果的时域波形图如图6所示。并对比降噪前的包络谱图7发现原始信号的包络谱中存在呈现倍频关系的高频成分,但不能明显观察到变转速信号的频率特征,且存在较高幅值的干扰成分和大量高频噪声。而自适应降噪后的包络谱图8中,存在三组递增的高幅值频率成分,对比理论故障频率发现其为故障频率。三组频率呈现倍频关系,且符合转速线性升高的特征,并且图中不含无关的高幅值干扰成分,且高频噪声明显被削减。由此说明联合EWT的自适应时频峰值滤波方法良好的降噪效果。
进而,对原始试验信号、只进行固定窗长的TFPF处理后信号和自适应窗长时频峰值滤波处理后信号分别进行短时傅里叶变换,结果如图9、图10和图11所示。结果显示,经过自适应降噪处理后,能够识别出更加锐化、能量集中度更高的时频脊线,时频分辨率明显高于降噪前信号。说明信号中的高频噪声成分被明显削减,其中的冲击特征成分被有效保留,信号的特征更加凸显,体现本方法具有良好的降噪效果。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法,其特征在于,包括以下步骤:
(1)以固定的采样频率采集强噪声下滚动轴承变转速工况下的振动信号,并记录采集信号段内的转频与时间的变化关系;
(2)对滚动轴承故障信号进行经验小波分解,得到频率成分由高到低的不同的信号分量;
(3)计算步骤(2)中的各个信号分量与原信号之间的相关系数以及分量间的标准差;
(4)通过相关系数与标准差对比筛选出故障敏感的模态分量,即将相关系数大于标准差的信号分量作为后续降噪处理的对象,将相关系数小于标准差的信号分量保留不做处理;
(5)对步骤(4)筛选出来的需要进行降噪处理的分量计算其峭度值,构造融合相关系数和峭度的故障敏感度指标,并依据该指标对时频峰值滤波方法的窗长进行自适应调节,由此进行自适应窗长的时频峰值滤波处理;
(6)通过降噪后的各模态分量和保留分量重构振动信号,实现滚动轴承振动信号降噪。
2.根据权利要求1所述的一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法,其特征在于,所述步骤(2)实现过程如下:
(21)傅里叶谱频带划分:通过快速傅里叶变换:得到信号的傅里叶谱,基于香农准则将频谱标准化于[0,π],将其分割成N个连续的不等宽频带区间,则各频带范围表示为:
Λn=[ωn-1,ωn](n=1,2,…,N) (1)
式中,ωn为信号的傅里叶谱相邻极大值点Ψn的中点;以每个支撑边界ωn为中心定义一个过渡段,其宽度为:
Tn=2τ (2)
式中,
(22)基于频带边界坐标构造滤波器组:根据Meyer小波的构造方法构造的经验小波尺度函数和小波函数ψn(w)分别为:
式中,函数β(x)=x4(35-84x+70x2-20x3),τn=γωn,
(23)通过小波基函数滤波得到分量信号:根据经典小波变换的构造方法构造经验小波变换细节系数和近似系数,细节系数和近似系数/>分别代表了信号的高频成分和低频成分:
式中,<·>为内积运算;ψn与φ1分别为经验小波函数和尺度函数;和/>分别为ψn和φ1(ω)的傅里叶变换,/>和/>分别为ψn和φ1(ω)的共轭复数;原始信号重构为:
式中,*表示卷积,和/>分别表示/>和/>的傅里叶变换。
3.根据权利要求1所述的一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法,其特征在于,步骤(3)所述相关系数通过以下公式实现:
Rx(τ)=E[x(t)x(t+τ)] (9)
式中,表示各个IMF分量与原信号的互相关值;Rx(τ)表示原信号本身的自相关,x(t)表示原信号,cj(t)表示第j个IMF分量;含有故障信息的IMF分量与原信号的相关性比较大,如果是虚假分量即伪分量的相关性比较小。
4.根据权利要求1所述的一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法,其特征在于,所述步骤(4)实现过程如下:
相关系数大于标准差的IMF分量和原信号的相似程度较大,计算窗长阈值系数:
其中,σ为所有信号分量的标准差的平均值;当信号的相关系数大于σ时,窗长系数取1,需要对其进行降噪处理;当信号的相关系数小于σ时,表明该信号判定为无冲击成分,故障敏感度过低,不作为有效信号进行降噪。
5.根据权利要求1所述的一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法,其特征在于,所述步骤(5)实现过程如下:
(51)计算筛选出分量的峭度值,峭度的计算公式如下:
式中,x为离散信号;为信号均值;N为采样长度;σ为信号的标准差;
(52)构造融合相关系数和峭度的故障敏感度指标κ:
式中,Kj为第j个分量的峭度值;
依据κ对时频峰值滤波方法的窗长进行自适应调节,定义自适应窗长KL的公式为:
其中,fs为采样频率,fd为信号段的主频;
(53)基于峭度值的TFPF自适应窗长调节公式,根据分量中冲击信号和噪声强度自适应调整时窗长度;其中窗长系数γ作为分割有效成分的阈值,当γ=0时,窗长为0,表明该分量无需进行处理;当γ≠0时,根据信号主频确定时窗长度,主频越高,时窗长度越小;根据敏感度指标κ的项,说明时窗长度与峭度成反比;峭度越低,噪声成分比重越大,时窗长度越长,随机噪声压制效果越明显;由于信号经过小波分解后的幅值随尺度增大而减小,因此/>项的分母部分log(j+2)越大,其窗长越小,防止对于低幅值分量滤波窗长过大,导致过度压制;
(54)基于峭度值的TFPF自适应滤波,对于含噪信号s(t),对其进行频率调制变为解析信号:
其中,μ为z(t)相位的缩放系数;然后求解析信号的伪Wigner-Ville分布:
最后,将伪Wigner-Ville分布中峰值处的瞬时频率作为有效信号x(t)的估计:
6.根据权利要求1所述的一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法,其特征在于,所述步骤(6)实现过程如下:
通过降噪后的各模态分量和保留分量重构振动信号,其中降噪后的模态分量是经过步骤(5)的自适应窗长TFPF处理后的分量,剩余模态分量是步骤(4)中与EWT分量中与原信号之间的相关系数小于标准差的信号分量,最终实现滚动轴承振动信号降噪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310397054.5A CN116522074A (zh) | 2023-04-14 | 2023-04-14 | 一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310397054.5A CN116522074A (zh) | 2023-04-14 | 2023-04-14 | 一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116522074A true CN116522074A (zh) | 2023-08-01 |
Family
ID=87400350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310397054.5A Pending CN116522074A (zh) | 2023-04-14 | 2023-04-14 | 一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116522074A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117346664A (zh) * | 2023-12-04 | 2024-01-05 | 南京烽火星空通信发展有限公司 | 一种基于旋转测棒数据的光棒弓曲度计算方法 |
CN117828518A (zh) * | 2024-03-06 | 2024-04-05 | 天津万事达物流装备有限公司 | 一种用于物流仓库的四向车智能控制管理系统 |
-
2023
- 2023-04-14 CN CN202310397054.5A patent/CN116522074A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117346664A (zh) * | 2023-12-04 | 2024-01-05 | 南京烽火星空通信发展有限公司 | 一种基于旋转测棒数据的光棒弓曲度计算方法 |
CN117346664B (zh) * | 2023-12-04 | 2024-03-15 | 南京烽火星空通信发展有限公司 | 一种基于旋转测棒数据的光棒弓曲度计算方法 |
CN117828518A (zh) * | 2024-03-06 | 2024-04-05 | 天津万事达物流装备有限公司 | 一种用于物流仓库的四向车智能控制管理系统 |
CN117828518B (zh) * | 2024-03-06 | 2024-05-14 | 天津万事达物流装备有限公司 | 一种用于物流仓库的四向车智能控制管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Feature extraction method based on adaptive and concise empirical wavelet transform and its applications in bearing fault diagnosis | |
CN116522074A (zh) | 一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法 | |
Zheng et al. | Incipient fault detection of rolling bearing using maximum autocorrelation impulse harmonic to noise deconvolution and parameter optimized fast EEMD | |
Dong et al. | Noise resistant time frequency analysis and application in fault diagnosis of rolling element bearings | |
Li et al. | A new strategy of using a time-varying structure element for mathematical morphological filtering | |
Jiang et al. | Sparse dictionary design based on edited cepstrum and its application in rolling bearing fault diagnosis | |
CN109682601A (zh) | 一种变转速工况下滚动轴承的早期故障识别方法 | |
CN108388908B (zh) | 基于k-svd和滑窗降噪的滚动轴承冲击故障诊断方法 | |
CN110991564B (zh) | 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法 | |
CN111238813B (zh) | 一种强干扰下提取滚动轴承故障特征的方法 | |
CN112101245A (zh) | 基于频域窗函数的短时傅里叶变换机械冲击特征提取方法 | |
CN109029999B (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
CN114636556A (zh) | 基于ceemdan分解判断轴承故障的方法、电子设备及存储介质 | |
CN112183259B (zh) | 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法 | |
CN112067297B (zh) | 一种轴承故障特征提取方法 | |
CN103699513A (zh) | 一种基于多尺度噪声调节的随机共振方法 | |
CN111007316A (zh) | 基于fft与dwt的混合谐波检测改进方法 | |
CN113607415A (zh) | 一种变转速下基于短时随机共振的轴承故障诊断方法 | |
Zhang et al. | Improved local cepstrum and its applications for gearbox and rolling bearing fault detection | |
Zheng et al. | Faults diagnosis of rolling bearings based on shift invariant K-singular value decomposition with sensitive atom nonlocal means enhancement | |
CN112098093A (zh) | 一种轴承故障特征识别方法及识别系统 | |
CN117349615B (zh) | 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法 | |
Lu et al. | A noise reduction method of rolling bearing based on empirical wavelet transform and adaptive time frequency peak filtering | |
CN117571316A (zh) | 一种复合故障诊断方法及系统 | |
CN110147637B (zh) | 基于小波及谐波成分贪婪稀疏识别的碰摩故障诊断方法 |
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 |