[发明专利]一种基于分层自适应阈值函数的小波阈值降噪方法

说明书

本发明公开一种基于分层自适应阈值函数的小波阈值降噪方法，在采集旋转机械的轴承信号过程中，由于现场设备和环境的干扰，采集的信号含有噪声，为了保证测量数据的真实有效，有必要对采集的原始轴承信号进行降噪处理。本发明构造了一个在阈值处连续并在小波域内可导且存在趋势参数的阈值函数，通过计算各小波分解层的噪声信号能量与总信号能量的熵值获得各层趋势参数，得到对应小波分解层的阈值函数数学模型。本发明方法使小波阈值函数在各分解层自适应的选取趋势参数，能够更有效的去除轴承外圈故障、内圈故障和滚珠故障信号中的噪声成分，达到更好的去噪效果。

技术领域

本发明属于机械轴承故障信号降噪技术领域，特别是涉及一种针对轴承故障信号的基于分层自适应阈值函数的小波阈值信噪分离方法。

背景技术

在采集旋转机械的轴承信号过程中，由于现场设备和环境的干扰，采集的信号含有噪声，当设备存在故障时会产生较大影响，不利于故障诊断。为了保证测量数据的真实有效，有必要对采集的原始轴承信号进行降噪处理。由于小波变换在时域和频域内具有局部化特性，其多分辨率的特征善于处理非平稳信号，在去噪领域获得了非常好的效果。因此小波阈值去噪算法可用于对轴承故障信号降噪，实现故障诊断的数据预处理。

在阈值算法中，硬阈值函数和软阈值函数是最常见的去噪函数，但是存在一定的局限性，硬阈值函数由于存在间断点，重构信号会产生震荡，软阈值信号由于对低频段也进行了压缩，因此重构信号始终存在偏差，函数如图1所示。对于轴承故障信号来说，有用信号的频率分为两种：转动频率与故障频率。轴承的故障信息存在于高频信号中，容易和噪声信号混淆，需要选择一种新的阈值函数，可以根据信号特点自适应地选择阈值函数进行去噪，突出信号中的有用信号成分，抑制信号中的噪声成分。所以，在对轴承故障信号降噪时，解决小波阈值函数的选择问题将是十分重要的

发明内容

在MFS机械故障模拟实验台上采集原始轴承故障信号后，在应用于故障诊断前，将面临一个问题是信号的去噪问题。对于轴承故障信号，要尽量准确地突出信号的有效部分，抑制噪声的部分，这样才会为后续故障诊断的工作奠定基础，提高故障诊断的准确率。本发明针对以上问题，实现一种基于分层自适应小波阈值函数的轴承故障信号降噪方法，构造了一个在小波域内连续且可导的阈值函数，可以根据信号特征自适应地选择阈值函数，实现信号去噪。

本发明采用了如下的技术方案及实现步骤：

一种基于分层自适应小波阈值函数的轴承故障信号降噪方法，包括以下步骤：

步骤1、在MFS机械故障模拟实验台上进行轴承故障信号的采集，故障种类分为外圈故障、内圈故障和滚珠故障。

步骤2、对采集的轴承故障振动信号进行小波分解，选择具有正交性的dbN系小波基函数作为离散小波变换的小波基。该系小波基函数的消失矩阵是N，N越大基函数的相似性就越明显，压缩和消除噪声的效果也就越好，N优选为4。

步骤3、计算有用信号中的最小频率f_min与对应的小波基的中心频率f₀的最大分解层数j，有用信号中的最小频率f_min与对应的小波基的中心频率f₀之间的最大分解层数j计算公式如下所示：

得到j个高频系数与j个低频系数，其中Δt是采样周期。

步骤4、对小波分解后的j个高频小波系数进行阈值处理，构造一个在阈值处连续且在小波域内可导的阈值函数，

其中，w(x,m)是去噪后的信号，λ是阈值，m是趋势参数。

步骤5、计算反映阈值函数的趋势参数m，公式如下所示：