[发明专利]基于EMD分解和小波阈值的自适应降噪方法

说明书

本发明涉及基于经验模态分解和小波阈值的自适应降噪方法，首先对含噪轴承振动信号进行经验模态分解EMD得到有限个本征模态分量imf_i(t)，该步骤代替了传统小波分解的部分，克服了传统小波分解需要预设小波基函数类型和分解层数的问题；然后对含噪imf_i(t)分别选取适当的阈值和阈值函数进行处理并得到估计f(imf_j,k(t))；最后对估计f(imf_j,k(t))进行循环迭代，直到RMSE去噪条件达到最优为止。该方法克服了传统小波重构时通过手动反复设置分解层数来达到去噪效果最优的问题。

技术领域

本专利申请属于机电设备轴承的故障检测技术领域，更具体地说，是涉及一种基于EMD分解(经验模态分解)和小波阈值的自适应算法的轴承信号降噪方法。

背景技术

大型旋转机械设备的正常运作在金属冶炼、石油化工、电力系统、纺织机械、航空航天等行业都有着举足轻重的地位，随着机械设备自动化水平越来越高，对大型旋转机械故障诊断的实时性、快速性、准确性提出的要求也越来越高。比如，在大型火力发电厂中，某些重要的机械轴承一旦发生故障，将会给旋转机械的稳定运行造成一定的隐患，甚至会造成机器设备故障损坏、发生人身安全事故等一系列灾难性的后果。在国内外，由于旋转设备出现故障后不能及时排除，引起的破坏性事故频频发生。近些年出现的一些国内外大型旋转机械中的滚动轴承事故，不仅造成了巨大的经济损失，而且带来了严重的人员伤亡。若能在大型轴承运转过程中有效地提取故障信号，并能有效地加以处理掉其他噪声，对于诊断机械设备的安全运行将会具有非常重大的意义。

近年来，出现了很多可用于确定小波分解层数的途径和方法。比如，通过比对小波分解低频系数与尺度系数来确定最优分解层数，该方法缺乏自适应性。通过母小波函数和信号长度来确定最大分解层数，该方法未考虑具体数据特点，确定的最佳分解尺度并不准确。通过小波近似系数重构信号与原始信号的相关性来确定最佳分解层数，该方法未统一相关系数阈值并且计算量大。通过奇异谱分析来确定最优小波分解层数，该方法存在确定奇异谱斜率阈值不清晰并且计算量大。通过交叉验证获取小波分解最优层数，该方法未考虑信号与噪声的先验知识及其在小波域的相关性。通过小波系数进行白噪声检验来确定分解层次，该方法不适用小样本数据。

轴承振动信号是一种非线性非平稳信号，非平稳信号是一种分布参数随时间变化的随机信号。小波变换因自身良好的局部时频分析能力，经验模态分解(EMD,EmpiricalMode Decomposition)具有自适应性优点，在处理非线性、非平稳信号上具有优势性。

发明内容

本发明需要解决的技术问题是提供一种基于EMD分解和小波阈值的自适应降噪方法，可以解决小波分解层数选取、小波基函数选取等问题，从而对轴承振动信号进行降噪处理，提取出所需要的振动信号。

本发明技术方案是：一种基于EMD分解和小波阈值的自适应降噪方法，首先对含噪轴承振动信号进行EMD分解得到imf_i(t)；然后对含噪imf_i(t)分别选取适当的阈值和阈值函数进行处理并得到f(imf_j,k(t))；最后对f(imf_j,k(t))进行循环迭代直到RMSE去噪条件达到最优为止，该步骤克服了传统小波重构时通过手动反复设置分解层数来达到去噪效果最优的问题。

进一步地，包括以下步骤：

步骤a、EMD分解代替小波分解处理：对含噪轴承信号进行筛选迭代分解后分解成不同组成成分的n个imf_i(t)和1个tr：式中：x(t)是轴承信号；imf_i(t)是EMD分解系数；n是分解出imf_i(t)个数；tr是趋势项；