[发明专利]一种自适应阈值频率的振动信号小波分析去趋势项方法

说明书

本发明提供一种自适应阈值频率的振动信号小波分析去趋势项方法，属于机械系统振动信号预处理领域领域。本发明方法首先建立消趋效果判据W，基于W曲线良好的阈值频率自适应筛选规律，优选出准确率较高的五个小波函数，利用它们的W曲线筛选结果综合判断出最佳阈值频率，然后设定阈值频率，基于W曲线筛选出最优小波函数，完成阈值频率和小波函数的自适应设置。根据本发明的方法，不用依赖经验比较各种阈值频率和小波函数在处理信号时的实际效果，就能自适应判定最优阈值频率和小波函数。本发明的方法具有较好的自适应性和实用性，以及较高的计算效率，提高了振动信号小波分析的自适应性。

技术领域

本发明涉及机械系统振动信号预处理领域，具体涉及一种自适应阈值频率的振动信号小波分析去趋势项方法。

背景技术

在机械系统状态监测和故障诊断中，受传感器频率外的低频性能不稳定，放大器随温度变化产生零点漂移，周围环境的干扰等因素的影响，实测振动信号往往会偏离基线，并且在进行信号类型转换时，零点没有调准就会产生一个常数，积分之后就成了一条直线，此外低频噪声经过积分放大后也会成为缓慢变化的趋势成分。趋势项的存在会严重影响信号时域相关分析和频域功率谱估计精度，严重的趋势项干扰甚至会使低频谱严重失真。

目前，去除信号趋势项的方法较多，其中最小二乘曲线拟合法、高通滤波法、分段多项式拟合法、滑动平均法等方法通常需要预先假定信号中趋势项类型，不适用于处理具有复杂变化趋势或随机变化趋势的非平稳信号，适用范围受到严重制约。基于EMD的有效成分提取技术虽然不需要考虑趋势项类型就能够实现非平稳信号的自适应分解，但受到模态混叠和端点效应的影响，分解出的趋势函数比较粗糙，制约了信号有效成分的提取精度。因此，应用较为广泛的去趋势项方法是基于小波变换的方法，但基于小波变换的方法目前还存在很多挑战。

小波变换需要根据先验知识预先选择小波函数和分解层数。信号与小波函数越相似，信号特征更容易被提取出来。从信号中移除的趋势项的频率上限称为阈值频率，阈值频率决定了小波分解层数，其关系为：L＝floor(log2(fs/ftr))，式中：L为分解层数，fs为采样率，ftr为阈值频率，floor()函数的功能是把一个小数向下取整。通常采集到的信号其趋势项成分不确定，而且频率上限难以预知，故在工程应用上，一般通过比较各种阈值频率和小波函数在处理信号时的实际效果来判定阈值频率和小波函数的适用性，所以传统小波分析去趋势项方法受人为选择因素影响较大，不具备自适应性。

发明内容

本发明要解决的技术问题，在于提供一种自适应阈值频率的振动信号小波分析去趋势项方法，能自适应判定阈值频率和小波函数，具有较好的自适应性和实用性，以及较高的计算效率。

本发明是这样实现的：

一种自适应阈值频率的振动信号小波分析去趋势项方法，包括：

沿机械结构的振动方向安装传感器获取加速度信号，将所述加速度信号通过信号类型转换得到含趋势项的振动信号；

对所述含趋势项的振动信号进行频域分析，得到振动信号的频率F；

通过数组运算建立消趋效果判据W；

根据所述消趋效果判据W进行自适应筛选，得到自适应阈值频率，所述自适应阈值频率的筛选范围为0.1～F/2；

设定阈值频率为所述自适应阈值频率，然后根据所述消趋效果判据W进行自适应筛选，得到自适应小波函数；

利用所述自适应阈值频率和所述自适应小波函数，对含趋势项的振动信号作小波分析去除趋势项处理。

进一步的，所述通过数组运算建立消趋效果判据W，具体包括：

S301、计算输入信号中最大值减最小值之差D1；

S302、将所述输入信号中所有极大值按时间先后顺序存入数组L1；