[发明专利]一种基于EWT-SE及小波阈值的叶片声信号降噪方法

说明书

本发明公开一种基于EWT‑SE及小波阈值的叶片声信号降噪方法，针对风力发电机叶片声音受随机风噪影响导致难以获取纯净叶片声信号的问题，对样本熵进行改进；并根据叶片声信号特性，对小波阈值函数进行修改，提出一种基于经验小波变换(EWT)‑样本熵(SE)与小波阈值的叶片声信号降噪方法。该方法首先通过EWT将信号分解为各模态函数，通过改进的样本熵算法计算各模态函数的样本熵值并选取信号重构分量；之后对边界模态函数进行小波阈值再降噪；最后重构分量得到降噪后的信号。利用现场录取的叶片声音数据对该方法进行分析与验证，结果表明该方法的降噪效果更优，能够得到较为纯净的叶片信号，为后续提取叶片声学特征奠定基础。

技术领域

本发明属于信号处理相关领域，涉及一种基于EWT-SE及小波阈值的叶片声信号降噪方法，该方法相比小波阈值去噪法、EMD去噪法及EMD-小波阈值去噪法的去噪效果更优，利用该方法对风场故障叶片声音与正常叶片声音进行去噪证明该方法对随机风噪滤除效果显著，得到了较为纯净的叶片声信号，为后期提取叶片的声信号特征奠定基础。

背景技术

风力发电机长期工作在复杂的露天环境中，叶片很容易产生开裂、腐蚀等故障，如果不能及时发现，将对风机的安全运行带来风险。由于故障叶片会产生异常信号，一些学者以风电机叶片的声发射信号、振动信号、气动信号等为研究对象，提取叶片的状态信息特征，并进一步进行故障诊断。但是上述方法都需要安装相应的传感器，成本较高。而叶片的声信号在不停机的情况下就可以获取，无需额外的传感器，因此利用声信号对叶片进行故障诊断具有广泛的应用前景。但是现场录取的声音会受到随机性极强的风噪影响，从而无法获得纯净的风机叶片声信号。因此对风机的叶片声音进行降噪具有十分重要的意义，并为后续提取叶片的声学特征从而进行故障诊断奠定基础。

发明内容

为克服现有技术的不足，本发明提供一种基于EWT-SE及小波阈值的叶片声信号降噪方法，该方法对传统的样本熵算法进行改进，并根据叶片声信号特性对小波阈值函数进行修改；具体过程是：首先通过经验小波变换(EWT)将声信号分解为各模态函数，之后通过改进的样本熵算法计算各模态函数的样本熵值选取信号重构分量；之后对边界模态函数进行小波阈值再降噪；最后重构分量得到降噪后的声信号。

本发明解决所述技术问题的技术方案是：设计一种基于EWT-SE及小波阈值的叶片声信号降噪方法，该方法采用下述步骤：

步骤1：利用EWT分解方法对原始风机叶片声信号时间序列进行分解，得到不同频率下的模态函数分量f_i(t)；

步骤2.：利用改进的样本熵算法计算各模态函数分量的样本熵值；

步骤3：将各模态函数分量的样本熵值从大到小排列，选取样本熵突变后的模态函数分量作为信号重构分量，并将样本熵突变后的第一个模态函数分量提取为边界模态函数；

步骤4：利用修改后的小波阈值函数对步骤3中所提取的边界模态函数进行再降噪；

步骤5：对步骤3中所选取的除边界模态函数之外的信号重构分量和经步骤4降噪处理后的边界模态函数进行重构，得到降噪后的叶片声信号。

与现有技术相比，本发明的有益效果是：本发明方法对样本熵算法进行了改进，并对小波阈值函数进行了修改，创造性的提出一种基于经验小波变换(EWT)-样本熵(SE)与小波阈值的叶片声信号降噪方法，该方法与小波阈值去噪法、EMD去噪法和EMD-小波阈值去噪法相比，去噪效果更优。利用该方法对风场故障叶片声音与正常叶片声音进行去噪，证明该方法对随机风噪滤除效果显著，得到了较为纯净的叶片声信号，并可以凸显故障叶片的故障声音，为后期提取叶片的声信号特征奠定基础。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图以及表格作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。