[发明专利]基于MIC和CEEMDAN的水电机组尾水管压力脉动数据滤波方法

说明书

本发明涉及振动信号分析与处理技术领域，具体涉及一种基于MIC‑CEEMDAN的水电机组尾水管压力脉动信号去噪方法，首先对原始信号进行CEEMDAN方法分解预处理信号得到一系列IMF分量，同时计算各个分量的最大信息数(MIC)，并根据MIC值大小将分量划分为高频含噪分量、信噪混合分量和低频有效分量，最后以阈值0.2为界将低频有效分量进行信号的重构，从而完成水电机组尾水管压力脉动信号的去噪。该方法可以有效减少干扰噪声对有效信号分析的影响，同时解决了信号处理过程中的模态混叠和端点效应，能有效减少干扰噪声的影响，显著提升水电机组尾水管压力脉动信号去噪的准确度。

发明领域

本发明涉及振动信号分析与处理技术领域，具体是涉及一种基于MIC和CEEMDAN的水电机组尾水管压力脉动数据滤波方法。

背景技术

水电机组振动监测信号常包含大量异常数据，严重影响机组健康状态评估与预测，目前数据清洗常见于风电机组、电网等，水电机组应用较少。现有水电机组尾水管压力脉动信号的噪声滤除和故障特征提取方法按照其信号处理的算法的不同，大致可分为以下几类：一是基于傅里叶变换的传统的水电机组尾水管压力脉动信号去噪方法；二是基于小波分析的水电机组尾水管压力脉动信号去噪方法；三是利用经验模态分解方法(EmpiricalMode Decomposition，EMD)及衍生的相关分解算法，如集合经验模态分解EEMD(EnsembleEmpirical Mode Decomposirion)，、CEEMD算法、VMD算法的水电机组尾水管压力脉动信号去噪方法。

小波分析虽然可以进行相应的非平稳信号分析，但是其参数设置缺乏自适应性。经验模态分解(EMD)虽可在时频上对信号进行全面分析，但其分解过程中容易产生模态混叠、端点效应等问题。EEMD虽然在EMD的基础上加了白噪声进行辅助从而更好的解决模态混叠现象，但是会有残余白噪声，且IMF分量的选取完全依靠经验来确定，严重影响了对信号分解重构的准确性。VMD可以实现信号频域内各个分量的自适应分割，能够有效克服EMD分解中产生的模式混叠现象，比EMD更强的噪声鲁棒性以及更弱的端点效应，但是VMD不是对于所有的非平稳信号都是可以直接使用的，对一些非平稳信号需要进行预处理，另外在对VMD中的K参数进行选择时，没有一个准则，需要经验知识来进行调整。

CN114992033A公开了NLM-CEEMDAN算法对于水电机组信号的去噪处理，首先采用非局部均值滤波(NLM)进行噪声预处理，然后通过CEEMDAN分解为若干个本征模态函数IMF分量，并对每一个IMF进行样本熵计算，从而根据熵值来划分各不同噪声，然后对其进行小波阈值作最会的去噪处理。与本专利相比，CN114992033A对其NLM预处理算法要求其像素点数较多导致计算时间长，且一般去除的是高斯白噪声，这与后续CEEMDAN中增加白噪声环节相反。至与最后的小波阈值的处理，受限于小波基和分解层数的选择，使得对最终的去噪效果产生很大的影响。

发明内容

本发明的目的在于针对现有技术中CEEMDAN方法对低信噪比信号的去噪效果不理想的问题，提出了一种基于MIC-CEEMDAN的水电机组尾水管压力脉动信号去噪方法，可用于有效去除水电机组尾水管压力脉动信号中的噪声成分，以便于实现水电机组尾水管的在线监测和故障特征提取。

为实现上述目的，本发明所述基于MIC-CEEMDAN的水电机组尾水管压力脉动信号去噪方法，其特征在于包括如下步骤：

S1.将所述水电机组尾水管原始压力脉动信号y(t)进行CEEMDAN集合经验模态分解，获得固有模态分量IMF；

S2.分别计算各模态分量IMF和原始信号y(t)的MIC值；

S3.根据所述MIC值的大小，将分量集合划分为高频噪声分量、信噪混合分量和低频有效分量三部分；

S4.从原始水电机组尾水管压力脉动信号y(t)中滤除所述高频噪声分量和信噪混合分量，完成水电机组尾水管压力脉动信号的去噪，重构后的信号为x(t)。