[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

摘要

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。

主权项

一种基于分层自适应阈值函数的小波阈值降噪方法，其特征在于，构建一个连续可导的自适应阈值函数，具体包括以下步骤：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；步骤3：计算有用信号中的最小频率fmin与对应的小波基的中心频率f0的最大分解层数j，计算公式如下所示：2j-1≤f0Δt·fmin≤2j---(1)]]>得到j个高频系数与1个低频系数；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，w(x,m)=x+λ(m+1)eλ-|x|-λx≥λsign(x)|xm+1|(m+1)·λmeλ-|x||x|<λx-λ(m+1)eλ-|x|+λx≤-λ---(2)]]>其中，m是趋势参数；步骤5：计算反映阈值函数的趋势参数m，mj=1+11EnjEdj---(3)]]>其中，Enj是小波分解第j层中噪声的能量，Edj是小波分解第j层中含噪信号的能量；当j取值为1时，En1≈Ed1，此时m取得最大值12；理想状态下将噪声全部去除，Enj＝0，此时m取得最小值1；一般状态下，估计Enj的值有可自适应得到m的取值，m的取值范围为(1,12]；步骤6：计算各分解层的阈值，分层阈值根据各层系数的特征进行选取；分层阈值根据各层系数的特征进行选取，可采用基于Stein的无偏似然估计原理(SURE)的自适应阈值选择(rigrsure)，对于一个给定阈值，得到它的似然估计，再将该非似然阈值最小化，可以自适应得到最终的阈值λ；步骤7：小波信号的重构根据小波分解的低频系数和阈值处理后的j个高频系数，进行振动信号的小波重构，得到去噪后的信号。