一种旋转机械振动信号降噪的新方法研究

合集下载

基于自相关的旋转机械振动信号EMD分解方法研究_胡劲松

基于自相关的旋转机械振动信号EMD分解方法研究XSTUDY ON THE AUTOCO RRELATION-BASED VIBRATION SIGNALEMD DECOMPOSITION METHOD IN ROTATING MACHINERY胡劲松X X1杨世锡2(1.宁波工程学院电信学院,宁波315010)(2.浙江大学机能学院,杭州310027)HU JingSong1YANG ShiXi2(1.Department o f Electronic and Information Technology,Ningbo University o f Technology,Ningbo315010,China)(2.College o f Mechanical and Energy Engineering,Zhejiang University,Hangzhou310027,China)摘要提出基于自相关的振动信号经验模态分解(empirical mode decomposition,E MD)方法,该方法的步骤为,首先对振动信号进行自相关处理,然后再用EMD方法进行分解。

该方法与直接用EMD分解的方法进行相比,具有如下优点,能把受到严重干扰的信号的主要振动模态更清晰地分解出来;不用信号延拓就可以获得较好的分解效果,避免了延拓不好对EMD分解效果的影响。

研究结果表明,该方法相对直接EMD分解的方法能更好地把主要的振动模态从振动信号中分解出来。

该方法可广泛用于旋转机械振动信号时频分析领域。

关键词旋转机械振动信号自相关经验模态分解中图分类号TP206TH113.1TH165.3Abstract The autocorrelation-based empirical mode decomposition(EMD)method was proposed.Steps of the method is that, firs t,applied autocorrelation process to the vibration signal,then the processed signal was analyzed using EMD.A simulate and a real signal were researched using the method and normal EMD.s.It is poin ted that the method has some merits compared to the normal EMD.s,it can extract main vibration components from seriously noised si gnal more clearly,the method can attain good decomposition ef-fect without data extension,so,bad data extension affected E MD decomposition effect was avoided.The results indicate that compared to the normal E MD the proposed method can extract main vibration components from vibration si gnal more clearly.T he suggested method can be applied widely to vi bration signal time-frequency analysis field in rotating machinery.Key words Rotating machinery;Vibration signal;Autocorrelation;Em pirical mode decomposition(EM D)Correspon ding author:H U Jin gSong,E-mail:nbhjs@,Tel:+86-574-66766100The project supported by the National Natural Science Foundation of Chi na(No.50675194).Manuscript received20060831,in revi sed form20061109.1引言对一列时间序列数据先进行E MD(e mpirical mode decomposition)分解,然后对各个分量作希尔伯特变换(Hilbert transfor mation)的信号处理方法,是由美国国家宇航局的Norden E.Huang于1998年首次提出的[1],美国国家宇航局称之为希尔伯特黄变换(Hilber-t Huang transformation,HHT),并认为HHT是宇航局在应用数学研究历史上最重要的发明,是200年来对以傅里叶变换为基础的线性和稳态谱分析的一个重大突破。

基于ASEGMF的旋转机械振动信号降噪方法研究

ＺＡｎｂ，ＷＮｏｇｕＥｕ－ｎ。Ｉｕ — ｅｇＨＮＧＷｅ —ｉｎＡＧＨｎ￣ｎ，ＴＮＧＲｉｉｇ，ＬｎｓｎｊＪｈ
（．Ｅｇｎｅｎｌｇ１ｎｉｅｒｇＣｏｌｅ，ＨｏｇｅＵｎｖｒｉｉｅｎｈｉｅｓｔｙ，Ｍｅｇｉ６０，Ｃｉａ；ｎｚ６１０１ｈｎ
ｔｅｈｉｈｃｌｏｔｃｕｅｅｅｎｒｅｎｅｈｅｇｔｓａｅｆｓｒｔｒｌｍｅｔｗｅｅｄｆｄ．Ｔｈｅｋｉｔｎｅｎｔｅｐａｈｉｈｗｅｅｄｅｎｄｃｏｄｉｏｕｉｅｐａｄｓａｃａｄｈｅｋｅｇｔｒｆｅａｃｒｎｇｔｉｓｇａ ’ ｌｃｌｃａａｔｒｓｉｓ，ａｔｅｔｃｌａｄｔｅｅｇｔｓａｅｏｉｅｔｃｕｅｅｅｎｒｇｔｎｂｕｉｇｉｎｌｏａｈｒｃｅｉｔＳｃｎｄｈｅｌｎｇｈｓａｅｎｈｈｉｈｃｌｆｓｎｓｒｔｒｌｍｅｔｗｅｅｏｔｙｓｎｕｅ
振
３Ｏ卷９期
动
与
冲ｊｊ
Ｖｏ．０１３Ｎｏ９０Ｉ．２Ｉ
ＪＯＵＲＮＡＬＯＦＶＩＢＲＡＴ０Ｎ１ＡＮＤＨ０ＣＫＳ
基于ＡＳＧＭＦ的旋转机械振动信号降噪方法研究Ｅ
张文斌，王鸿钧，滕瑞静，李俊生
（．红河学院１学院，１云南蒙自６１０２６１０；．浙江大学机械工程学系，杭州３０２）１０７

旋转机械振动信号的小波域维纳滤波去噪

旋转机械振动信号的小波域维纳滤波去噪杨尚君;张峰;石现峰【摘要】In order to remove the noise in rotating machinery vibration signal during the acquisition and transmission process,the algorithm of Wiener filtering in wavelet domain is proposed to meet the requirements of vibration signal filtering,based on Wiener filtering and wavelet threshold filtering, through the establishment of rotating machinery vibration signal acquisition ing the rotating machinery vibration signal which is actual measurement in the industrial field, the algorithm is simulated.The result shows:This algorithm can maintain the linear phase characteristics for rotating machinery vibration signal,the filtered signal doesn't produce the amplitude distortion;The mean square error of Wiener filtering in wavelet domain is less than that of Wiener filtering and wavelet threshold filtering.The denoising result is better than Wiener filtering and wavelet threshold filtering.%为了去除旋转机械振动信号采集传输过程中混入的噪声干扰,文中基于维纳滤波和小波阈值滤波,通过建立旋转机械振动信号采集模型,结合振动信号滤波要求,提出了旋转机械振动信号的小波域维纳滤波算法.利用工业现场旋转机械实测振动信号,对该算法进行仿真.结果表明:该算法保持了旋转机械振动信号的线性相位特性,滤波后信号未产生明显的幅度失真;小波域维纳滤波的均方误差小于维纳滤波和小波阈值滤波,去噪效果优于维纳滤波和小波阈值滤波.【期刊名称】《西安工业大学学报》【年(卷),期】2016(036)010【总页数】5页(P856-860)【关键词】旋转机械;振动;小波域维纳滤波;线性相位【作者】杨尚君;张峰;石现峰【作者单位】西安工业大学电子信息工程学院,西安 710021;西安工业大学电子信息工程学院,西安 710021;西安工业大学电子信息工程学院,西安 710021【正文语种】中文【中图分类】TN911.4旋转机械故障检测采用数字信号处理的方法对实际测量的振动信号进行分析，用以参数检测和质量评价.在采集及传输的过程中，振动信号不可避免的混入噪声干扰，对振动信号的滤波处理既要取得较好的效果，也要保证振动信号的均衡相位，以便根据这些特性,来进行状态检测和故障诊断，应用于旋转机械振动信号的滤波处理当中.传统的有限冲击响应(Finite Impulse Response，FIR)滤波器和无限冲击响应(Infinite Impulse Response，IIR)滤波器，两者的滤波算法滤波效果和线性相位之间难以达到均衡[1]；文献[2]采用维纳滤波对非平稳振动信号进行处理，研究表明未达到预期效果；文献[3]采用循环维纳滤波对振动信号进行周期性的分段处理，每段采用维纳滤波方法，有效的去除了自适应噪声，但是循环维纳滤波算法复杂度大；文献[4]基于离散余弦变换(Discrete Cosine Transform，DCT)算法，保留了信号的部分离散余弦变换域的点数，实现了数据的压缩，但是DCT滤波算法对于大数据的压缩存在着数据丢失，滤波效果差的问题.针对振动信号滤波的敏感相位和滤波效果的问题，文中将维纳滤波和小波阈值滤波相结合，通过建立旋转机械振动信号采集模型，结合振动信号滤波要求，提出旋转机械振动信号的小波域维纳滤波算法.利用工业现场旋转机械实测振动信号，对该算法进行仿真，以期满足滤波要求和线性相位，以适用于其他一维含噪信号的处理.旋转机械振动信号的采集模型如图1所示.图1中ω为旋转机械转轴转动的角频率，v为转轴转动的线速度，理想情况下振动信号可表示为y=A+Bcos(ωt+φ)信号处理前将其直流分量去除，随机变量φ服从在[0,2π]区间的均匀分布，根据平稳随机过程的定义，有E(y)=E[Bcos(ωt+φ)]=Ry(t1,t2)=E[y(t1)y(t2)]=根据工业现场的实际情况，对旋转机械实际振动信号进行实际采集.数据采集的相关参数如下：32倍频采样，采样频率为1 600 Hz，每通道连续采集128点.较为理想情况下，振动信号的时域波形如图2所示.为研究去噪性能，对信号加入非平稳随机噪声，噪声点数为达到与采样点数匹配，故取128点，加噪后的振动信号如图3所示.理想状况下，振动信号各次谐波的谱峰位置应出现在50 Hz的整倍频处，谱峰位置包含了转轴运行状态的有用信息，因此谱峰的准确性直接影响了后期的故障诊断.而初始相位的偏移会导致振动信号后期谱估计中谱峰的分裂或偏移，因此对于振动信号的滤波，单位冲击响应应具有较高的线性相位[5].振动信号频谱图的方差和分辨力性能也直接受到噪声的影响，因此为了获得较好性能的方差和分辨力，应尽可能的对振动信号的噪声进行去除.经典的FIR滤波器和IIR滤波器在滤波效果和线性相位方面均难以满足要求，故需要引入现代的维纳滤波算法来进行处理.根据最小均方误差准则[6],提出一种针对平稳过程的最优估计器.假定观测信号模型为x(n)=s(n)+w(n)式中：s(n)为真实信号；w(n)为加性高斯白噪声，其分布为w(n)～N(0,δ2).根据FIR滤波器准则，有维纳滤波算法原理如图4所示.其中Z-1表示Z变换，e(n)表示真实信号与滤波后信号的误差.均方误差为若使均方误差最小，应满足维纳霍夫方程通过图5可以看出，振动信号的维纳滤波算法保持了信号的初始相位均衡，但滤波效果较差，达不到后期信号处理的要求.根据小波阈值滤波，对含噪声信号进行正交小波变换.选择合适的小波基函数和分解小波层数，对含噪信号进行正交小波分解，得到对应的小波分解系数，其中包含了低频系数和高频系数.选择合适的阈值，对分解后的系数进行阈值处理.每一层小波系数再进行量化处理.进行小波反变换.将阈值处理后的小波系数进行重构，得到小波阈值滤波后的信号.实验选用软阈值函数进行处理[8]，数学表达式为δ(σ)=sgn(σ)(|σ|-λ),|ω|>λ根据选用的Coif5小波基，分解2层，小波阈值滤波的结果如图6所示.从图6中可以看出，直接进行小波阈值去噪处理的信号取得了较好的平滑特性，但滤波后信号产生了失真，不能作为后期的信号处理对象.利用Haar小波作为小波基将信号从时域转化为小波域[9].Haar小波基函数为对于非平稳过程，功率谱密度与频率的幂成反比的，振动信号在经小波变换后能够，不同尺度间较强的相关性可有效去除，可以认为非平稳信号在经过小波变换后起到了信号的白化作用[10]，满足上述结果的条件须进行正交小波变换，Haar小波作为简单的正交函数，将振动信号从时域转化到小波域选用Haar小波，降低了信号的非平稳特性的同时，保留了信号的有用信息[11-12].根据维纳滤波的原理，在构建维纳霍夫方程前需已知加噪信号和期望信号，利用小波阈值去噪对加噪振动信号进行简单的阈值去噪处理，将原始振动信号作为期望信号，两者同时变换到小波域进行维纳滤波处理[13].小波域维纳滤波算法过程如下：① 将加噪的振动信号进行小波阈值去噪进行预处理，得到信号，用于构建小波域的维纳霍夫方程；② 分别将原始振动信号(作为期望信号)和小波阈值去噪信号两者分别利用Haar小波进行小波变换，分别提取两者的近似分量和细节分量；③ 利用两者细节分量构建维纳霍夫方程，对小波阈值去噪信号的细节分量进行滤波处理，利用两者近似分量构建维纳霍夫方程，对小波阈值去噪信号的近似分量进行滤波处理；④ 利用小波反变换函数对上述信号处理结果进行反变换，其利用的小波基仍为Haar小波.小波域32阶次维纳滤波算法信号处理结果如图7所示.通过图7和图5的对比，小波域维纳滤波算法具有较好的线性相位特性，振动信号初始相位没有发生明显偏移.在小波域维纳滤波的滤波阶数小于维纳滤波阶数的同时，小波域维纳滤波能取得更好的滤波效果.根据图7和图6的比较，利用小波阈值滤波算法保证了振动信号滤波后的平滑特性，该算法可用于实际的振动信号去噪环境中.由于计算量较大，该算法可做振动信号的离线分析处理.分别计算各种算法滤波后的结果与原始振动信号做均方误差的求解，进行算法性能定量分析和对比，得出数据见表1.从表1可看出，小波域维纳滤波的均方误差要小于维纳滤波和小波阈值滤波，小波域维纳滤波算法性能优于各种单独算法，小波域维纳滤波算法滤波后的信号更接近原始的振动信号.利用小波域维纳滤波算法对振动信号进行去噪处理，对其结果进行频谱分析，采取周期图法，功率谱密度(Power Spectral Density,PSD)估计图如图8所示.f为频率,DPS为功率谱密度.根据振动信号的采集模型，信号每周期采样32点，采样频率为1 600 Hz，因此信号的固有频率为50 Hz.从图8中可以看出，滤波后振动信号的谱峰处于50 Hz 整倍频处，功率谱图中的谱峰具有较好的尖锐程度，分辨率性能较好，具有较强辨别信号的能力，且谱峰没有发生偏移或分裂的现象.因此滤波后的振动信号适用于后期的旋转机械故障检测.1) 将振动信号从时域转化到小波域，降低了振动信号的非平稳特性，小波域维纳滤波算法保留了维纳滤波算法的线性相位特性，信号原有的初始相位未发生偏移，滤波后的信号幅值和相位未产生失真.2) 小波域维纳滤波去噪性能优于维纳滤波和小波阈值滤波，均方误差小于维纳滤波和小波阈值滤波.3) 小波域维纳滤波后的振动信号，功率谱图中的谱峰处于50 Hz整倍频处，分辨率性能好，辨别信号的能力优于维纳滤波，谱峰没有发生偏移或分裂，适用于后期的旋转机械故障检测.ZHANG Feng,SHI Xianfeng,ZHANG Xuezhi.Principle and Application of Digital Signal Processing[M].Beijing:Electronics Industry Press,2012.(in Chinese)MING Yang.Study on Cyclostationarity and Blind Source Separation-Based Rolling Element Bearing Fault Feature Extraction[D].Shanghai:Shanghai Jiao Tong University,2013.(in Chinese)MING Yang,CHEN Jin,DONG Guangming.Rolling Bearing Fault Diagnosis Based on Cyclic Wiener Filtering and Envelop Spectrum[J].Journal of Vibration Engineering,2010,23(5):537.(in Chinese)GUAN Bo,HU Jinsong.Research on the Method of the Vibration Signal of Rotating Machinery Based on DCT[J].Turbine Technology,2007,49(4):285. (in Chinese)LI Nan.Study on the Speech Antinoise Based on Wavelet Transform and Wiener Filtering[J].Electro Acoustic Technology,2007,31(5):46.(in Chinese) YANG Lingxiang,YAO Bin.Denoisng Method via Local Wiener Filtering in Wavelet Domain Based on Canny Operator[J].Journal of Bingtuan Education Institute,2009,19(5):35.(in Chinese)LI Dongbing,LI Guoping,TENG Guowei,et al.New Method of De-noising Based on Wavelet and Wiener Filtering[J].VideoEngineering,2013,37(13):26.(in Chinese)HU Yaobin,CHEN Aihua,ZHANG Chunliang.Research of Denoising Technology about Wavelet Analysis with Wiener Filter[J].Communication of Power System,2006,27(162):42.(in Chinese)。

一种旋转机械振动信号的盲源分离消噪方法

第３卷第５２期
２１年１月０２Ｏ
振动、测试与诊断
ＪｕｎｌｆＶｉｒｔｏＭｅｓｒｍｅｔ＆Ｄｉｇｏｉｏｒａｂａｉｎ。ａｕｅｎｏａｎｓｓ
Ｖｏ１２Ｎｏ．．３５０ｃ．２２ｔ０１
一
பைடு நூலகம்
种旋转机械振动信号的盲源分离消噪方法
噪声的分离。基于小波分解的降噪方法在旋转机械
的故障诊断领域取得了一定的进展［］但存在参数２， ≈
敏感（阈值和小波基函数的选择）如和平稳性假设等
问题。
设ＳＩ： … ，］ — ｓ，，为一组相互独立的源信号，一［ｚ一，］Ｘｚ，为一组观测信号，Ｘ中的各分量由Ｓ中的各个独立的源信号线性组合而成，用
矩阵表示为
一
独立分量分析（ｄｐｎｅｔｃｍｐｎｎｎｌ— ｉｅｅｄｎｏｏｅｔａｙｎａ
ｓ，ｉ简称ＩＡ）源信号和传播特性都未知的情况ｓＣ在下，将多个观测信号按照统计独立原则通过优化算法分解为若干尽可能独立的成分，以获得对源信号的估计Ｌ。基于ＩＡ的消噪方法理论上可处理各种４］Ｃ
消噪方法通过构造虚拟噪声观测，一维观测扩展将
为多维，用ＩＡ算法分离信号［，需要正确估计再Ｃ５但］

一种旋转机械振动信号特征提取的新方法

(4)
根据以上对噪声 n( t) 的假设 , 其二次相关函
数为
Rn ( t ,τ)
= E{ n( t) n( t +τ) } =
σ τ = 0 0 τ ≠0
(5)
式中 ,σ为常数。
同样 ,噪声函数的三次相关函数为
Rn ( t ,τ,τ) = E{ n( t) n( t +τ) n( t +τ) } =
由 EMD 得到的真实 IM F 分量 ; ④对选取出来的
各个 IM F 进行 Hilbert 变换 ,根据 Hilbert 边际谱
提取旋转机械振动信号中的特征信号。
2 信号特征提取的仿真实现
2. 1 时序多相关 - EMD 的仿真实现为验证时序多相关 - EMD 在信号特征提取
γ τ = 0 0 τ ≠0
(6)
式中 ,γ为常数。
考虑到是对旋转机械振动信号的采样序列 ,
有等式 :
E{ x ( t) } = E{ x ( t +τ) }
(7)
E{ n( t) } = E{ n( t +τ) }
(8)
这样 , 根据式 (1) 、式 (5) ～式 (8) , 式 (4) 可以表
式中 , E{ x ( t) } 为旋转机械振动信号的均值 , 在采样为整
循环周期时 , E{ x ( t) } 是一个常数。
式 (10) 中的 3σE{ x ( t) } +γ为一个常数 ,也就
是说采样时间序列的三次相关函数等于系统特征
振动信号的三次相关函数与一个常数的和。根据
EMD 的性质 ,这一常数将会体现在后继分解的余项里 ,不影响分解得到的 IM F 分量 , 从而可以看出 ,通过时序多相关处理 ,消除了零均值噪声对特征信号的干扰 ,凸显了特征信号 ,有利于微弱特征信号的特征提取 ,为 Hilbert - Huang 变换提供了一种数据前处理的方法 , 对提高 EMD 的效果起到了很好的作用。相比一般的仅对 EMD 数据进

机械振动信号滤波与降噪

机械振动信号滤波与降噪机械振动在工业生产中广泛存在，而随着技术的发展，对机械振动信号的滤波与降噪也变得越来越重要。

本文将探讨机械振动信号滤波与降噪的方法与应用。

一、机械振动信号的特点机械振动信号通常具有高频、多峰值和随机性的特点。

这些特点使得机械振动信号的分析和处理面临一定的挑战，因此，滤波与降噪成为了必不可少的工作。

二、滤波与降噪的意义滤波与降噪可以提取出机械振动信号中的有用信息，去除杂散噪声，使得信号更加清晰可辨。

这对于分析机械运行状态、故障诊断和提高机械设备的可靠性具有重要意义。

三、机械振动信号滤波与降噪的方法机械振动信号的滤波与降噪方法有很多，下面介绍其中几种常用的方法：1.时域滤波方法：时域滤波方法是通过对信号进行时域分析，采用窗函数来对信号进行滤波。

这种方法通常能够较好地保留信号的主要特征，但对于频率下降较快的信号，效果不佳。

2.频域滤波方法：频域滤波方法是将信号转换到频域进行分析和处理，常用的方法有傅里叶变换和小波变换。

这种方法能够较好地分析信号的频率特征，但对于高噪声、非线性和非平稳信号处理效果较差。

3.小波变换方法：小波变换方法是一种时频分析方法，能够更好地处理非线性和非平稳信号。

通过选取不同的小波基函数，可以更好地适应信号的特点，提高滤波与降噪效果。

四、机械振动信号滤波与降噪的应用滤波与降噪技术在机械振动监测与故障诊断中有着重要的应用。

通过对振动信号进行滤波和降噪，可以提取出有用的故障特征，根据这些特征进行故障诊断和预测，为设备维护提供依据。

除了机械设备的故障诊断，滤波与降噪技术还应用于信号处理、图像处理、语音处理等领域。

例如，在声音处理中，滤波与降噪可以去除噪声干扰，提高语音的清晰度和质量。

五、总结机械振动信号滤波与降噪对于提取有用信息、改善信号质量具有重要意义，能够应用于工业生产和科学研究中。

各种滤波与降噪方法的选择应根据不同的信号特点和应用需求进行，综合考虑各种方法的优缺点，以达到最佳效果。

大型旋转机械非平稳振动信号的EEMD降噪方法_曹冲锋

振　动　与　冲　击第28卷第9期J O U R N A LO FV I B R A T I O NA N DS H O C KV o l .28N o .92009　大型旋转机械非平稳振动信号的E E MD 降噪方法基金项目:国家自然科学基金(50675194)、国家863(2008A A 04Z 410)资助项目收稿日期:2008-10-20　修改稿收到日期:2008-11-21第一作者曹冲锋男,博士生,1979年生通讯作者杨世锡男,教授,博士生导师,1968年生曹冲锋,杨世锡,杨将新(浙江大学机械工程系国家重点实验室,杭州　310027) 摘　要:针对现有各种降噪方法处理非平稳机械振动信号存在的缺点,提出一种基于辅助白噪声经验模式分解技术来自适应实现旋转机械非平稳振动信号降噪。

该方法是一种集成的经验模式分解(E n s e m b l e E m p i r i c a l m o d e d e c o m p o s i -t i o n ,E E M D )降噪算法,利用正态分布白噪声在经验模式分解中具有的二进尺度分解特性,可以有效抑制常规经验模式分解降噪算法处理非平稳振动信号时产生的模式混叠现象。

通过仿真计算和转子启动过程试验振动信号对新降噪方法、经验模式分解降噪方法及小波降噪方法的性能进行了比较测试,结果表明,在非平稳机械振动信号降噪方面,新降噪方法具有更高的信噪比,不仅能够消除高斯噪声,而且能够有效降低脉冲干扰,提取出反映信号实际物理意义的振动固有模式。

关键词:降噪;旋转机械;启动过程;振动信号;集成经验模式分解中图分类号:T N 911.7;T H 165.3 文献标识码:A 大型旋转机械在启动阶段,振动信号非平稳特征突出、频谱结构变化大,蕴含着有关设备丰富的动力学特性与故障征兆信息[1-2]。

因此,启动过程中振动信号的分析方法研究对于旋转机械的状态监测和早期故障诊断至关重要。

一种旋转机械滚动轴承振动信号降噪解调方法[发明专利]

专利名称：一种旋转机械滚动轴承振动信号降噪解调方法专利类型：发明专利
发明人：夏长亮,石项夫,夏志凌,胡凯波,沈燚明,张振,於立峰,崔娜,史婷娜
申请号：CN202210137748.0
申请日：20220215
公开号：CN114486263A
公开日：
20220513
专利内容由知识产权出版社提供
摘要：本发明公开了一种旋转机械滚动轴承振动信号轴承故障诊断方法。

采集旋转机械滚动轴承的振动信号作为原始采集信号，从原始采集信号中提取出一系列分量信号；计算一系列分量信号与原始采集信号之间的互相关系数，使用互相关系数对分量信号加权，计算加权和得到重构信号；解调重构信号得到能量序列，根据能量序列的离散傅里叶变换频谱判断旋转机械滚动轴承的故障情况。

使用本发明所提出的方法获得诊断结果能明显削弱背景噪声、凸显轴承故障特征，且具有需要人工选定的参数少、参数鲁棒性强、计算简便快速等优势。

申请人：浙江大学,浙江浙能兰溪发电有限责任公司
地址：310058 浙江省杭州市西湖区余杭塘路866号
国籍：CN
更多信息请下载全文后查看。

一种旋转机械振动信号小波去噪方法

（．ｎｔｕｅｏｖｖ￣ｉｎＯｄａｃｅａ，ｈｎｈｉ００；．ｖｌｎｖｒｉｆｎｉｅｒｇＷｕａ３０１ＩｓｉｔｆｔＮａｙＡｉｏｒｎｎｅＲｐ￣Ｓａｇａ００２ＮａａＵｉｅｓｔｏｇｎｅｉ，ｈｎ４０３）２ｙＥｎ３
动信号去噪中的应用。针对旋转机械故障信号的特点，提出阈值去噪和模极大值相结合的小波去噪方法对振动信号进行处理，并利用多种指标对去噪后信号做出全而客观的评价。实验结果表明该方法可以有效的
提高故障信号信噪比，有利于提高后期故障诊断的准确率。关键词：旋转机械小波去噪故障检测模极大值中图分类号：Ｔ５５Ｂ３文献标志码：Ａ文章编号：１０．８２２１）３０６－４０３４６（０２０．０１０
船电技术１应用研究
一
种旋转机械振动信号小波去噪ቤተ መጻሕፍቲ ባይዱ法
冯淞景建方郭虎生
（．军航空军械修理所上海２００；２海军工程大学湖北武汉４０３）１海０００．３０３
摘
要：针对旋转机械的非平稳振动信号难以用传统方法处理的问题，本文讨论了小波方法在旋转机械振
ｒｔｉｇｏａｔｎｍａｃｎｅｙｈｉｒ．
Ｋｅｒｓｒｔｔｇｍａｈｎｒ；ａｅｅｄ —ｏｓｎ，ａｌｄａｎｓ；ｄｌｓｘｍａｙｗｏｄ：ｏａｉｃｉｅｙｗｖｌｔｎｉｇｆｕｔｉｇｏｅｍｏｕｕｉｎｅｉ＂ｍａ

一种旋转机械振动信号小波去噪方法

一种旋转机械振动信号小波去噪方法
冯淞;景建方;郭虎生
【期刊名称】《船电技术》
【年(卷),期】2012(032)003
【摘要】针对旋转机械的非平稳振动信号难以用传统方法处理的问题,本文讨论了小波方法在旋转机械振动信号去噪中的应用。

针对旋转机械故障信号的特点,提出阈值去噪和模极大值相结合的小波去噪方法对振动信号进行处理,并利用多种指标对去噪后信号做出全而客观的评价。

实验结果表明该方法可以有效的提高故障信号信噪比,有利于提高后期故障诊断的准确率。

【总页数】4页(P61-64)
【作者】冯淞;景建方;郭虎生
【作者单位】海军航空军械修理所,上海200000;海军航空军械修理所,上海200000;海军工程大学,湖北武汉430033
【正文语种】中文
【中图分类】TB535
【相关文献】
1.小波阈值函数旋转机械振动信号去噪方法研究 [J], 付元华;罗仁泽;曹鹏;赵新;刘红军
2.基于小波理论的滚动轴承振动信号去噪方法初探 [J], 王森;
3.基于改进小波包的堆内构件振动信号去噪方法研究 [J], 王志超;夏虹;朱少民;杨波
4.齿轮箱振动信号的多小波阈值去噪方法研究 [J], 王旭升;吴志光
5.CEEMDAN-小波阈值联合的球磨机筒体振动信号去噪方法研究 [J], 蔡改贫;赵小涛;胡显能;黄祥海;陈慧明
因版权原因，仅展示原文概要，查看原文内容请购买。

机械振动信号降噪算法研究

机械振动信号降噪算法研究引言机械振动信号降噪在很多领域都扮演着重要角色，包括工业制造、交通运输以及医疗设备等。

振动信号的降噪可以提高系统的性能和精度，减少噪声对信号的干扰。

本文将探讨现有的机械振动信号降噪算法，并对其进行分析和比较。

一、经典降噪算法1. 时间域滤波算法时间域滤波算法是最常见的信号降噪方法之一。

其中最简单的方法是移动平均滤波，即对信号的每个采样点取周围一段时间内的平均值。

该方法有效地去除了高频噪声，但也可能模糊信号的细节。

2. 频域滤波算法频域滤波算法可以将信号转换到频域进行处理。

其中最常用的方法是傅里叶变换，将信号转换为频谱图，并通过滤波器对不需要的频率成分进行剔除。

这种方法可以有效地去除背景噪声，但对低频信号的处理效果较差。

二、改进算法1. 小波变换算法小波变换算法是一种同时具有时间和频率信息的信号分析方法。

通过对信号进行小波变换，可以将信号分解成不同频率的子信号，然后根据需求选择性地滤除或保留特定频率的分量。

这种方法在处理机械振动信号降噪中具有较好的效果。

2. 自适应滤波算法自适应滤波算法是一种根据信号自身特性自动调整滤波器参数的方法。

该算法根据信号的统计特性实时更新滤波器的参数，以适应信号的变化。

这种算法可以有效地适应不同特征的信号，并具有较好的降噪效果。

三、算法评估与比较1. 评估指标在对机械振动信号降噪算法进行评估时，常用的指标包括信噪比（SNR）和均方误差（MSE）。

信噪比反映了信号与噪声的比例关系，值越大表示降噪效果越好。

均方误差则衡量了降噪算法的误差大小，误差越小表示算法效果越好。

2. 比较结果对于不同类型的机械振动信号，不同的降噪算法可能有不同的表现。

例如，在高频噪声较多的情况下，时间域滤波算法可能效果较好；而对于低频噪声较多的信号，频域滤波算法可能更为适用。

根据实验结果，可以发现小波变换和自适应滤波算法在处理机械振动信号降噪中表现较好。

小波变换算法通过将信号分解成不同频率的子信号，可以更加精细地处理信号的频段。

一种旋转机械振动信号的有效消噪方法

ＡｎＩｍｐｒｏｖｅｄＳｉｇｎａｌＤｅｎｏｉｓｉｎｇＭｅｔｈｏｄｉｎＭｅｃｈａｎｉｃａｌＦａｕｌｔＤｉａｇｎｏｓｉｓ
ＺＨＡＮＧＰｅｎｇ－ｒｕｉ，ＹＡＮＧＺｈｉ — ｇａｎｇ
ｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎｉｓｐｒｅｓｅｎｔｅｄ．Ｆｉｒｓｔｌｙ，ｔｈｅｏｉｇｒｉｎａｌｓｉｇｎａｌｉｓｄｅｃｏｍｐｏｓｅｄｉｎｔｏｔｈｅｂｅｓｔｗａｖｅｌｅｔｓｂｙＳｈａｎｎｏｎｅｎ￣ｏｐｙｃｉｔｒｅｉｏｒｎ．ＡｎｄｔｈｅｗａｖｅｌｅｔｃｏｅｉｃｆｉｅｎｔｓｏｆｔｈｅｎｏｉｓｙｐａｒｔａｒｅｄｅｃｏｍｐｏｓｅｄｂｙＥＭＤ，ａｎｄｔｈｅｂｅｎｄｃｏｍｐｏ —
（１．ＤｅｐａｒｔｍｅｎｔｏｆＢａｓｉｃＣｏｕｒｓｅｓ，ＧａｎｓｕＣｏｎｓｔｒｕｃｔｉｏｎＶｏｃａｔｉｏｎａｌＴｅｃｈｎｉｃｌａＣｏｌｌｅｇｅ，Ｌａｎｚｈｏｕ７３００５０，Ｃｈｉｎａ；
２．ＧａｎｓｕＳｐｅｃｉａｌＥｑｕｉｐｍｅｎｔＩｎｓｐｅｃｔｉｏｎａｎｄＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，Ｌａｎｚｈｏｕ７３００２０，Ｃｈｉｎａ）

基于数学形态学的旋转机械振动信号处理方法

基于数学形态学的旋转机械振动信号处理方法旋转机械振动信号处理是一项重要的领域，在工业生产和机械维护等方面都有广泛的应用。

而数学形态学是一种强大的数学工具，能够对旋转机械振动信号进行有效的处理。

本文将介绍基于数学形态学的旋转机械振动信号处理方法。

数学形态学是一种数学分析方法，适用于多种信号处理领域。

数学形态学将信号转换为形态学结构，利用形态学结构的几何形状、拓扑结构及其动态变化特征，来描述信号的细节信息和局部特征。

旋转机械振动信号的复杂性和信噪比较低的特点，使得数学形态学在该领域具有很强的适用性。

首先，通过对机械振动信号进行频域分析，得到信号的主要频率成分。

然后将信号转换为灰度图像，并应用形态学滤波器来减少噪声。

接下来，基于形态学结构的运算，对信号进行降噪、特征提取和信号分析。

在信号处理中，形态学结构的初步操作是基本形态学操作，包括膨胀、腐蚀、开运算和闭运算等。

通过这些操作可以捕捉到信号中的结构信息和特征。

其中，开运算和闭运算是两种最为基本的形态学操作，在旋转机械振动信号的处理中也十分常用。

开运算是先对信号先进行腐蚀处理，再进行膨胀处理。

其目的是消除小孔洞和微小的尖角，同时保留信号中的细节信息。

闭运算是先进行膨胀处理，再进行腐蚀处理。

其目的是消除小凸起和微小的孔洞，以及连接断裂的细节信息。

在基于数学形态学的旋转机械振动信号处理中，关键问题是如何选择合适的形态学结构和运算。

一般而言，我们可以通过试验和验证的方法，来选择最优的形态学结构和运算，来达到有效处理信号、提取特征和分析的目的。

例如，我们可以尝试不同的形态学结构和运算方法，来进行对比实验和分析，确定最佳的处理方法。

综上所述，基于数学形态学的旋转机械振动信号处理方法可以有效处理信号，提取特征和分析信号，具有很高的应用价值和利用前景。

未来，我们可以进一步探索数学形态学的运用领域，发挥数学形态学在信号处理中的优势，为机械振动分析与诊断提供更好的工具和方法。

机械振动信号滤波与降噪技术研究

机械振动信号滤波与降噪技术研究在机械工程领域中，振动信号的滤波与降噪技术一直是研究重点。

振动信号的滤波与降噪对于准确监测和判断机械设备的运行状态至关重要。

本文将探讨几种常见的机械振动信号滤波与降噪技术，并对其原理和应用进行详细分析。

一、时域滤波技术时域滤波技术是一种基于时间的信号处理方法，常见的时域滤波方法有加窗平均法、均值滤波法和中值滤波法等。

加窗平均法是一种常见的平滑滤波方法，它通过采集振动信号的一系列数据，并对其进行时间平均处理，以消除高频噪声的影响，得到准确的振动信号。

这种方法适用于周期性较强的振动信号。

均值滤波法是一种常见的抑制噪声方法，它通过采集振动信号的一系列数据，并对其进行求平均运算，以消除随机噪声的影响。

这种方法适用于信号噪声比较均匀的情况下。

中值滤波法是一种常见的去除脉冲噪声方法，它通过求信号中间值来代替脉冲噪声，从而得到准确的振动信号。

这种方法适用于信号中存在脉冲噪声的情况下。

二、频域滤波技术频域滤波技术是一种基于频率的信号处理方法，常见的频域滤波方法有FFT滤波法、小波变换法和自适应滤波法等。

FFT滤波法是一种常见的频域滤波方法，它通过将振动信号转换为频谱图，并根据频谱图进行滤波处理，以消除不同频率的噪声干扰。

这种方法适用于信号频谱比较清晰的情况下。

小波变换法是一种常见的多尺度信号处理方法，它通过对振动信号进行小波分解和重构，以分析信号在不同频率尺度上的特征，从而实现滤波和降噪。

这种方法适用于信号频谱比较复杂的情况下。

自适应滤波法是一种常见的自适应信号处理方法，它通过输入信号的实时调整参数和滤波器系数，在滤波过程中动态地调整滤波器的参数，以适应不同频率分量的特征，从而实现滤波和降噪。

这种方法适用于信号频谱比较混杂的情况下。

三、时频域联合滤波技术时频域联合滤波技术是一种基于时域和频域的信号处理方法，它使用时域和频域两种方法的优势，从而提高滤波和降噪效果。

常见的时频域联合滤波方法有小波包变换法和经验模态分解法等。

基于机器学习的旋转机械故障诊断方法的研究

基于机器学习的旋转机械故障诊断方法的研究摘要旋转机械在工业生产中得到广泛应用，对旋转机械的故障诊断和预测成为了研究的热点之一。

本文提出了一种基于机器学习的旋转机械故障诊断方法，该方法可以对旋转机械进行故障分类和预测。

首先，采集旋转机械的振动信号和噪声信号，并对其进行滤波和降噪处理。

然后，通过小波变换将信号分解成多个尺度，利用能量和功率谱密度等特征参数进行特征提取。

最后，使用支持向量机、神经网络和随机森林等机器学习算法进行分类和预测。

实验结果表明，该方法可以有效地识别旋转机械的故障类型和预测故障发生时间，具有很高的诊断准确率和精度。

关键词：旋转机械；故障诊断；机器学习；小波变换；支持向量机；神经网络；随机森林AbstractRotating machinery has been widely used in industrial production, and the diagnosis and prediction of rotating machinery faults have become a hot research topic. In this paper, a machine learning-based rotating machinery fault diagnosis method is proposed, which can classify and predict faults of rotating machinery. First, the vibration signal and noise signal of the rotating machinery are collected and filtered and denoised. Then, the signal is decomposed into multiple scales by wavelet transform, and feature parameters such as energy and power spectral density are used for feature extraction. Finally, machine learning algorithms such as support vector machines, neural networks, and random forests are used for classification and prediction. The experimental results show that this method can effectively identify the type of rotating machinery faults and predict the time of fault occurrence, and has high diagnostic accuracy and precision.Keywords: Rotating machinery; fault diagnosis; machine learning; wavelet transform; support vector machine; neural network; random forest1. IntroductionRotating machinery is an important equipment in industrial production, which is widely used in various industries. However, due to the complexity of the working environment and the high requirements for operation, rotating machinery is prone to various failures, which seriously affect the efficiency of production and the safety of personnel. Therefore, the diagnosis and prediction of rotating machinery faults have become the focus of attention of relevant researchers.In recent years, with the rapid development of machine learning technology, more and more researchers have applied machine learning algorithms to the field of rotating machinery fault diagnosis. Machine learning is a comprehensive discipline that combines computer science, statistics, and artificial intelligence. It can analyze and learn data patterns and rules automatically, and use these patterns and rules to make predictions and decisions.This paper proposes a machine learning-based rotating machinery fault diagnosis method. First, the vibration signal and noise signal of the rotating machinery are collected and filtered and denoised. Then, the signal is decomposed into multiple scales by wavelet transform, and feature parameters such as energy and power spectral density are used for feature extraction. Finally, machine learning algorithms such as support vector machines, neural networks, and random forests are used for classification and prediction. The experimental results show that this method can effectively identify the type of rotating machinery faults and predict the time of fault occurrence, and has high diagnostic accuracy and precision.2. Related workRotating machinery fault diagnosis has been studied for many years, and various diagnosis methods have been proposed. Traditional diagnosis methods mainly rely on the analysis of vibration signals and noise signals, and use frequency spectrum analysis, envelope analysis, and time-frequency analysis to extract fault features.With the continuous advancement of machine learning technology, machine learning-based rotating machinery fault diagnosis methods have gradually attracted attention. For example, Bai et al. [1] proposed a convolutional neural network-based fault diagnosis method for rolling bearings. The method uses a data augmentation strategy to improve the performance of the model, and achieves a high diagnostic accuracy of 99.8%.Liu et al. [2] proposed a hybrid feature extraction method based on variational mode decomposition and permutation entropy. The method can extract more effective fault features from raw vibration signals, and achieved a high diagnostic accuracy of98.5%.Zheng et al. [3] proposed a fault diagnosis method based on a combination of spectral clustering and support vector machine. The method can effectively identify the type of faults in rotating machinery, and achieved a high diagnostic accuracy of 96.3%.3. Methodology3.1 Data collection and preprocessingIn this study, the vibration signal and noise signal of the rotating machinery are collected by a sensor. The collected signals are first filtered by a band-pass filter to remove any undesirable frequency components. Then, the signals are denoised by using a wavelet threshold denoising method. After filtering and denoising, the signals are divided into multiple segments to facilitate subsequent analysis.3.2 Feature extractionThe wavelet transform is used to decompose the signal into multiple scales, and the energy and power spectral density of each scale are calculated as feature parameters. Specifically, the signal is decomposed into several levels by using the discrete wavelet transform, and the energy and power spectral density of each level are calculated. Then, the feature parameters of the signal are obtained by combining the energy and power spectral density of different scales.3.3 Classification and predictionMachine learning algorithms such as support vector machines, neural networks, and random forests are used for classificationand prediction. Support vector machines are used to classify the type of faults in the rotating machinery, and neural networks are used to predict the time of fault occurrence. Random forests are used to validate the performance of the proposed method.4. ResultsThe proposed method is tested on a set of data collected from a rotating machinery. The data set contains 5000 vibration and noise signals, and is divided into 70% training set and 30% test set. The performance of the proposed method is evaluated by using several indicators such as accuracy, precision, and recall.The experimental results show that the proposed method can achieve a high diagnostic accuracy of 95%, with a precision of 93% and a recall of 96%. The method can effectively classify the typeof faults in the rotating machinery, and predict the time of fault occurrence with a low error rate.5. ConclusionIn this paper, a machine learning-based rotating machinery fault diagnosis method is proposed. The method uses wavelet transform to extract feature parameters from vibration and noise signals, and uses support vector machines, neural networks, and random forests for classification and prediction. The experimental results show that the proposed method can effectively identify the type of faults in the rotating machinery, and predict the time of fault occurrence with a high diagnostic accuracy and precision.The proposed method has important practical applications in the field of rotating machinery fault diagnosis.。

机械工程中的振动信号降噪与特征提取

机械工程中的振动信号降噪与特征提取振动是机械系统中常见的现象，也是机械故障的重要特征之一。

对机械振动信号的降噪与特征提取在故障诊断及机械维修中起着关键作用。

本文将讨论机械工程中振动信号降噪和特征提取的相关技术和方法。

1. 振动信号降噪技术振动信号在采集和传输的过程中，常常受到噪声的干扰。

噪声的存在使得振动信号的分析和诊断变得困难，因此，振动信号降噪是首要任务。

传统的降噪方法包括滤波和降噪算法。

其中，滤波技术是最常用的方法之一。

低通滤波器用于去除高频噪声，而高通滤波器则可以去除低频噪声。

但是传统滤波方法往往会引入相位失真，从而影响信号的时间特性。

近年来，基于小波变换的降噪方法得到了广泛应用。

小波变换具有时频分析能力，并且可以在时域和频域之间进行数据转换，因此，能够更好地提取和去除噪声。

常见的小波降噪方法有阈值去噪、小波包去噪等。

这些方法通过设置阈值来去除小于该阈值的小波系数，从而实现降噪效果。

2. 振动信号特征提取技术振动信号的特征提取是故障诊断和机械状态监测的核心环节。

通过提取振动信号的特征，可以更好地了解机械系统的状态和故障特征，并进行相应的分析和判断。

常用的振动信号特征包括时域特征和频域特征。

时域特征是指在时间轴上对信号进行分析，常用的时域特征有均值、方差、峰值等。

频域特征是指通过对信号的频谱进行分析得到的特征，常用的频域特征有功率谱密度、峰值频率等。

除了时域和频域特征外，小波变换也被广泛应用于振动信号的特征提取。

小波变换能够提取振动信号的瞬时幅值和频率信息，从而能够更准确地描述信号的特征。

小波包变换可以进一步细化频率信息，提高特征提取的精度和灵敏度。

此外，机器学习方法也被应用于振动信号的特征提取。

通过建立合适的特征提取模型和分类器，可以自动提取并识别故障特征，实现自动化的故障诊断和机械状态监测。

在实际应用中，振动信号降噪和特征提取往往是一体化进行的。

首先，通过降噪技术清除信号中的噪声，然后再运用特征提取技术获得有用的故障特征。

转子振动信号的形态滤波消噪方法

于滤除信号下方的低谷噪声．
２一种广义形态滤波器的设计
本研究需解决好一个滑动轴承支承的转子实验
幅值／ｍｍ
图２原始信号的轴心轨迹图
Ｆｇ２Ｃｎｒｉｆｏｏｘｓｆｒｄｗｉｏｉｉａｉｎｌｉ．ｅｔｄｏｔｒａｉｏｍｅｏｒｈｔｒｇｎｌｇａｓｓ
Ｋｅｒｓｏｏ；ａｉｒｉ；ｍｏｐｏｏｉａｉｅｉｇｙｗｏｄ：ｒｔｒｘｓｏｂｔｒｈｌｇｃｌｆｔｒｎｌ
在旋转机械振动问题研究中，以转子系统为模型，通过振动试验手段，开展转子系统振动响应规律与故障响应特性的研究，是广泛使用的有效手段之但它首先需解决好实验采集信号的消噪滤波问题．为此，基于低通滤波器与小波分析的消噪方法受
ｖｓｉａｅＢｓｄｏｈｎｌｓｓｏｈｒｎｉｌｆｍａｈｍａｉａｒｈｌｇｃｌｆｌｒｎ，ａｇｎｒｌｅｅｔｔ．ａｅｎｔｅａａｙｉｆｔｅｐｉｃｐｅｏｔｅｔｌｍｏｐｏｏｉａｉｅｉｇｅｅａｉｄｇｃｔｚｍｏｐｏｏｉａｉｅｔｉｕｏｄｌｔｕｔｒｌｅｅｅｔｗａｄａｃｄａｃｒｉｇｔｈｈｒｃｅｉｔｃｆｔｅｒｈｌｇｃｌｌｒｗｉｓｎｓｉａｒｏｕａｌｍｎｓａｖｎｅｃｏｄｎｏｔｅｃａａｔｒｓｉｓｏｈｆｔｈｓ
第３７卷第４期
２１年８０１月
兰
州
理
工
大
学

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

为了同时去除信号中正、负两种噪声，通常采用形态开、形态闭的级联形式。Ｐ．Ｍａｒａｇｏ。采用相同尺寸的结构元素，通过不同顺序级联开、闭运算，定义了形态开一闭（ｏｐｅｎ－
期：收稿日２００５０－５－１３作者简介：胡爱军（１９７１一），男，博士研究生，主要从事旋转机械振动测试与故障诊断方面的研究。
１９４
汽轮机技术
第４７卷
粗化等。由于在振动信号分析中一般只涉及一维图像信号，本文只讨论一维离散情况下的灰度值形态变换，包括上述前４种变换及开、闭的级联组合。以下介绍基本形态运算在一维信号处理中的定义：
Ｋｅｙｗｏｒｄｓ：ｍａｔｈｅｍａｔｉｃａｌｍｏｒｐｈｏｌｏｇｙ；ｖｉｂｒａｔｉｏｎ；ｎｏｉｓｅ；ｆｉｌｔｅｒ；ｏｔｒａｔｉｎｇｍａｃｈｉｎｅｒｙ
０前言
振动信号分析是旋转机械状态监测与诊断中应用最广泛的方法。随着振动测试精度的不断提高，对现场数据采集的要求也相应提高。但由于现场的复杂性，实际应用中，现
状特征，通过数学形态变换将一个复杂的信号分解为具有物理意义的各个部分，将其与背景剥离，同时保持信号主要的形状特征，要比传统的线性滤波更为有效。数学形态滤波
力，实践表明该方法能取得较好的效果。
量的数据进行处理，且要求ቤተ መጻሕፍቲ ባይዱ时标信息的支持；小波降噪技Ｉ数学形态滤波的基本原理术的降噪效果则在很大程度上取决于滤波器性能的优劣，１．１数学形态基本变换即选择不同的滤波器所得的降噪效果也有所区别。另外，常用数字滤波器由于基于时域、频域或时频域（如小波）构建，数学形态学是一种非线性图像（信号）处理和分析工具。存在着诸如时滞、相移等缺点；对于信号频率和噪声干扰的数学形态学以集合来描述目标信号，其思想是设计一个称作探针” （相当于滤波窗），收集信号的信息，通过频率重叠在一起的情况，基于频域构建的所有数字滤波器，结构元素的“ 该探针在信号中不断移动，对信号进行匹配，以达到提取信包括小波滤波器都无法将两者区分开来。数学形态学［ ‘ 〕（ｍａｔｈｅｍａｔｉｃａｌｍｏｒｐｈｏｌｏｇｙ）是基于积分几号、保持细节和抑制噪声的目的。形态变换一般分为二值形态变换和多值形态变换（灰度变换）。全部形态变换包括７何和随机集论建立起来的有别于基于时域、频域的数学方本运算（２），即腐蚀、膨胀、开运算、闭运算、击中、细化和法‘这友法进丘值且处理旦丑取决于待处理信号的局部形种基
（１ＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇＤｅｐａｒｔｍｅｎｔ，ＮｏｒｔｈＣｈｉｎａＥｌｅｃｔｒｉｃＰｏｗｅｒＵｎｉｖｅｒｓｉｙｔ，Ｂａｏｄｉｎｇ０７１００３，Ｃｈｉｎａ；２ＣｈｉｎａＮａｔｉｏｎａｌＷａｔｅｒＲｅｓｏｕｒｃｅｓ＆ＥｌｅｃｔｒｉｃＰｏｗｅｒＭａｔｅｒｉａｌｓ＆ＥｑｕｉｐｍｅｎｔＣｏ．，Ｌｔｄ，Ｂｅｉｊｉｎｇ１０００５３，Ｃｈｉｎａ；３ＨａｒｂｉｎＴｕｒｂｉｎｅＴｏｍｐａｎｙＬｉｍｉｔｅｄ，Ｈａｒｂｉｎ１５００４６，Ｃｈｉｎａ）
（１华北电力大学机械工程学院，保定０７１００３；２中国水利电力物资有限公司，北京１０００５３；
３哈尔滨汽轮机厂有限责任公司，哈尔滨１５００４６）
摘要：提出了采用开一闭和闭一开组合数学形态滤波器处理旋转机械振动信号的新方法。研究了数学形态滤波器对含有不同类型、不同强度噪声的振动信号的处理方法。仿真计算及实验结果表明数学形态滤波器对振动信号有很好的滤波效果，特别是对于不明原因的脉冲干扰处理，比其它数字滤波器有明显的优势。关健词：数学形态学；旋转机械；滤波器；振动；噪声分类号：ＴＨ８２５文献标识码：：Ａ文章编号：１００１－５８８４（２００５）０３０－１９３０－３
用的数字滤波器有时域平均法、基于傅立叶变换的滤波器及小波滤波器等。时域平均方法在具体实施过程中需要对大
本文根据旋转机械振动信号的特点，采用数学形态滤波器处理含噪声的振动信号，以期在有效消除信号噪声的同时保留原信号的全局和局部特征。通过仿真计算研究了数学形态滤波器对含有不同类型、不同强度噪声信号的降噪能
第４７卷第３期
２００５年６月
汽轮机技术
ＴＵＲＢＩＮＥＴＥＣＨＮＯＬＯＧＹ
Ｖｏｌ．４７Ｎｏ．３
７ｕｎ．２００５
一种旋转机械振动信号降噪的新方法研究
胡爱军’ ，吴智泉２，李宏伟，，刘贵强，，郝力 ’
Ａｂｓｔｒａｃｔ：Ａｎｅｗｍｅｔｈｏｄｂａｓｅｄｏｎｔｈｅｓｔｕｄｙｏｆｍａｔｈｅｍａｔｉｃａｌｍｏｒｐｈｏｌｏｇｙｐｒｏｐｏｓｅｄｔｏｄｅ－ｎｏｓｉｎｇｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓｏｆｒｏｔａｔｅｍａｃｈｉｎｅｙｒ．Ｔｈｅａｂｉｌｉｔｙｏｆｒｅｄｕｃｔｉｏｎｎｏｉｓｅｉｎｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓｂｙｏｐｅｎ－ｃｌｏｓｉｎｇａｎｄｃｌｏｓｅ－ｏｐｅｎｉｎｇｃｏｍｂｉｎｅｄｍｏｒｐｈｏｌｏｇｉｃａｌｆｉｌ－ｔｅｒｓｄｉｓｃｕｓｓｅｄｉｎｔｈｉｓｐａｐｅｒ．Ｓｉｍｕｌａｔｉｏｎａｎｄｅｘｐｅｒｉｍｅｎｔｅｘａｍｐｌｅｄｅｍｏｎｓｔｒａｔｅｔｈｅｅｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅａｌｇｏｒｉｔｈｍ．Ｉｔｉｓｍｏｅｒｅｆｅｃｔｉｖｅｔｈａｎｔｒａｄｉｔｉｏｎａｌｄｉｇｉｔａｌｆｉｌｔｅｒｓｉｎｐｏｒｃｅｓｓｔｈｅｐｕｌｓｅｄｎｏｉｓｅｓ．
在旋转机械振动信号现场采集中经常存在随机脉冲干扰，对于此类干扰，工程上一般采用测量相邻采样值，取其差值作为判断依据的限幅滤波法来剔除脉冲，但阑值选择及剔除脉冲后相应数据点的替代值的选择均会给数据带来很大误差０设原始信号ｆ（ｎ）为定义在Ｆ二（０，１，－－－，Ｎ一１）上的离为考察形态滤波器对脉冲干扰的滤波效果，在ｘ（ｔ）中间散函数，定义序列结构元素盯ｎ）为‘ 二（０，１，．．．，Ｍ一１）上的隔一定时间，加人幅值为１０的正负脉冲干扰信号，未滤波的离散函数，且Ｎ－＞Ｍ，则ｆ（ｎ）关于以ｎ）的腐蚀和膨胀分别定信号波形及频谱如图１所示，图中纵坐标为无量纲幅值，时义为：下同）。从图中可以看出，由于脉（ｆｉｇ）（ｎ）二ｍｉｎ［ｆ（ｎ＋ｍ）一ｇ（ｍ）１（１）域波形横坐标为采样点数（冲有一定的周期性，频谱图中出现了二（ ‘ ）中没有的谐波分式中，ｍｅ０，１，－－－，Ｍ一１，并有分量与基频重合，使基频幅值增大，已不能反映信号（．ｆ（Ｄｇ）（ｎ）＝ｍａｘ［ｆ（ｎ一ｍ）＋ｇ（ｍ）〕（２）量，的真实状态。对于此情况，常用的滤波器已无法得到好的滤式中，ＭＥ０，１，－－－，Ｍ一ｔｏ波效果。选择长度为４的三角形结构元素，采用（７）式构造ｆ（ｎ）关于ｇ（ｎ）的开运算和闭运算分别定义为闭和闭一开组合形态滤波器，对信号进行形态滤波处理汀ｏｇ）（ｎ）二（州ｇｅｇ）（ｎ）（３）开一所示，时域图中实线为滤波后的汀・ｇ）（ｎ）二（．ｆ田ｇ吻）（ｎ）（４）后的时域波形及频谱如图２红色虚线为原始信号ｘ（ｔ）（下同）。这里符号。和・分别表示开运算和闭运算。开运算使目波形，可以看出，滤波后的波形完整再现了原始信号的时域及标轮廓光滑，并去掉毛刺和孤立点，它可以抑制信号中的峰值（正脉冲）噪声；闭运算则填平了小沟、弥合了孔洞和裂缝，频域特征。说明形态滤波取得了满意效果。可以滤除信号中的低谷（负脉冲）噪声。开、闭运算均具有低通特性，它们的组合可以用做形态学滤波。从以上定义还可以看出，形态变换的实现一般只包含布尔运算、加减法运算而不需要做乘法，计算简单，运行速度快，这是数学形态学的又一突出优点。１．２形态开、闭组合滤波器
ＳｔｕｄｙｏｎａＮｅｗＭｅｔｈｏｄｏｆＤｅ一ＮｏｉｓｉｎｇＶｉｂｒａｔｉｏｎＳｉｇｎａｌｓｏｆＲｏｔａｔｉｎｇＭａｃｈｉｎｅｒｙＨＵＡｉ－ｊｕｎｔ，ＷＵＺｈｉ－ｑｕａｎ２，ＬＩＨｏｎｇ－ｗｅｉ３，ＬＩＵＧｕｉ－ｇｉａｎｇ３，ＨＡＯＬｉ３