CN114186577A - 一种基于小波变换的振动加速度信号去噪方法及装置 - Google Patents

一种基于小波变换的振动加速度信号去噪方法及装置 Download PDF

Info

Publication number
CN114186577A
CN114186577A CN202010879014.0A CN202010879014A CN114186577A CN 114186577 A CN114186577 A CN 114186577A CN 202010879014 A CN202010879014 A CN 202010879014A CN 114186577 A CN114186577 A CN 114186577A
Authority
CN
China
Prior art keywords
signal
noise variance
frequency domain
reconstruction
source signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010879014.0A
Other languages
English (en)
Inventor
王若珏
康国兴
郎政
阮金玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Jinheng Information Technology Co Ltd
Original Assignee
Jiangsu Jinheng Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Jinheng Information Technology Co Ltd filed Critical Jiangsu Jinheng Information Technology Co Ltd
Priority to CN202010879014.0A priority Critical patent/CN114186577A/zh
Publication of CN114186577A publication Critical patent/CN114186577A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Discrete Mathematics (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Complex Calculations (AREA)

Abstract

本申请提供一种基于小波变换的振动加速度信号去噪方法及装置，所述方法包括：获取初始参数，对所述源信号进行小波分解，得到高频系数；对每一个分解层次中的高频系数进行阈值量化处理；根据第1到第N层的高频系数和第N层的低频系数进行小波逆变换，重构去噪以后的信号；计算不同参数下重构信号的信噪比和均方误差，选择最佳参数；计算目标重构信号；将源信号和目标重构信号通过快速傅立叶变换至频域，获得频域源信号和频域重构信号；计算频域源信号和频域重构信号的幅值差；将频域源信号减去所述幅值差，获得目标加速度信号。相较于传统的小波分析去噪方法，本申请提供的方法提出了频域二次去噪处理方法，降噪处理取得了较好的效果。

Description

一种基于小波变换的振动加速度信号去噪方法及装置
技术领域
本申请涉及振动信号处理领域，具体涉及一种基于小波变换的振动加速度信号去噪方法及装置。
背景技术
振动测试是指测量并记录设备的某些指定位置上的振动响应随时间变化的过程。振动响应包括位移、加速度、应变及力等。由振动测试获得的数据称为振动信号，对应于振动响应，振动信号包括位移信号、加速度信号、应变信号及力信号等。根据牛顿第二定律，加速度信号相较于速度信号和位移信号等，能更加快速、准确、直接地表征物体运动状态，因此，目前对于加速度信号的研究较为广泛。
对于加速度信号的获取，通常需要借助加速度传感器。由于在采用加速度传感器检测振动信号时，往往伴随有很多的其他噪声信号成分。为了获取高精度、高可靠的加速度信号，需要对加速度传感器检测到的信号进行去噪处理。在采用滤波器的去噪方法中，由于滤波器不知道加速度信号有效成分时，难以设置截止频率，如果截止频率设置高，容易导致去噪效果差；而截止频率设置低，信号有效成分被滤除，达不到去噪要求。也就是说，传统去噪方法效果差。
发明内容
本申请提供一种基于小波变换的振动加速度信号去噪方法及装置，以解决传统去噪方法效果差的问题。
本申请的第一方面，提供一种基于小波变换的振动加速度信号去噪方法，包括：
获取源信号，所述源信号为含噪的加速度信号；
获取初始参数，对所述源信号进行小波分解，得到各尺度的高频系数，其中，所述初始参数包括小波基和分解层数；
对每一个分解层次中的高频系数进行阈值量化处理；
根据阈值量化处理以后的第1到第N层的高频系数和第N层的低频系数进行小波逆变换，重构去噪以后的信号，获得重构信号；
计算不同参数下重构信号的信噪比和均方误差，选择最佳参数；
根据所述最佳参数，计算目标重构信号；
将源信号和目标重构信号通过快速傅立叶变换至频域，获得频域源信号和频域重构信号；
计算频域源信号和频域重构信号的幅值差；
将频域源信号减去所述幅值差，获得目标加速度信号。
可选的，在将频域源信号减去所述幅值差，获得目标加速度信号之后，还包括：
对所述目标加速度信号进行一次积分，获得速度信号；
对所述速度信号进行二次积分，获得位移信号；
根据所述目标加速度信号、速度信号以及位移信号的关系，获得与所述源信号对应的设备运动状态。
可选的，计算不同参数下重构信号的信噪比和均方误差，选择最佳参数，包括：
判断重构信号的信噪比和均方误差是否在预设范围内；
如果重构信号的信噪比和均方误差没有在预设范围内，则调整参数，获取新的重构信号，直至新的重构信号的信噪比和均方误差在预设范围内；
将新的重构信号对应的参数作为最佳参数。
可选的，对每一个分解层次中的高频系数进行阈值量化处理，包括：
选取初始阈值；
根据所述初始阈值，计算噪声方差；
根据所述噪声方差的类别，对初始阈值进行处理，获得新的阈值，其中，如果所述噪声方差为第一类噪声方差，则初始阈值与噪声方差无关；如果所述噪声方差为第二类噪声方差，则将初始阈值和第一噪声方差相乘，所述第一噪声方差为尺度一下的估计值；如果所述噪声方差为第三类噪声方差，则将初始阈值和各个尺度下的噪声方差相乘。
本申请的第二方面，提供一种基于小波变换的振动加速度信号去噪装置，包括：
获取模块，用于获取源信号，所述源信号为含噪的加速度信号；
小波分解模块，用于获取初始参数，对所述源信号进行小波分解，得到各尺度的高频系数，其中，所述初始参数包括小波基和分解层数；
阈值量化处理模块，用于对每一个分解层次中的高频系数进行阈值量化处理；
重构模块，用于根据阈值量化处理以后的第1到第N层的高频系数和第N层的低频系数进行小波逆变换，重构去噪以后的信号，获得重构信号；
第一计算模块，用于计算不同参数下重构信号的信噪比和均方误差，选择最佳参数；
第二计算模块，用于根据所述最佳参数，计算目标重构信号；
快速傅立叶变换模块，用于将源信号和目标重构信号通过快速傅立叶变换至频域，获得频域源信号和频域重构信号；
第三计算模块，用于计算频域源信号和频域重构信号的幅值差；
第四计算模块，用于将频域源信号减去所述幅值差，获得目标加速度信号。
可选的，所述装置还包括：
一次积分模块，用于所述第四计算模块在将频域源信号减去所述幅值差，获得目标加速度信号之后，对所述目标加速度信号进行一次积分，获得速度信号；
二次积分模块，用于对所述速度信号进行二次积分，获得位移信号；
运动状态确定模块，用于根据所述目标加速度信号、速度信号以及位移信号的关系，获得与所述源信号对应的设备运动状态。
可选的，所述第一计算模块包括：
判断单元，用于判断重构信号的信噪比和均方误差是否在预设范围内；
调整单元，用于在所述判断单元确定重构信号的信噪比和均方误差没有在预设范围内的情况下，调整参数，获取新的重构信号，直至新的重构信号的信噪比和均方误差在预设范围内；
最佳参数确定单元，用于将新的重构信号对应的参数作为最佳参数。
可选的，所述阈值量化处理模块包括：
选取单元，用于选取初始阈值；
计算单元，用于根据所述初始阈值，计算噪声方差；
阈值处理单元，用于根据所述噪声方差的类别，对初始阈值进行处理，获得新的阈值，其中，如果所述噪声方差为第一类噪声方差，则初始阈值与噪声方差无关；如果所述噪声方差为第二类噪声方差，则将初始阈值和第一噪声方差相乘，所述第一噪声方差为尺度一下的估计值；如果所述噪声方差为第三类噪声方差，则将初始阈值和各个尺度下的噪声方差相乘。
由以上技术方案可知，本申请提供一种基于小波变换的振动加速度信号去噪方法及装置，所述方法包括：获取初始参数，对所述源信号进行小波分解，得到各尺度的高频系数，其中，所述初始参数包括小波基和分解层数；对每一个分解层次中的高频系数进行阈值量化处理；根据阈值量化处理以后的第1到第N层的高频系数和第N层的低频系数进行小波逆变换，重构去噪以后的信号，获得重构信号；计算不同参数下重构信号的信噪比和均方误差，选择最佳参数；根据所述最佳参数，计算目标重构信号；将源信号和目标重构信号通过快速傅立叶变换至频域，获得频域源信号和频域重构信号；计算频域源信号和频域重构信号的幅值差；将频域源信号减去所述幅值差，获得目标加速度信号。相较于传统的小波分析去噪方法，本申请提供的方法提出了频域二次去噪处理方法，降噪处理取得了较好的效果。基于小波变换的振动加速度信号去噪方法能很好去除噪声，得到高精度的加速度信号。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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。
图1为本申请实施例提供的一种基于小波变换的振动加速度信号去噪方法的工作流程图；
图2为本申请实施例提供的一种基于小波变换的振动加速度信号去噪装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了解决传统去噪方法效果差的问题，本申请实施例提供一种基于小波变换的振动加速度信号去噪方法，参照图1所示的工作流程图，所述振动加速度信号去噪方法包括以下步骤：
步骤101，获取源信号，所述源信号为含噪的加速度信号。
步骤102，获取初始参数，对所述源信号进行小波分解，得到各尺度的高频系数，其中，所述初始参数包括小波基和分解层数。
步骤103，对每一个分解层次中的高频系数进行阈值量化处理。
本申请实施例中，假设一维非平稳、含噪声信号的数学模型为：
y＝f(t)+e；
其中，y为含噪的加速度信号，f(t)为原始信号，e为高斯白噪声。因此可以通过小波系数、或者原始信号来进行评估能够消除噪声在小波域的阈值。
目前常见的阈值选择方法有：固定阈值估计、极值阈值估计、无偏似然估计以及启发式估计等。
在上面四个阈值选取方法中，都没有涉及到噪声方差，显然这是不合理的，本申请实施例在考虑噪声方差的基础上进行计算，在一种可实现的方式中，对每一个分解层次中的高频系数进行阈值量化处理，包括以下步骤：
步骤1031，选取初始阈值。
步骤1032，根据所述初始阈值，计算噪声方差。
该步骤中，噪声方差估计为：
σu,j＝median(dj(k))/0.6745；
其中，σu,j为噪声方差，dj(k)为子带系数。
步骤1033，根据所述噪声方差的类别，对初始阈值进行处理，获得新的阈值，其中，如果所述噪声方差为第一类噪声方差，则初始阈值与噪声方差无关；如果所述噪声方差为第二类噪声方差，则将初始阈值和第一噪声方差相乘，所述第一噪声方差为尺度一下的估计值；如果所述噪声方差为第三类噪声方差，则将初始阈值和各个尺度下的噪声方差相乘。
本申请实施例中，借助MATLAB小波变换工具箱Wavelet Toolbox获得噪声方差的类别，如果经过小波变换工具箱的分析，获得标志one，则认为是第一类噪声方差；如果获得标志sln，则认为是第二类噪声方差；如果获得标志mln，则认为是第三类噪声方差。
在确定了高斯白噪声在小波系数(域)的阈值门限之后，就需要有个阈值函数对这个含有噪声系数的小波系数进行过滤，去除高斯噪声系数，常用的阈值函数有软阈值和硬阈值方法：
(1)硬阈值去噪：
当小波系数小于某个临界阈值时，认为当时的小波系数主要是由噪声引起的，应该舍弃；当小波系数大于这个临界阈值时，认为这时的小波系数主要是由信号引起的，应该把小波系数直接保留下来。
(2)软阈值去噪：
进行比较含噪信号的小波系数与选定的阈值大小，大于阈值的点收缩为该点值与阈值的差值，小于阈值相反数的点收缩为该点值与阈值的和，绝对值小于等于阈值的点为0。
步骤104，根据阈值量化处理以后的第1到第N层的高频系数和第N层的低频系数进行小波逆变换，重构去噪以后的信号，获得重构信号。
步骤105，计算不同参数下重构信号的信噪比和均方误差，选择最佳参数。
可选的，计算不同参数下重构信号的信噪比和均方误差，选择最佳参数，包括：
判断重构信号的信噪比和均方误差是否在预设范围内；
如果重构信号的信噪比和均方误差没有在预设范围内，则调整参数，获取新的重构信号，直至新的重构信号的信噪比和均方误差在预设范围内；
将新的重构信号对应的参数作为最佳参数。
步骤106，根据所述最佳参数，计算目标重构信号。
步骤107，将源信号和目标重构信号通过快速傅立叶变换至频域，获得频域源信号和频域重构信号。
该步骤中，通过快速Fourier变换我们可以知道信号序列中含有的频率成分，各个频率成分的振幅是多大。通过快速Fourier逆变换我们可以把频率域的信号转化为时间域，从而得到与原信号长度相同的时间序列。那么，我们就可以通过将频率域中的某些频率成分的振幅置零，然后运用逆变换到时间域实现频域二次滤波。
步骤108，计算频域源信号和频域重构信号的幅值差。
步骤109，将频域源信号减去所述幅值差，获得目标加速度信号。
由以上技术方案可知，本申请实施例提供一种基于小波变换的振动加速度信号去噪方法，包括：获取初始参数，对所述源信号进行小波分解，得到各尺度的高频系数，其中，所述初始参数包括小波基和分解层数；对每一个分解层次中的高频系数进行阈值量化处理；根据阈值量化处理以后的第1到第N层的高频系数和第N层的低频系数进行小波逆变换，重构去噪以后的信号，获得重构信号；计算不同参数下重构信号的信噪比和均方误差，选择最佳参数；根据所述最佳参数，计算目标重构信号；将源信号和目标重构信号通过快速傅立叶变换至频域，获得频域源信号和频域重构信号；计算频域源信号和频域重构信号的幅值差；将频域源信号减去所述幅值差，获得目标加速度信号。相较于传统的小波分析去噪方法，本申请实施例提供的方法提出了频域二次去噪处理方法，降噪处理取得了较好的效果。基于小波变换的振动加速度信号去噪方法能很好去除噪声，得到高精度的加速度信号。
可选的，在将频域源信号减去所述幅值差，获得目标加速度信号之后，还包括以下步骤：
步骤1010，对所述目标加速度信号进行一次积分，获得速度信号；
步骤1011，对所述速度信号进行二次积分，获得位移信号；
步骤1012，根据所述目标加速度信号、速度信号以及位移信号的关系，获得与所述源信号对应的设备运动状态。
参照图2所示的结构示意图，本申请实施例提供一种基于小波变换的振动加速度信号去噪装置，包括：
获取模块100，用于获取源信号，所述源信号为含噪的加速度信号；
小波分解模块200，用于获取初始参数，对所述源信号进行小波分解，得到各尺度的高频系数，其中，所述初始参数包括小波基和分解层数；
阈值量化处理模块300，用于对每一个分解层次中的高频系数进行阈值量化处理；
重构模块400，用于根据阈值量化处理以后的第1到第N层的高频系数和第N层的低频系数进行小波逆变换，重构去噪以后的信号，获得重构信号；
第一计算模块500，用于计算不同参数下重构信号的信噪比和均方误差，选择最佳参数；
第二计算模块600，用于根据所述最佳参数，计算目标重构信号；
快速傅立叶变换模块700，用于将源信号和目标重构信号通过快速傅立叶变换至频域，获得频域源信号和频域重构信号；
第三计算模块800，用于计算频域源信号和频域重构信号的幅值差；
第四计算模块900，用于将频域源信号减去所述幅值差，获得目标加速度信号。
可选的，所述装置还包括：
一次积分模块，用于所述第四计算模块在将频域源信号减去所述幅值差，获得目标加速度信号之后，对所述目标加速度信号进行一次积分，获得速度信号；
二次积分模块，用于对所述速度信号进行二次积分，获得位移信号；
运动状态确定模块，用于根据所述目标加速度信号、速度信号以及位移信号的关系，获得与所述源信号对应的设备运动状态。
可选的，所述第一计算模块包括：
判断单元，用于判断重构信号的信噪比和均方误差是否在预设范围内；
调整单元，用于在所述判断单元确定重构信号的信噪比和均方误差没有在预设范围内的情况下，调整参数，获取新的重构信号，直至新的重构信号的信噪比和均方误差在预设范围内；
最佳参数确定单元，用于将新的重构信号对应的参数作为最佳参数。
可选的，所述阈值量化处理模块包括：
选取单元，用于选取初始阈值；
计算单元，用于根据所述初始阈值，计算噪声方差；
阈值处理单元，用于根据所述噪声方差的类别，对初始阈值进行处理，获得新的阈值，其中，如果所述噪声方差为第一类噪声方差，则初始阈值与噪声方差无关；如果所述噪声方差为第二类噪声方差，则将初始阈值和第一噪声方差相乘，所述第一噪声方差为尺度一下的估计值；如果所述噪声方差为第三类噪声方差，则将初始阈值和各个尺度下的噪声方差相乘。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。

Claims (8)

1.一种基于小波变换的振动加速度信号去噪方法，其特征在于，包括：
获取源信号，所述源信号为含噪的加速度信号；
获取初始参数，对所述源信号进行小波分解，得到各尺度的高频系数，其中，所述初始参数包括小波基和分解层数；
对每一个分解层次中的高频系数进行阈值量化处理；
根据阈值量化处理以后的第1到第N层的高频系数和第N层的低频系数进行小波逆变换，重构去噪以后的信号，获得重构信号；
计算不同参数下重构信号的信噪比和均方误差，选择最佳参数；
根据所述最佳参数，计算目标重构信号；
将源信号和目标重构信号通过快速傅立叶变换至频域，获得频域源信号和频域重构信号；
计算频域源信号和频域重构信号的幅值差；
将频域源信号减去所述幅值差，获得目标加速度信号。
2.根据权利要求1所述的振动加速度信号去噪方法，其特征在于，在将频域源信号减去所述幅值差，获得目标加速度信号之后，还包括：
对所述目标加速度信号进行一次积分，获得速度信号；
对所述速度信号进行二次积分，获得位移信号；
根据所述目标加速度信号、速度信号以及位移信号的关系，获得与所述源信号对应的设备运动状态。
3.根据权利要求1所述的振动加速度信号去噪方法，其特征在于，计算不同参数下重构信号的信噪比和均方误差，选择最佳参数，包括：
判断重构信号的信噪比和均方误差是否在预设范围内；
如果重构信号的信噪比和均方误差没有在预设范围内，则调整参数，获取新的重构信号，直至新的重构信号的信噪比和均方误差在预设范围内；
将新的重构信号对应的参数作为最佳参数。
4.根据权利要求1所述的振动加速度信号去噪方法，其特征在于，对每一个分解层次中的高频系数进行阈值量化处理，包括：
选取初始阈值；
根据所述初始阈值，计算噪声方差；
根据所述噪声方差的类别，对初始阈值进行处理，获得新的阈值，其中，如果所述噪声方差为第一类噪声方差，则初始阈值与噪声方差无关；如果所述噪声方差为第二类噪声方差，则将初始阈值和第一噪声方差相乘，所述第一噪声方差为尺度一下的估计值；如果所述噪声方差为第三类噪声方差，则将初始阈值和各个尺度下的噪声方差相乘。
5.一种基于小波变换的振动加速度信号去噪装置，其特征在于，包括：
获取模块，用于获取源信号，所述源信号为含噪的加速度信号；
小波分解模块，用于获取初始参数，对所述源信号进行小波分解，得到各尺度的高频系数，其中，所述初始参数包括小波基和分解层数；
阈值量化处理模块，用于对每一个分解层次中的高频系数进行阈值量化处理；
重构模块，用于根据阈值量化处理以后的第1到第N层的高频系数和第N层的低频系数进行小波逆变换，重构去噪以后的信号，获得重构信号；
第一计算模块，用于计算不同参数下重构信号的信噪比和均方误差，选择最佳参数；
第二计算模块，用于根据所述最佳参数，计算目标重构信号；
快速傅立叶变换模块，用于将源信号和目标重构信号通过快速傅立叶变换至频域，获得频域源信号和频域重构信号；
第三计算模块，用于计算频域源信号和频域重构信号的幅值差；
第四计算模块，用于将频域源信号减去所述幅值差，获得目标加速度信号。
6.根据权利要求5所述的振动加速度信号去噪装置，其特征在于，所述装置还包括：
一次积分模块，用于所述第四计算模块在将频域源信号减去所述幅值差，获得目标加速度信号之后，对所述目标加速度信号进行一次积分，获得速度信号；
二次积分模块，用于对所述速度信号进行二次积分，获得位移信号；
运动状态确定模块，用于根据所述目标加速度信号、速度信号以及位移信号的关系，获得与所述源信号对应的设备运动状态。
7.根据权利要求5所述的振动加速度信号去噪装置，其特征在于，所述第一计算模块包括：
判断单元，用于判断重构信号的信噪比和均方误差是否在预设范围内；
调整单元，用于在所述判断单元确定重构信号的信噪比和均方误差没有在预设范围内的情况下，调整参数，获取新的重构信号，直至新的重构信号的信噪比和均方误差在预设范围内；
最佳参数确定单元，用于将新的重构信号对应的参数作为最佳参数。
8.根据权利要求5所述的振动加速度信号去噪装置，其特征在于，所述阈值量化处理模块包括：
选取单元，用于选取初始阈值；
计算单元，用于根据所述初始阈值，计算噪声方差；
阈值处理单元，用于根据所述噪声方差的类别，对初始阈值进行处理，获得新的阈值，其中，如果所述噪声方差为第一类噪声方差，则初始阈值与噪声方差无关；如果所述噪声方差为第二类噪声方差，则将初始阈值和第一噪声方差相乘，所述第一噪声方差为尺度一下的估计值；如果所述噪声方差为第三类噪声方差，则将初始阈值和各个尺度下的噪声方差相乘。
CN202010879014.0A 2020-08-27 2020-08-27 一种基于小波变换的振动加速度信号去噪方法及装置 Pending CN114186577A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010879014.0A CN114186577A (zh) 2020-08-27 2020-08-27 一种基于小波变换的振动加速度信号去噪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010879014.0A CN114186577A (zh) 2020-08-27 2020-08-27 一种基于小波变换的振动加速度信号去噪方法及装置

Publications (1)

Publication Number Publication Date
CN114186577A true CN114186577A (zh) 2022-03-15

Family

ID=80600678

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010879014.0A Pending CN114186577A (zh) 2020-08-27 2020-08-27 一种基于小波变换的振动加速度信号去噪方法及装置

Country Status (1)

Country Link
CN (1) CN114186577A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115662444A (zh) * 2022-12-14 2023-01-31 北京惠朗时代科技有限公司 基于人工智能的电子***语音交互式应用方法及***
CN116595324A (zh) * 2023-07-19 2023-08-15 北谷电子股份有限公司 信号瞬态冲击始点的提取方法
CN116609106A (zh) * 2023-07-20 2023-08-18 江苏盖亚环境科技股份有限公司 一种钻测一体化装备运行状态监测***

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115662444A (zh) * 2022-12-14 2023-01-31 北京惠朗时代科技有限公司 基于人工智能的电子***语音交互式应用方法及***
CN115662444B (zh) * 2022-12-14 2023-04-07 北京惠朗时代科技有限公司 基于人工智能的电子***语音交互式应用方法及***
CN116595324A (zh) * 2023-07-19 2023-08-15 北谷电子股份有限公司 信号瞬态冲击始点的提取方法
CN116595324B (zh) * 2023-07-19 2023-11-10 北谷电子股份有限公司 信号瞬态冲击始点的提取方法
CN116609106A (zh) * 2023-07-20 2023-08-18 江苏盖亚环境科技股份有限公司 一种钻测一体化装备运行状态监测***
CN116609106B (zh) * 2023-07-20 2023-10-17 江苏盖亚环境科技股份有限公司 一种钻测一体化装备运行状态监测***

Similar Documents

Publication Publication Date Title
CN114186577A (zh) 一种基于小波变换的振动加速度信号去噪方法及装置
Gao et al. Denoising nonlinear time series by adaptive filtering and wavelet shrinkage: a comparison
Randall et al. A survey of the application of the cepstrum to structural modal analysis
Alamdari et al. FRF-based damage localization method with noise suppression approach
CN110598615B (zh) 一种用于桥梁结构监测的数据降噪方法及***
Cancino‐De‐Greiff et al. Signal de‐noising in magnetic resonance spectroscopy using wavelet transforms
CN115169409B (zh) 基于滑窗的桥梁结构自振频率识别、预警方法及设备
KR20070078784A (ko) 이음(異音) 추출 방법, 이음 추출 장치 및 이음 검사 장치
CN108398260A (zh) 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法
CN112766224B (zh) 畸变信号中提取真实信号的方法、装置、设备和存储介质
CN106980722B (zh) 一种脉冲响应中谐波成分的检测和去除方法
WO2014018662A1 (en) Method of extracting zero crossing data from full spectrum signals
CN111142134A (zh) 一种坐标时间序列处理方法及装置
CN112924154B (zh) 高噪声流动环境中结构响应信号阻尼比提取方法及装置
Demirli et al. Model based time-frequency estimation of ultrasonic echoes for NDE applications
CN113567129A (zh) 一种列车轴承振动信号基于ceemd的降噪方法
CN108680958B (zh) 一种基于峰值变换的地震数据降噪方法
CN112667952A (zh) 一种结构动态位移非积分重构方法
Trainotti et al. PRANK: a singular value based noise filtering approach
Sircar et al. Parametric modeling of speech by complex AM and FM signals
CN114841213B (zh) 基于改进小波阈值函数的硅微谐振式加速度计降噪方法
CN112051612A (zh) 一种消除地震数据随机噪声的方法和***
Hidayat et al. The usefulness of wavelet transformation to reduce noise on vibrations of cable structures
CN117851754A (zh) 一种基于小波变换的多脉冲测试去噪方法
Wei et al. Wavelet denoising of flight flutter testing data for improvement of parameter identification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination