CN114254679B - 基于滤波器的特征增强方法 - Google Patents

基于滤波器的特征增强方法 Download PDF

Info

Publication number
CN114254679B
CN114254679B CN202111624531.4A CN202111624531A CN114254679B CN 114254679 B CN114254679 B CN 114254679B CN 202111624531 A CN202111624531 A CN 202111624531A CN 114254679 B CN114254679 B CN 114254679B
Authority
CN
China
Prior art keywords
signal
points
noise
point
value
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.)
Active
Application number
CN202111624531.4A
Other languages
English (en)
Other versions
CN114254679A (zh
Inventor
孟力
杨康定
杨博淙
王飞彪
刘志
楼佳妙
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.)
Frequency Exploration Intelligent Technology Jiangsu Co ltd
Original Assignee
Frequency Exploration Intelligent Technology Jiangsu 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 Frequency Exploration Intelligent Technology Jiangsu Co ltd filed Critical Frequency Exploration Intelligent Technology Jiangsu Co ltd
Priority to CN202111624531.4A priority Critical patent/CN114254679B/zh
Publication of CN114254679A publication Critical patent/CN114254679A/zh
Application granted granted Critical
Publication of CN114254679B publication Critical patent/CN114254679B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明属于故障诊断技术领域，具体涉及一种基于滤波器的特征增强方法，该方法首先采用提升小波变换处理含噪音的待处理信号，得到新信号f(n)，然后寻找信号f(n)中的全部峰值点和谷值点，并计算出相邻峰值点和相邻谷值点之间的间隔，接着采用介于最大峰值点间隔及最大谷值点间隔之间的任意尺度的直线型结构元素差值滤波算子对振动信号f(n)进行滤波处理，得到完整信号库，最后，结合重合部分特征提取公式提取信号库中的冲击特征，实现信号的降噪及特征增强的目的。本发明的一种基于滤波器的特征增强方法，为轴承的故障诊断及信号处理提供了一种有效手段，避免由轴承故障导致的安全事故，具有一定的实用性和工程价值。

Description

基于滤波器的特征增强方法
技术领域
本发明属于信号处理技术领域，具体涉及一种基于滤波器的特征增强方法。
背景技术
滚动轴承是机械设备中应用最为广泛的零部件之一。对其状态的检测和故障诊断长期以来都是科学研究和工业界的技术重点。一般来说，轴承的振动信号中往往含有大量的噪声，噪声的存在会干扰故障冲击的有效识别，这就给轴承的故障诊断带来极大的困难。工程实际中的信号往往也是含有大量噪声的信号，所以研究用于信号降噪及轴承特征增强的算法对于工程应用具有重要的研究意义。
发明内容
本发明要解决的技术问题是：现有技术中轴承的振动信号中往往含有大量的噪声，噪声的存在会干扰故障冲击的有效识别，给轴承的故障诊断带来极大的困难技术问题。本发明的目的是提供一种基于滤波器的特征增强方法，以实现滚动轴承振动信号中故障冲击特征增强及噪声减弱的目的，为轴承故障预测与健康管理提供基础支撑。
本发明解决其技术问题所采用的技术方案是：一种基于滤波器的特征增强方法，包括以下步骤：
S1、采用提升小波变换预处理含噪声的加速度信号：
采用含有冲击特征的指数衰减函数获取一段数据点数为n的信号s(t)：
其中，A为位移常数，ξ为阻尼比，wn为固有振动频率，t为n个点在采样频率为fs时所对应的时间，它们的关系为t＝(1:n)/fs；然后往s(n)信号中加入噪声，噪声的总体幅值需大于冲击特征的幅值，这样才能将信号中的冲击特征s(n)淹没，使得这些特征不明显；采用提升小波变换初步处理含噪音的待处理信号，得到新信号f(n)；提升小波变换是一种更快速有效的小波变换方法，又称为第二代小波变换。它不依赖于傅里叶变换，继承了第一代小波的多分辨率的特征；整个提升小波变换过程包括分解和重构；
S2、寻找新信号f(n)中的全部峰值点和全部谷值点：
寻到新信号f(n)中的全部峰值点，并将找到的峰值点记为A＝{Ap│p＝1,2,…,}，寻找新信号f(n)中的全部谷值点，并将其记为B＝{Bh│h＝1,2,…,}，然后计算各个相邻峰值点之间的间隔IA＝{iA│iA＝Ap+1，x－Ap，x}，计算各个相邻谷值点之间的间隔GB＝{gB│gB＝Bh+1，x－Bh，x}，其中Ap，x为信号中峰值Ap点对应的水平坐标值，Bh，x为信号中谷值Bh点对应的水平坐标值；
S3、构建一个信号库：
计算出峰值点间隔IA＝{iA│iA＝Ap+1，x－Ap，x}和谷值点间隔GB＝{gB│gB＝Bh+1，x－Bh，x}中的最大值max(IA,GB)，选用尺度为C1(C1≥max(IA,GB))的直线型结构元素差值滤波算子对振动信号f(n)进行滤波处理，处理完的结果记为fC1(n)；接着采用尺度为C2(C2≥max(IA,GB))的直线型结构元素差值滤波算子对振动信号f(n)进行滤波处理，处理完的结果记为fC2(n)；依次类推，处理m次后，将所有的处理结果建为一个信号库{fC1(n),fC2(n),fC3(n),...,fCm(n)}；
S4、从构建的信号库中提取重合的冲击特征：
在信号库{fC1(n),fC2(n),fC3(n),...,fCm(n)}中提取重合的冲击部分z(w)：
z(w)＝fC1{find(fC1(n)＝fC2(n)＝...＝fCm(n))} (2)。
在步骤S3中，所述的直线型结构元素差值滤波算子为形态滤波中的一种运算形式。
本发明的有益效果是，本发明提出的基于滤波器的特征增强方法，基于形态学算法的数学原理，提出了一种基于滤波器的特征增强方法，这一方法既能实现降噪，又能很好的增强故障的冲击特征，这对轴承的故障诊断包括定性诊断、定量诊断及外圈定位诊断等提供了很好的基础支撑，防止因轴承故障引起的重大事故发生，具有重要的实用性和工程应用价值。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明的基于滤波器的特征增强方法的流程图；
图2为本发明的含有噪音干扰的待处理原始信号；
图3为本发明的采用提升小波处理后的信号；
图4为本发明的基于滤波器的特征增强方法最终处理得到的信号。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1所示，本发明提供的一种基于滤波器的特征增强方法，具体包括如下步骤：
S1、采用提升小波变换预处理含噪声的加速度信号：
采用一种含有冲击特征的指数衰减函数获取一段数据点数为n的信号s(t)：
本实施例的位移常数A＝208.8，阻尼比ξ＝0.055，固有振动频率wn＝4712，总点数n＝78644在采样频率fs＝65536下的总时间t＝1.2s；然后往s(n)信号中加入了大量的噪声，噪声淹没了信号中的冲击特征s(n)，使冲击特征不再清晰可见，加噪后的信号如图2所示；采用提升小波变换处理含噪音的待处理信号，其中阈值设置为软阈值，阈值系数设置为2.5，预测器的更新长度设置为20，得到新信号f(n)，如图3所示；对比图2和图3可以看出图3中已露出了四个冲击，但是由于信号中依然存在很多噪声干扰导致冲击并不明显；这个步骤的目的是去除信号中冲击部分的噪声。
S2、寻找新信号f(n)中的全部峰值点和全部谷值点：
寻到新信号f(n)中的全部峰值点，并将找到的峰值点记为A＝{Ap│p＝1,2,…,}，寻找新信号f(n)中的全部谷值点，并将其记为B＝{Bh│h＝1,2,…,}，然后计算各个相邻峰值点之间的间隔IA＝{iA│iA＝Ap+1，x－Ap，x}，计算各个相邻谷值点之间的间隔GB＝{gB│gB＝Bh+1，x－Bh，x}，其中Ap，x为信号中峰值Ap点对应的水平坐标值，Bh，x为信号中谷值Bh点对应的水平坐标值。
S3、构建一个信号库：
计算出峰值点间隔IA＝{iA│iA＝Ap+1，x－Ap，x}和谷值点间隔GB＝{gB│gB＝Bh+1，x－Bh，x}中的最大值max(IA,GB)，选用尺度为C1(C1≥max(IA,GB))的直线型结构元素差值滤波算子对振动信号f(n)进行滤波处理，处理完的结果记为fC1(n)；接着采用尺度为C2(C2≥max(IA,GB))的直线型结构元素差值滤波算子对振动信号f(n)进行滤波处理，处理完的结果记为fC2(n)；依次类推，处理m次后，将所有的处理结果建为一个信号库{fC1(n),fC2(n),fC3(n),...,fCm(n)}。
S4、从构建的信号库中提取重合的冲击特征：
在信号库{fC1(n),fC2(n),fC3(n),...,fCm(n)}中提取重合的冲击部分z(w)：
z(w)＝fC1{find(fC1(n)＝fC2(n)＝...＝fCm(n))} (2)
提取后的冲击如图4所示。对比图2、图3和图4可以看出，图4中直接提取出了4个非常明显的冲击信号，而图2中看不见任何冲击信号，图3中的冲击信号不明显；此外图4中的幅值到达了3左右，图3的幅值只在1左右，明显增大了冲击幅值。
本发明提出的基于滤波器的特征增强方法，基于形态学算法的数学原理，相较于原始信号以及采用提升小波变换处理含噪音相比，这一方法既能实现降噪，又能很好的增强故障的冲击特征，这对轴承的故障诊断包括定性诊断、定量诊断及外圈定位诊断等提供了很好的基础支撑，防止因轴承故障引起的重大事故发生，具有重要的实用性和工程应用价值。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (2)

1.一种基于滤波器的特征增强方法，其特征在于，包括以下步骤：
S1、采用提升小波变换预处理含噪声的加速度信号：
采用含有冲击特征的指数衰减函数获取一段数据点数为n的信号s(t)：
其中，A为位移常数，ξ为阻尼比，wn为固有振动频率，t为n个点在采样频率为fs时所对应的时间，它们的关系为t＝(1:n)/fs；在s(n)信号中加入噪声，噪声的总体幅值需大于冲击特征的幅值，再采用提升小波变换技术预处理含噪音的待处理信号，得到新信号f(n)；
S2、寻找新信号f(n)中的全部峰值点和全部谷值点：
寻到新信号f(n)中的全部峰值点，并将找到的峰值点记为A＝{Ap│p＝1,2,…,}，寻找新信号f(n)中的全部谷值点，并将其记为B＝{Bh│h＝1,2,…,}，然后计算各个相邻峰值点之间的间隔IA＝{iA│iA＝Ap+1，x－Ap，x}，计算各个相邻谷值点之间的间隔GB＝{gB│gB＝Bh+1，x－Bh，x}，其中Ap，x为信号中峰值Ap点对应的水平坐标值，Bh，x为信号中谷值Bh点对应的水平坐标值；
S3、构建一个信号库：
计算出峰值点间隔IA＝{iA│iA＝Ap+1，x－Ap，x}和谷值点间隔GB＝{gB│gB＝Bh+1，x－Bh，x}中的最大值max(IA,GB)，选用尺度为C1(C1≥max(IA,GB))的直线型结构元素差值滤波算子对振动信号f(n)进行滤波处理，处理完的结果记为fC1(n)；接着采用尺度为C2(C2≥max(IA,GB))的直线型结构元素差值滤波算子对振动信号f(n)进行滤波处理，处理完的结果记为fC2(n)；直至处理m次后，将所有的处理结果建为一个信号库{fC1(n),fC2(n),fC3(n),...,fCm(n)}；
S4、从构建的信号库中提取重合的冲击特征：
在信号库{fC1(n),fC2(n),fC3(n),...,fCm(n)}中提取重合的冲击部分z(w)：
z(w)＝fC1{find(fC1(n)＝fC2(n)＝...＝fCm(n))} (2)。
2.根据权利要求1所述的方法，其特征在于，在步骤S3中，所述的直线型结构元素差值滤波算子为形态滤波中的一种运算形式。
CN202111624531.4A 2021-12-28 2021-12-28 基于滤波器的特征增强方法 Active CN114254679B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111624531.4A CN114254679B (zh) 2021-12-28 2021-12-28 基于滤波器的特征增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111624531.4A CN114254679B (zh) 2021-12-28 2021-12-28 基于滤波器的特征增强方法

Publications (2)

Publication Number Publication Date
CN114254679A CN114254679A (zh) 2022-03-29
CN114254679B true CN114254679B (zh) 2024-06-04

Family

ID=80798452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111624531.4A Active CN114254679B (zh) 2021-12-28 2021-12-28 基于滤波器的特征增强方法

Country Status (1)

Country Link
CN (1) CN114254679B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102269644A (zh) * 2010-06-07 2011-12-07 北京化工大学 基于最优自适应小波滤波器的滚动轴承与齿轮冲击性故障诊断方法
CN111623968A (zh) * 2020-05-08 2020-09-04 安徽智寰科技有限公司 一种基于自适应形态滤波的故障特征提取方法
CN113269048A (zh) * 2021-04-29 2021-08-17 北京工业大学 基于深度学习和混合噪声数据增强的运动想象脑电信号分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9031834B2 (en) * 2009-09-04 2015-05-12 Nuance Communications, Inc. Speech enhancement techniques on the power spectrum

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102269644A (zh) * 2010-06-07 2011-12-07 北京化工大学 基于最优自适应小波滤波器的滚动轴承与齿轮冲击性故障诊断方法
CN111623968A (zh) * 2020-05-08 2020-09-04 安徽智寰科技有限公司 一种基于自适应形态滤波的故障特征提取方法
CN113269048A (zh) * 2021-04-29 2021-08-17 北京工业大学 基于深度学习和混合噪声数据增强的运动想象脑电信号分类方法

Also Published As

Publication number Publication date
CN114254679A (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
US8073634B2 (en) Method to extract target signals of a known type from raw data containing an unknown number of target signals, interference, and noise
CN107728018A (zh) 一种电力电缆现场局部放电信号的降噪方法
CN106441288A (zh) 一种加速度计的自适应小波降噪方法
CN110646851B (zh) 一种基于Shearlet变换的自适应阈值地震随机噪声压制方法
CN107392123B (zh) 一种基于相参积累消噪的射频指纹特征提取和识别方法
CN109633761B (zh) 基于小波变换模极大值法的磁共振信号工频噪声消减方法
CN115730199B (zh) 一种滚动轴承振动信号降噪和故障特征提取方法和***
CN112945546B (zh) 一种齿轮箱复杂故障精确诊断方法
CN110261910A (zh) 基于自适应稀疏s变换的地震数据面波去除方法
CN108270543A (zh) 一种基于小波空域相关法的侧信道攻击预处理方法
CN114779343A (zh) 一种基于曲波变换-联合双边滤波的地震数据去噪方法
CN114254679B (zh) 基于滤波器的特征增强方法
CN103455986B (zh) 基于分数阶微分梯度的随机噪声点检测方法
CN116296243B (zh) 一种基于大尺寸核稠密块的气动识别方法
CN107341519B (zh) 一种基于多分辨率分析的支持向量机识别优化方法
CN115691535A (zh) 基于rnn的高信噪比语音降噪方法、装置、设备及介质
Shan et al. Background noise suppression of magnetic anomaly signal based on wavelet transform
Fang et al. Mask-guided model for seismic data denoising
Xia et al. Convolutional sparse coding with periodic overlapped group sparsity for rolling element bearing fault diagnosis
CN114358040A (zh) 一种基于自适应估算阈值法的扰动信号去噪方法
CN113553898A (zh) 一种自动扶梯基脚松动故障诊断方法
Yin et al. The research on denoising using wavelet transform
CN111414808B (zh) 基于平移不变分数阶小波稀疏表示的机械故障诊断方法
Xue et al. Research on Signal Denoising Algorithm Based on Wavelet Analysis
Babichev et al. A hybrid model of 1-D signal adaptive filter based on the complex use of Huang transform and wavelet analysis

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
GR01 Patent grant
GR01 Patent grant