故障诊断 | 信号降噪算法合集，你学会了吗？

前言

在轴承故障信号中既包含轴承转动声音，又包含场景中的其他噪声信息。如何聚焦轴承转动的时域特征和频域特征，降低场景噪声的干扰，是我们需要解决的问题。本期为大家介绍几种常用且高效的信号降噪算法：

（1）离散小波变换（DWT）：通过将信号分解到不同的频带，有效地分离出噪声和故障特征。

（2）经验模态分解（EMD）：自适应地将信号分解为一系列本征模态函数（IMF），每个IMF代表不同尺度的成分。

（3）经验小波变换（EWT）：结合小波变换和EMD的优势，自适应地选择小波基函数来分解信号。

（4）自编码器（Autoencoder）：一种无监督学习方法，通过神经网络学习信号的压缩表示和重构，达到降噪效果。

● 数据集：CWRU西储大学轴承数据集

● 环境框架：python 3.9  pytorch 1.8 及其以上版本均可运行

● 使用对象：模型论文需求、毕业设计需求者

● 代码保证：代码注释详细、即拿即可跑通。

1.噪声可视化

1.1 导入数据

参考之前的文章，读取凯斯西储大学轴承数据：

1.2 添加高斯白噪声

添加信噪比SNR为5db的噪声

2.离散小波变换（DWT）降噪

2.1 处理步骤

（1）选择小波和分解层数：我们选择了db8小波，并计算了分解层数。

（2）DWT分解：使用wavedec函数对信号进行多层次分解。

（3）阈值处理：计算阈值并对细节系数进行软阈值处理，以去除噪声。

（4）信号重构：使用处理后的系数进行信号重构。

（5）绘图：绘制原始信号、带噪信号和降噪后的信号进行比较。

注意事项：

• 选择合适的小波基函数和分解层数对降噪效果有很大影响，需要根据具体信号特性进行调整。
• 阈值处理的方法有多种，可以根据实际情况选择不同的阈值计算方法和处理方式（如软阈值或硬阈值）。

2.2 降噪效果

不同故障信号添加 5db 噪声对比：

正常信号分别添加 -5db、-10db、5db  对比：

3.经验模态分解（EMD）

3.1 处理步骤

（1）初始化EMD对象：创建一个EMD对象，用于执行经验模态分解。

（2）进行EMD分解：使用emd.emd方法对带噪声信号进行分解，得到一系列本征模态函数（IMFs）。

（3）选择合适的IMF进行重构：假设第0个IMF主要是噪声，去除它后重构信号。实际应用中需要根据具体情况调整选择的IMF。

（4）绘图：绘制原始信号、带噪信号、IMF以及降噪后的信号进行比较。

注意事项

• IMF的选择：选择哪些IMF进行重构需要根据具体信号特性和应用需求来确定。通常，较低频的IMF包含主要的信号成分，而高频的IMF可能更多地包含噪声。

3.2 降噪效果

不同故障信号添加 5db 噪声对比：

正常信号分别添加 -5db、-10db、5db  对比：

4.经验小波变换（EWT）降噪

4.1 处理步骤

（1）边界计算：首先计算信号的傅里叶变换，然后找出频谱中的局部最大值作为边界。

（2）EWT分解：ewt函数执行经验小波变换。它计算信号的傅里叶变换，然后应用滤波器组，得到一系列的EWT系数。

（3）信号重构：通过将所有EWT系数相加（去掉第一个主要噪声成分的系数），重构降噪后的信号。

4.2 降噪效果

不同故障信号添加 5db 噪声对比：

5 自编码器（Autoencoder）降噪

5.1 处理步骤

（1）数据准备：将信号转换为PyTorch张量，并创建数据集和数据加载器。

（2）定义自编码器模型：

• 使用PyTorch的nn.Module定义自编码器模型，包括编码器和解码器。
• 编码器：将输入信号压缩到低维空间（encoding_dim），使用ReLU激活函数。
• 解码器：将编码后的信号重构回原始维度。

（3）初始化模型、损失函数和优化器：

（4）降噪信号重构：使用训练好的自编码器对带噪信号进行重构，得到降噪后的信号。

（5）绘图：绘制原始信号、带噪信号和降噪后的信号进行比较。

注意事项

• 编码维度：编码维度（encoding_dim）控制了信号的压缩程度。较小的编码维度可能导致信息丢失，较大的编码维度可能无法有效去除噪声。可以根据具体应用调整该参数。
• 训练数据：自编码器的性能依赖于训练数据的质量和数量。确保训练数据覆盖各种可能的信号特征。
• 模型复杂度：可以尝试增加模型的层数和神经元数量，以提高模型的表示能力。

5.2 降噪效果

不同故障信号添加 5db 噪声对比：

图片

本文转载自 ​​建模先锋​​，作者： 小蜗爱建模