前言

在軸承故障信號中既包含軸承轉動聲音，又包含場景中的其他噪聲信息。如何聚焦軸承轉動的時域特征和頻域特征，降低場景噪聲的干擾，是我們需要解決的問題。本期為大家介紹幾種常用且高效的信號降噪算法：

（1）離散小波變換（DWT）：通過將信號分解到不同的頻帶，有效地分離出噪聲和故障特征。

（2）經驗模態分解（EMD）：自適應地將信號分解為一系列本征模態函數（IMF），每個IMF代表不同尺度的成分。

（3）經驗小波變換（EWT）：結合小波變換和EMD的優勢，自適應地選擇小波基函數來分解信號。

（4）自編碼器（Autoencoder）：一種無監督學習方法，通過神經網絡學習信號的壓縮表示和重構，達到降噪效果。

● 數據集：CWRU西儲大學軸承數據集

● 環境框架：python 3.9  pytorch 1.8 及其以上版本均可運行

● 使用對象：模型論文需求、畢業設計需求者

● 代碼保證：代碼注釋詳細、即拿即可跑通。

1.噪聲可視化

1.1 導入數據

參考之前的文章，讀取凱斯西儲大學軸承數據：

1.2 添加高斯白噪聲

添加信噪比SNR為5db的噪聲

2.離散小波變換（DWT）降噪

2.1 處理步驟

（1）選擇小波和分解層數：我們選擇了db8小波，并計算了分解層數。

（2）DWT分解：使用wavedec函數對信號進行多層次分解。

（3）閾值處理：計算閾值并對細節系數進行軟閾值處理，以去除噪聲。

（4）信號重構：使用處理后的系數進行信號重構。

（5）繪圖：繪制原始信號、帶噪信號和降噪后的信號進行比較。

注意事項：

• 選擇合適的小波基函數和分解層數對降噪效果有很大影響，需要根據具體信號特性進行調整。
• 閾值處理的方法有多種，可以根據實際情況選擇不同的閾值計算方法和處理方式（如軟閾值或硬閾值）。

2.2 降噪效果

不同故障信號添加 5db 噪聲對比：

正常信號分別添加 -5db、-10db、5db  對比：

3.經驗模態分解（EMD）

3.1 處理步驟

（1）初始化EMD對象：創建一個EMD對象，用于執行經驗模態分解。

（2）進行EMD分解：使用emd.emd方法對帶噪聲信號進行分解，得到一系列本征模態函數（IMFs）。

（3）選擇合適的IMF進行重構：假設第0個IMF主要是噪聲，去除它后重構信號。實際應用中需要根據具體情況調整選擇的IMF。

（4）繪圖：繪制原始信號、帶噪信號、IMF以及降噪后的信號進行比較。

注意事項

• IMF的選擇：選擇哪些IMF進行重構需要根據具體信號特性和應用需求來確定。通常，較低頻的IMF包含主要的信號成分，而高頻的IMF可能更多地包含噪聲。

3.2 降噪效果

不同故障信號添加 5db 噪聲對比：

正常信號分別添加 -5db、-10db、5db  對比：

4.經驗小波變換（EWT）降噪

4.1 處理步驟

（1）邊界計算：首先計算信號的傅里葉變換，然后找出頻譜中的局部最大值作為邊界。

（2）EWT分解：ewt函數執行經驗小波變換。它計算信號的傅里葉變換，然后應用濾波器組，得到一系列的EWT系數。

（3）信號重構：通過將所有EWT系數相加（去掉第一個主要噪聲成分的系數），重構降噪后的信號。

4.2 降噪效果

不同故障信號添加 5db 噪聲對比：

5 自編碼器（Autoencoder）降噪

5.1 處理步驟

（1）數據準備：將信號轉換為PyTorch張量，并創建數據集和數據加載器。

（2）定義自編碼器模型：

• 使用PyTorch的nn.Module定義自編碼器模型，包括編碼器和解碼器。
• 編碼器：將輸入信號壓縮到低維空間（encoding_dim），使用ReLU激活函數。
• 解碼器：將編碼后的信號重構回原始維度。

（3）初始化模型、損失函數和優化器：

（4）降噪信號重構：使用訓練好的自編碼器對帶噪信號進行重構，得到降噪后的信號。

（5）繪圖：繪制原始信號、帶噪信號和降噪后的信號進行比較。

注意事項

• 編碼維度：編碼維度（encoding_dim）控制了信號的壓縮程度。較小的編碼維度可能導致信息丟失，較大的編碼維度可能無法有效去除噪聲。可以根據具體應用調整該參數。
• 訓練數據：自編碼器的性能依賴于訓練數據的質量和數量。確保訓練數據覆蓋各種可能的信號特征。
• 模型復雜度：可以嘗試增加模型的層數和神經元數量，以提高模型的表示能力。

5.2 降噪效果

不同故障信號添加 5db 噪聲對比：

圖片

本文轉載自 ??建模先鋒??，作者： 小蝸愛建模