[发明专利]基于多层分解的振源响应信噪分离方法及系统

说明书

本发明提供基于多层分解的振源响应信噪分离方法及系统，属于机械振动信号处理技术领域，对混合信号进行分解，并通过共有成分选择的方法选择子分量并组合成第一真实信号分量，其余分量组合为第一噪声信号分量；对第一真实信号分量和第一噪声信号分量分别进行分解，组合之后得到第二真实信号分量和第二噪声信号分量；去除第二真实信号分量中与冲击响应同频的噪声，获得更加完整准确的第三真实信号分量；对共振稀疏分解算法参数中的品质因子进行确定。本发明对含有各类噪声的冲击响应实现了净化，具有更加良好的鲁棒性，满足了对大多数工作条件下采集信号的净化要求，具有广泛适用性；改进的振动源响应共有成分选择方法对共有成分判定更加全面准确。

技术领域

本发明涉及机械振动信号处理技术领域，具体涉及一种基于多层分解的振源响应信噪分离方法及系统。

背景技术

基于信号处理的振动信号分析方法是机械故障诊断的主要分析方法。然而，安装在机械系统上的振动传感器所测得的振动信号不仅包括故障源引起的振动，还包括其他振动源引起的振动及环境中的噪声，测得的是混合信号。如何从混合信号中将噪声信号剥离以定位和留下故障源的振动信号，这是一个长期困扰故障诊断研究人员的难题。信噪分离的过程，就是从混合信号中去除噪声留下真实的感兴趣的信号成分的过程。基于信号处理的机械设备故障诊断领域，信号去噪是非常重要也非常基础的一环，只有得到真正表现故障状态的信号成分，才能继续开展各种相关的故障诊断研究。

目前关于信噪分离的方法主要有时域、频域、时频域和其他域的去噪方法。时域去噪方法主要是从信号的时域波形角度对信号进行去噪，利用旋转机械振动信号的周期性，去除随机分布的噪声信号，如时域平均法。频域去噪方法主要是将振动信号通过傅里叶变换从时域转换到频域的频谱分析方法时频域去噪方法是基于信号处理的机械故障诊断中最常用的信号去噪方法，主要有小波分解和经验模态分解(Empirical ModeDecomposition，EMD)等两种方法。经验模态分解EMD是1998年提出的一种适用于处理非线性、非平稳信号的时频分析方法。EMD通过计算信号上、下包络线的均值并进行迭代运算获得多个IMF分量和剩余分量，每个IMF分量从高频到低频进行排列，选择合适的频带范围的IMF分量进行重构以去除噪声。

其他域的去噪方法在故障诊断中广泛使用的主要有奇异谱分析(SingularSpectrum Analysis,SSA)和共振稀疏分解(RSSD)等。

上述现有的信噪分离方法，时域平均法虽然非常适合周期性振动信号的去噪，但正因为其取平均值的做法使每个周期的振动信号丧失了“个性”，获得的是修正后的信号成分，并不是真实的故障响应成分；频谱分析虽然对于处在不同频带范围内信号与噪声的分离效果非常好，但对分布在同一频带范围内的其他故障源信号和噪声信号根本无能为力；小波分解虽然能利用多分辨率的特性和小波系数的阈值对信号进行去噪，但多分辨率的特性与频带相关而小波系数的阈值与噪声的分布有关，这些信息在原始混合信号中均难以获得；EMD及其衍生的分解方法虽然能够自适应地将信号进行分解，但容易产生模态混叠和虚假分量；SSA虽然能够将信号转换到相空间，极大地展示了信号包含的丰富的故障信息，但对于相空间参数的选择和分解后奇异值的选择难以把握；稀疏分解虽然能够将信号中隐含的大量的重要的信息稀疏表示出来，但构建的过完备原子库对结果的影响非常大且计算量较其他分解方法大的多。

发明内容

本发明的目的在于提供一种基于多层分解的振源响应信噪分离方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种基于多层分解的振源响应信噪分离方法，包括：

步骤1：采用奇异谱分析对混合信号进行分解，并通过共有主成分选择的方法选择子分量并组合成第一真实信号分量，其余分量组合为第一噪声信号分量；

步骤2：利用匹配追踪算法对第一真实信号分量和第一噪声信号分量分别进行分解，组合之后得到第二真实信号分量和第二噪声信号分量；