基于小波分析的振动信号去噪的研究
摘要:旋转机械的振动信号是设备故障特征信号的载体,振动信号不可避免地受到各种噪声和干扰的污染。针对传统硬阈值和阈值小波去噪的缺点与不足,本文提出了一种新的阈值函数,仿真实验结果表明,去噪效果优于传统的软、硬阈值方法。
关键词:小波分析去噪仿真
大型旋转机械的监测与诊断的主要手段是通过获取振动信号来进行分析,但是振动信号中往往带有较大的噪声,这给振动信号的进一步分析和处理带来了很多困难,基于小波分析的阈值去噪方法是Donoho[1]在1995年提出的一种简单而且有效的小波去噪方法,该方法在Besov空间上可得到最佳估计值,而其他线性估计都不能得到同样的结果,因此,在信号去噪领域得到了广泛的应用。
1 基于小波变换的硬、软阈值方法
传统的阈值函数主要有硬阈值函数和软阈值函数两种,定义分别如式(1.1、(1.2所示。
(1.1
(1.2
式中为原始的含噪小波系数;和分别为作用硬、软阈值函数后的估计小波系数;T为设定的阈值门限,,此公式为1994年Donohue和Johnstone等人提出了非线性小波变换阈值去噪算法,推倒出的计算阈值的通用公式,其中为噪声准差,N为信号长度。(2.21式中为原始的含噪小波系数;和分别为作用硬、软阈值函数后的估计小波系数;T为设定的阈值门限,,此公式为1994年Donohue和Johnstone等人提出了非线性小波变换阈值去噪算法,推倒出的计算阈值的通用公式,其中为噪声准。
虽然软、硬阈值方法在实际中得到了广泛的应用,也取得了较好的效果,但是也存在一些缺陷。软阈值函数是硬阈值函数的扩展,它首先将绝对值小于阈值T的系数置为零,然后将其余系数向零进行缩进。硬阈值函数可以很好地保留信号的局部
特征,但由于硬阈值在±T处不连续,因此,信号在重构的时候可能产生一些震荡;软阈值函数在T处是连续的,重构信号比较光滑,但当小波系数较大时,处理前和处理后的小波系数之间总存在较大的恒定偏差,从而影响重构信号与真实信号的逼近程度。
2 改进的阈值函数
从以上分析可知,软、硬阈值函数去噪方法都有不妥之处,本文提出一种新的阈值函数如式(2.1所示。
(2.1
文中构造的函数和软阈值函数一样,在小波域内具有连续性,而且当时,函数是高阶可导的,同时只要在0和1之间适当的调整的大小,就可以获得更好的去噪效果。考察函数:
(2.2
式中,时阈值函数等效于硬阈值函数;时阈值函数等效于软阈值函数;当取0和1之间的数,时,,可知函数是以直线为渐近线,即新阈值函数也是以为渐近线;时,,也就是说,
和的偏差的绝对值随着的增大而逐渐减小为,提高了重构精度,改善了去噪效果。
3 基于改进阈值方法的去噪仿真
为了说明新阈值函数在去噪算法中的有效性,将传统的软、硬阈值函数和新阈值函数利用MATLAB工具箱中典型的含有高斯白噪声的noisbump信号模拟振动信号进行MATLAB仿真,选取db3小波,分解层数为5层,取0.2,实验结果如图1所示,去噪信号的信噪比和均方差见表1。
图1可以直观的看出去噪效果,表1的数据也可以很好的说明改进了阈值函数的小波去噪比传统硬、软阈值去噪效果好且能真实的保留原信号特征。
4 结语
(1小波分析良好的时频特性进行振动信号去噪,可以方便地剔除噪声干扰,为旋转机械设备提取真实的噪声信号提供了一种有效的分析手段;(2文中根据小波阈值去噪的基本原理提出的改进的阈值函数,可大幅度提升去噪效果。(3小波分析的振动信号去噪方法,为旋转机械设备的故障信号在线监测和故障识别奠定了良好的基础。
科技论文写作大作业小波变换图像去噪综述 院系： 班级： 学号： 姓名：
摘要小波图象去噪已经成为目前图象去噪的主要方法之一.在对目前小波去噪文献进行理解和综合的基础上,首先通过对小波去噪问题的描述,揭示了小波去噪的数学背景和滤波特性;接着分别阐述了目前常用的3类小波去噪方法,并从小波去噪中常用的小波系数模型、各种小波变换的使用、小波去噪和图象压缩之间的联系、不同噪声场合下的小波去噪等几个方面,对小波图象去噪进行了综述;最后,基于对小波去噪问题的理解,提出了对小波去噪方法的一些展望 关键词：小波去噪小波萎缩小波变换图象压缩 1.前言 在信号数据采集及传输时，不仅能采集或接收到与所研究的问题相关的有效信号，同时也会观测到各种类型的噪声。在实际应用中，为降低噪声的影响，不仅应研究信号采集的方式方法及仪器的选择，更重要的是对已采集或接收的信号寻找最佳的降噪处理方法。对于信号去噪方法的研究可谓是信号处理中一个永恒的话题。传统的去噪方法是将被噪声污染的信号通过一个滤波器，滤除掉噪声频率成分。但对于瞬间信号、宽带噪声信号、非平稳信号等，采用传统方法具有一定的局限性。其次还有傅里叶(Fourier)变换也是信号处理中的重要手段。这是因为信号处理中牵涉到的绝大部分都是语音或其它一维信号，这些信号可以近似的认为是一个高斯过程，同时由于信号的平稳性假设，傅立叶交换是一个很好的信号分析工具。但也有其不足之处，给实际应用带来了困难。 小波变换是继Fourier变换后的一重大突破，它是一种窗口面积恒定、窗口形状可变(时间域窗口和频率域窗口均可改变)的时频局域化分析方法，它具有这样的特性；在低频段具有较高的频率分辨率及较低的时间分辨率，在高频段具有较高的时间分辨率及较低的频率分辨率，实现了时频窗口的自适应变化，具有时频分析局域性。小波变换的一个重要应用就是图像信号去噪。将小波变换用于信号去噪，它能在去噪的同时而不损坏信号的突变部分。在过去的十多年，小波方法在信号和图像去噪方面的应用引起学者广泛的关注。本文阐述小波图像去噪方法的原理，概括目前的小波图像去噪的主要方法，最后对小波图像去噪方法的发展和应用进行展望。 2小波图像去噪的原理 所谓小波变化，即:
小波分析在信号去噪中的应用 摘要：利用小波方法去噪，是小波分析应用于实际的重要方面。小波去噪的关键是如何选择阈值和如何利用阈值来处理小波系数，通过对几种去噪方法不同阀值的选取比对分析和基于MATLAB 信号去噪的仿真试验，比较各种阀值选取队去噪效果的影响。 关键词：小波去噪；阀值；MATLAB 工具 1、 小波去噪模型的建立 如果一个信号被噪声污染后为，那么基本的噪声模型就可以表示为()f n ()s n ()()() s n f n e n σ=+式中：为噪声；为噪声强度。最简单的情况下为高斯白噪声，且=1。()e n σ()e n σ小波变换就是要抑制以恢复，从而达到去除噪声的目的。从统计学的()e n ()f n 观点看，这个模型是一个随时间推移的回归模型，也可以看作是在正交基上对函数无参估计。小波去噪通常通过以下3个步骤予以实现： ()f n a)小波分解； b)设定各层细节的阈值，对得到的小波系数进行阈值处理； c)小波逆变换重构信号。 小波去噪的结果取决于以下2点： a)去噪后的信号应该和原信号有同等的光滑性； b)信号经处理后与原信号的均方根误差越小，信噪比越大，效果越好。 如何选择阈值和如何利用阈值来量化小波系数，将直接影响到小波去噪结果。 2、小波系数的阈值处理 2．1由原始信号确定阈值 小波变换中，对各层系数降噪所需的阈值一般是根据原信号的信噪比来决定的。在模型里用这个量来表示，可以使用MATLAB 中的wnoisest 函数计算得到σσ值，得到信号的噪声强度后，根据下式来确定各层的阈值。 thr =式中n 为信号的长度。 2．2基于样本估计的阈值选取 1)无偏似然估计(rigrsure)：是一种基于Stein 无偏似然估计原理的自适应阈值选择。对于给定的阈值T ，得到它的似然估计，再将似然T 最小化，就得到了所选的阈值，这是一种软件阈值估计。 2)阈值原则(sqtwlolg)：固定阈值T 的计算公式为。 3)启发式阈值原则(heursure)：是无偏似然估计和固定阈值估计原则的折
有效振动分析的信号处理 摘要 有效的振动分析首先始于从工业标准的振动传感器，如加速度传感器获得一个准确的时域变化的信号。一个手持式数字仪器一般接入原始的模拟信号，并为用户的多种要求进行处理。根据用户对分析的要求和原始信号的最初单位，信号可被直接处理或经由数学积分器变换成振动测量的其他单位。根据感兴趣的频率，信号可能要经过一系列高通滤波器和低通滤波器的调理。根据期望得到的结果，信号可能被多次采样和平均。如果在数字仪器中需进行时间波形分析，那么确定采样点数和采样速率是必要的。观察的时间长度等于采样周期乘以采样点数。大部分手持式仪器也具有FFT(快速傅里叶变换)处理方法，把全局时变输入信号采样分解为其单独的频率分量。在老式模拟仪器中，这个分析功能是由扫频滤波器来实现的。 定义FFT处理时要考虑很多设置参数：（1）分辨率线数；（2）最大频率；（3）平均类型；（4）平均次数，和（5）窗类型。这些参数互相作用影响得到的结果，并且需要在信息质量和完成数据采集所耗时间之间进行折中考虑。 预知维修的成功依赖于数据采集和变换过程中的几个要素：（1）总振动水平的趋势；（2）复合振动信号各个频率分量的幅值和频率；（3）在相同运行条件下，机器某一部分的振动信号相对于机器上另一个测量的相位关系。 本文将带领读者从振动传感器的输出，经过典型的现代数字技术振动测量仪器所完成的信号处理流程的各个阶段。并且，本文重点介绍了预知维修领域为完成准确分析而进行的快速有效的振动数据采集中所需的多个数据采集设置参数和折中考虑。 关乎振动分析成功的几项内容，将给予详细论述：模拟信号采样和调理；抗混淆测量；噪声滤波器技术；频带-低通，高通，带通；数据平均方法；和FFT频率转换。 1.讨论 振动分析始于传感器输出的时变物理信号。从此信号的输入到振动测量仪器，有很多可能的选择去分析信号。本文的目的是关注内部信号处理路径，以及它和原始振动问题的最终根源分析之间的关系。首先，我们看如图1所示的仪器中典型信号路径的框图。 2.时间波形 图2.所示是一个典型的来自加速度传感器的模拟时间波形信号。
振动信号的分析方法 在对设备进行监测和故障诊断中，大多都采用对设备进行振动状态监测，所以对振动信号进行有效地分析，使用不同的分析方法来获得振动信号的特性参数，这种方法是机械设备实现故障诊断的主要措施。常用的振动信号分析方法有时域分析法，频域分析法，阶次跟踪分析法，经验模态分析法和包络解调分析法，下面逐个对这五种分析方法进行详细说明。 1时域分析法 振动时域参数分析是对风力发电机组进行故障检测和诊断的简易方法，时域波形是经过DSP数据处理器去噪处理后的信号，包含较多的信息量。在时域诊断中，采用的参数有:均值、均方根值、峭度值、峰值、脉冲因子、裕度系数……通过监测这些特征参数是否超过设定的_值来诊断传动部件是否发生机械故障。幅域参数一般分为有量纲和无量纲2种类型的指标。均值、均方根值等为有量纲的时域参数。无量纲的时域参数包含偏态系数、波形因子、峰态系数、脉冲因子、裕度系数……现对时域分析中所涉及的主要釆用的参数进行简要介绍。 (1)均值:平均值又可称为直流分量，是用来评价信号是否稳定。表征了振 动信号变化的中心波动，是信号的常量分量，其表达式为 其中，n为总的采样点数;表示振动信号的样本函数。 (2)均方根值:均方根值，也叫方均根值，它是对信号先平方，再求取平均值后开方得到的，是对没有规律的信号比较有用。其表达式为 (3)峭度:峭度值是可以直接体现概率密度的一种可靠参数，概率密度函数分布形态偏移越大，峭度值的绝对值就越大。 峭度值可以反映概率密度图形的对称性。概率密度函数分布形态偏移越大，
峭度值的绝对值越大。 除此之外，还有几种比较常见的时域参数， 2频域分析法 时域振动信号的频谱分析是目前所知的研究故障特征方法中基础的方法之一，可以在频谱中，获得比较全面的故障信息。在频域中，主要从幅值频谱、功率频谱、倒频谱3个基本的频谱进行分析。频谱的功能是用来分析原始信号中轴承内圈、外圈的固有频率和故障频率，以及齿轮箱齿轮互相哨合产生的哨合频率;倒频谱的功能是用于容易地获得频谱的边频带中的周期成分，并确定故障发生的位置。 1.幅值谱分析 幅值频谱就是对传感器釆样所得的原始信号经处理后的振动信号进行一次傅立叶变换(FFT)，计算并画出该时域振动信号的频率图谱，傅立叶变化的表达式为：
摘要 小波变换归属于数学领域的调和函数的范畴，是调和分析几十年来的一个突破性进展，并且在很多科技领域内得到了广泛应用。本文旨在探讨小波变换理论，并结合专业中的地震信号去噪展开研究。 论文以小波变换为核心，首先介绍了论文研究的目的、意义及主要研究内容，由此引出了小波变换理论，并对其原理做了详细阐述。这不仅包括连续小波，离散小波，多分辨率分析方法还包括与传统傅氏变换等的对比，从而在理论上明确其性能特点的优越性。本文选定了小波阈值去噪方法。由此结合给定的信号应用matlab 进行处理，并通过对比处理结果为本文后面的处理工作选定合适的参数。从所做例子来看，小波阈值处理达到了很好的去噪效果。论文应用matlab 模拟微地震信号，结合小波阈值去噪方法对微地震信号进行了处理。在文中给出了信号的原始模拟信号，加噪信号及处理后的效果图，从图中可以看出，小波阈值去噪完成了模拟微地震信号的去噪处理。另外，对实际的微地震资料进行了试处理，达到了去噪的目的。 关键词：小波变换；去噪；微地震；分解；重构
ABSTRACT The wavelet transform attributables to the mathematical field of harmonic function areas, it’s a breakthrough progress, and in many areas of science and technology has been widely used. This study aims to explore wavelet transform theory, and the combination of professional study of seismic signal de-noising. Papers to wavelet transform at the core, first of all, on paper the purpose of thestudy, the significance and major research content, which leads to the wavelettransform theory, and its principles expounded in detail.This includes not only thecontinuous wavelet, wavelet, multire solution analysis methods include traditional Fourier transform contrast, in theory, clear the superiority of its performance characteristics. The paper selected through comparative study of wavelet de-noising threshold method.This combination of a given signal processing applications matlab,and by comparing the results of this paper to the back of the appropriate handling of the selected parameters. From doing example, wavelet thresholding to deal with a very good de-noising effect. Papers matlab simulated micro-seismic signal applications, wavelet de-noising threshold with this method micro-seismic signal processing. In this paper the original analog signal, the signal plus noise and the effects of treatment plans, as can be seen from Fig, wavelet de-noising threshold completed micro-seismic signal de-noising analog processing. Key words: wavelet；de-noising；micro-seismic；decompose；compose
有限单元法与机械振动及故障诊断的关系 随着机械向轻量化方向发展，构件的柔度加大；随着机械向高速化方向发展，惯性力急剧增大。在这种情况下，构件的弹性变形可能给机械的运动输出带来误差。在高速、精密机械设计中，为了保证机械的精确度和稳定性，就必须计入这种弹性变形对精度的影响。机械系统柔度加大，系统固有频率下降；而机械运转速度提高，激振频率上升，这种变化使许多机械出现较强振动现象的危险增加了，而振动既破坏机械的运动精度，又影响构件的的疲劳强度，并加剧运动副中的磨损，因此，出现了计入构件弹性的动力分析方法，即弹性动力分析，很多大型机械系统的振动也被分析研究，并为机械故障诊断奠定了理论基础。构件产生振动时，其变形和受力状况非常复杂，弹性动力学给出的微分方程导不出解析解，有限单元法是一种非常有效的数值分析方法，所得的解可以足够逼近于精确值，它使弹性动力学获得了新的、巨大的生命力。 有限单元法的基本思想是将一个连续弹性体看成是由若干个基本单元在节点彼此相连接的组合体，从而使一个无限自由度的连续问题变成一个有限自由度的离散系统问题。有限元求解问题的基本步骤通常为： 第一步：待求解域离散化：将求解域或连续体近似为具有不同有限大小和形状且彼此相连的有限个单元组成的离散域，习惯上称为有限元网络划分。显然单元越小（网格越细）则离散域的近似程度越好，计算结果也越精确，但计算量及误差都将增大，因此求解域的离散化是有限元法的核心技术之一。 第二步：选择插值函数：选择适当的插值函数以表达单元内的场变量的变化规律。场变量可以是标量、向量或者高阶张量。常数多项式为场变量的近似表达式，多项式的阶数取决于单元的节点数、节点的自由度数，以及单元间边界的变量协调性等。场变量及其导数都可以作为节点的未知量。 第三步：形成单元性质的矩阵方程：对单元构造一个适合的近似解，即推导有限单元的列式，其中包括选择合理的单元坐标系，建立单元试函数，以某种方法给出单元各状态变量的离散关系，从而形成刚度矩阵。 第四步：形成整体系统的矩阵方程：将单元总装形成离散域的总矩阵方程，反映对近似求解域的离散域的要求，即单元函数的连续性要满足一定的连续条件。总装是在相邻单元结点进行，状态变量及其导数连续性建立在结点处。 第五步：约束处理求解系统方程：利用系统矩阵方程建立求解方程组，引入边界条件，即约束处理，求解出结点上的未知场变量。 运用有限单元法可获得足够逼近于精确值的解，从而可获得反映设备实际运行状况的振动信号，其时域、频域和幅值域分析结果对于机器故障的准确判断具有重要意义。因此，在机械日益轻量化、高速化的趋势下，有限单元法显得极为重要，而准确的机械振动分析及故障诊断，更需要以有限单元法为支撑。
基于小波分析的信号去噪技术 [摘要] 介绍了小波变换的基本思想和优点及多分辨率分析的过程, 并在MA TLAB 下利用小波变换工具箱, 编写程序实现信号去噪处理。充分显示了小波变换在处理非平稳信号中的优势。 [关键词] 小波变换 信号去噪 模极大值 李普西兹指数 在通信及计算机过程控制系统中，对信号进行实时采样是很重要的环节。但由于信号在激励、传输和检测过程中，可能不同程度地受到随机噪声的污染，特别在小信号采集和测量中，噪声干扰显得尤其严重。因此，如何消除实际信号中的噪声，从混有噪声的信号中提取有用信息一直是信息学科研究的焦点之一。傅里叶变换是一种经典方法，适用于诸多场合。但由于傅里叶变换是一种全局变换，无法表述信号的时域局部性质，而这种性质恰恰是非平稳信号最根本和最关键的性质。为了更有效地处理非平稳信号，人们提出了小波变换这种新的信号分析理论。小波变换是一种信号的时频分析，它具有多分辨率的特点，可以方便地从混有强噪声的信号中提取原始信号，被誉为分析信号的显微镜。本文主要讨论应用小波变换的理论，利用Matlab 软件在计算机上实现了信号的噪声消除，从混有噪声的实际信号中提取了原始信号，具有非常实用的意义。 1.小波变换与多分辨率分析 设ψ是定义在(-,+)∞∞上能量有限的函数，Ψ构成平方可积信号空间，记为Ψ∈L2(R)，则生成函数族{ ab ψ }： 1/2()||()ab t b t a a --ψ=ψ ,0b a -∞<<+∞> （1） Ψ(t)称为小波函数，()ab t ψ由Ψ(t)伸缩和平移生成，为小波基函数。a 为伸缩因子，b 为平移因子。对任一信号()f i ∈L2(R)的连续小波变换可定义为信号与小波基函数的内积： 1/ 2 (();,),||()ab R t b WT f t a b f a dt a --=<ψ>=ψ? （2）
文章编号：1006-7043（2000）04-0021-03 基于小波变换的去噪方法 林克正 李殿璞 （哈尔滨工程大学自动化学院，黑龙江哈尔滨150001） 摘 要：分析了信号与噪声在小波变换下的不同特点，提出了基于小波变换的去噪方法，且将该去噪算法 用算子加以描述，给出了具体实例.小波变换硬阈值去噪法和软阈值去噪法的性能比较及仿真实验，表明基于小波变换的去噪方法是非常有效的.!关 键 词：小波变换；去噪；奇异性检测；多尺度分析 中图分类号：TN911.7 文献标识码：A Denoising Method Based on Wavelet Transform Lin Ke-zheng Li Dian-pu （Automation Coiiege ，Harbin Engineering University ，Harbin 150001，China ） Abstract ：This paper anaiyzes the different characteristics of noise and signai under waveiet transform and proposes the denoising method based on waveiet transform.The denoising aigorithm based on waveiet transform are described with some operators.Some exampies are demonstrated.The performance of denoising with hard and soft threshoid method based on waveiet transform are compared in computer simuiation.The simuiation shows that the denoising method based on waveiet transform is very effective. Key words ：waveiet transform ；denoising ；singuiarity detection ；muitiresoiution anaiysis 提取掩没在噪声中的信号是信号处理的一项重要课题.实际的信号总是含有噪声的，当待检测信号的输入信噪比很低，各种噪声幅值大、分布广，而干扰信号又与真实信号比较接近时，用传统的时域或频域滤波往往不能取得预期效果.D.L.Donoho 提出的非线性小波方法从噪声中提取信号 效果最明显［2-5］ ，并且在概念上也有别于其它方 法，其主要思想有局部极大值阈值法、全局单一阈 值法［3］和局部SURE 多阈值法［4］ .在此基础上，本文首先分析了信号和噪声在小波变换下的不同特 性，据此可有效地从噪声信号检出有用的信号，用算子的形式对基于小波变换的去噪方法进行了统一的描述，并提出了一种可浮动的自适应阈值选取方法. 1 小波分析基础 1.1 信号的小波变换 ［1］ 设母波函数是!（t ），伸缩和平移因子分别为a 和6，小波基函数!a ，6（t ） 定义为!a ， 6（t ）=1! a !（t -6 a ）（1）式中，6"R ，a "R -｛0｝. 函数f （t ）" 2 （R ） 的小波变换W a ，6（f ）定义为 W a ，6（f ）=
%应用db5作为小波函数进行3层分解 %利用无偏似然估计阈值 %对100.dat from MIT-BIH-DB的单导联数据进行去噪处理clear;clc load('D:/matlab/matlab7.2/work/M.mat'); E=M(:,2); E=E'; n=size(E); s=E(1:2000); %小波分解 [C L]=wavedec(E,3,'db5'); % 从c中提取尺度3下的近似小波系数 cA3=appcoef(C,L,'db5',3); %从信号c中提取尺度1,2,3下的细节小波系数 cD1=detcoef(C,L,1); cD2=detcoef(C,L,2); cD3=detcoef(C,L,3); %使用stein的无偏似然估计原理进行选择各层的阈值 %cD1,cD2,cD3为各层小波系数， %'rigrsure’为无偏似然估计阈值类型 thr1=thselect(cD1,'rigrsure'); thr2=thselect(cD2,'rigrsure'); thr3=thselect(cD3,'rigrsure'); %各层的阈值 TR=[thr1,thr2,thr3]; %'s'为软阈值;'h'硬阈值。 SORH='s'; %---------去噪---------------- %XC为去噪后信号 %[CXC,LXC]为的小波分解结构 %PERF0和PERF2是恢复和压缩的范数百分比。 %'lvd'为允许设置各层的阈值, %'gbl'为固定阈值。 %3为阈值的长度 [XC,CXC,LXC,PERF0,PERF2]=wdencmp('lvd',E, ...'db5',3,TR,SORH); %---------去噪效果衡量（SNR越大效果越好, %MSE越小越好）------------------------ %选取信号的长度。 N=n(2); x=E; y=XC; F=0; M=0; for ii=1:N m(ii)=(x(ii)-y(ii))^2; t(ii)=y(ii)^2; f(ii)=t(ii)/m(ii); F=F+f(ii);
小波分析浅析 —— 李继刚 众所周知，以π2为周期的复杂的波都可以用以π2为周期的函数)(t f （模拟信号）来描述，它可以由形如)sin(n n nt A θ+的若干谐波叠加而成，因此，完全有理由认为)(t f 有如下的表现形式： ∑ ∑ ∑ ∞ =∞ =∞ =+= += += ) sin cos ()cos sin cos sin ()sin()(n n n n n n n n n n n nt b nt a nt A nt A nt A t f θθθ 为了确定上式中的系数n n b a ,，可以利用Fourier 变换，可以得到函数)(t f 的Fourier 级数，即 ??? ? ? ? ? ?? ====++=??∑--+∞ =π πππππ.,2,1,sin )(1,,1,0,cos )(1),sin cos (2)(1 0 n ntdt t f b n ntdt t f a nt b nt a a t f n n n n n 如果函数以T 为周期，则通过对t 作T w x T t ππ2,2= ?=变换，可以得到函数的Fourier 级数，即 ??? ? ? ? ? ??=?==?=?+?+=??∑--+∞ =π πππ .,2,1,sin )(2,,1,0,cos )(2),sin cos (2)(1 0 n wtdt n t f T b n wtdt n t f T a wt n b wt n a a t f n n n n n 从时域角度来理解Fourier 级数，将}sin ,{cos wt n wt n ??看作是具有频率w n ?的谐波，则时域表现的函数)(t f 可分解为无穷个谐波之和。 从频域角度来理解Fourier 级数，因为)(t f 的频域范围是[)+∞∈,0w ，所以，可将w 轴用间距w ?作离散分化，离散点w n ?处对应着频率为w n ?的谐波}sin ,{cos wt n wt n ??，这样就可将时域函数)(t f 与谐波组成1-1对应关系，即 +∞???0}sin ,cos {)(wt n b wt n a t f n n
基于小波分析的脑电信号去噪方法研究 摘要 小波变换[1]是20世纪 80 年代后期迅速发展起来的新兴学科。它是在傅里叶分析[2]的基础上发展起来的，但小波分析与傅里叶变换有很大的不同。总体来说，傅里叶分析是整体域分析，用单独的时域[3]或频域表示信号的特征；而小波分析是整体域分析，它用时域和频域的联合来表示信号的特征。小波分析的理论和方法在信号处理[4]、图像处理、语音处理、模式识别、量子物理等领域得到越来越广泛的应用，它被认为是近年来在工具及方法上的重大突破。信号的采集与传输过程中，不可避免会受到大量噪声信号的干扰，对信号进行去噪，提取出原始信号是一个重要的课题。 本文根据目前的研究课题基于脑电信号的机械外骨骼[5]系统研究与应用，在此研究小波变换在脑电信号去噪中的应用。 关键词小波变换、信号处理、脑电信号、机械外骨骼、小波包分析[6] Abstract Wavelet transform is a new subject in the late twentieth Century 80 developed rapidly. It is developed based on the analysis on Fourier transformation ，but wavelet and Fourier transformation are very different. Overall, Fourier transformation analysis is the whole domain analysis[7], said signal characteristics[8] with single time domain or frequency domain; wavelet analysis is the whole domain analysis, it combined with the time domain and frequency domain to represent the signal features. The theory and method of wavelet analysis has been applied more and more widely in signal processing, image processing, speech processing, pattern recognition, quantum physics and other fields, it is considered a major breakthrough in the tools and methods in recent years. Collection and the process of signal transmission, will inevitably receive a lot of noise signal interference, the signal denoising, extract the original signal is an important topic.
MATLAB在机械振动信号中的应用 申振 （山东理工大学交通与车辆工程学院） 摘要：综述了现代信号分析处理理论、方法如时域分析（包括时域参数识别、相关分析等）、频域分析（包括傅立叶变换、功率谱分解等），并结合MATLAB中的相关函数来对所拟合的振动信号进行时域分析和频域分析，并对绘出的频谱图进行说明。 关键词：时域分析频域分析 MATLAB 信号是信息的载体，采用合适的信号分析处理方法以获取隐藏于传感观测信号中的重要信息(包括时域与频域信息等)，对于许多工程应用领域均具有重要意义。对获取振动噪声信号的分析处理，是进行状态监测、故障诊断、质量检查、源识别、机器产品的动态性能测试与优化设计等工作的重要环节，它可以预先发现机械部件的磨损和缺陷等故障，从而可以提高产品的质量，降低维护费用。随着测试技术的迅速发展，各种信号分析方法也随之涌现，并广泛应用在各个领域[1]。 时域描述简单直观，只能反映信号的幅值随时间的变化，而不能明确的揭示信号随时间的变化关系。为了研究信号的频率组成和各频率成分的幅值大小、相位关系，应对信号进行频谱分析，即把时域信号通过适当的数学方法处理变成频率f（或角频率 ）为独立变量，相应的幅值或相位为因变量的频域描述。频域分析法将时域分析法中的微分或差分方程转换为代数方程，有利于问题的分析[2]。 MATLAB是MathWorks公司于1982年推出的一种功能强大、效率高、交互性好的数值计算和可视化计算机高级语言，它将数值分析、矩阵运算、信号处理和图形显示有机地融合为一体，形成了一个极其方便、用户界面良好的操作环境。随着其自身版本的不断提高，MATLAB的功能越来越强大，应用范围也越来越广，如广泛应用于信号处理、数字图像处理、仿真、自动化控制、小波分析及神经网络等领域[3]。 本文主要运用了MATLAB R2014a对机械振动信号进行分析。分析过程包括时域分析和频域分析两大部分，时域分析的指标包括随机信号的均值、方差以及均方值。频域分析的性能指标包括对功率谱分析、倒频谱分析。在进行上述分析之前先要对振动信号进
振动分析仪之设备状态监测与故障诊断的三个阶段 与故障诊断技术的实质是了解和掌握设备在运行过程中的状态，评价、预测设备的可靠性， 早期发现故障，并对其原因、部位、危险程度等进行识别，预报故障的发展趋势，并针对具 体情况作出决策。由此可见，设备状态监测与故障诊断技术包括识别设备状态监测和预测发 展趋势两方面的内容。具体过程分为状态监测、分析诊断和治理预防三个基本环节。 1.状态监测 状态监测是在设备运行中，对特定的特征信号进行检测、变换、记录、分析处理并显示、记录，是对设备进行的基础工作。检测的信号主要是机组或零部件在运行中的各种信息(振动、噪声、转速、温度压力、流量等)，通过利用如机械状态分析仪VIB07这种类型仪器的把这 些信息转换为电信号或其他物理信号，送入信号处理系统中进行处理，以便得到能反映设备 运行状态的特征参数，从而实现对设备运行状态的监测和下一步诊断工作。 2.分析诊断 分析诊断实际上包括两方面的内容：信号分析处理、故障诊断。 信号分析处理的目的是把获得的信息通过一定的方法进行变换处理，从不同的角度提取 最直观、最敏感、最有用的特征信息。分析处理可用专门的振动分析仪器，如VIB07或计算 机进行，一般情况下要从多重分析域、多个角度来分析观察这些信息。分析处理方法的选择、处理过程的准确性以及表达的直观性都会对诊断结果产生较大影响。 故障诊断是在状态监测与信号分析处理的基础上进行的。进行故障诊断需要根据状态监 测与信号分析处理所提供的能反映设备运行状态的征兆或特征参数的变化情况，有时还需要 进一步与某些故障特征参数进行比较，以识别设备是在运转正常还是存在故障。如果存在故障，要诊断故障的性质和程度、产生原因或发生部位，并预测设备的性能和故障发展趋势。 这是设备诊断的第二阶段。 如VIB07振动分析仪，兼备振动分析软件CM-Trend，可软件形成具有机器振动状态数据采集，数据管理，状态报警，故障诊断和趋势分析功能的基本预测维修系统。软件为使用者 提供一个方便灵活的工作平台，使其能够管理机器状态数据，进行日程数据采集，评价机 器状态，分析机器故障并提出预测维修报告。 3.治理预防 治理预防措施是在分析诊断出设备存在异常状态，即存在故障时，就其原因、部位和危 险程度进行研究并采取治理措施和预防的办法。通常包括调整、更换、检修、改善等方面的 工作。如果经过分析认为设备在短时间内尚可继续维持运行时，那就要对故障的发展加强监测，以保证设备运行的可靠性。根据设备故障情况，治理预防措施有巡回监测、监护运行、 立即停机检修三种。 与故障诊断技术的实质是了解和掌握设备在运行过程中的状态，评价、预测设备的可靠性， 早期发现故障，并对其原因、部位、危险程度等进行识别，预报故障的发展趋势，并针对具 体情况作出决策。由此可见，设备状态监测与故障诊断技术包括识别设备状态监测和预测发 展趋势两方面的内容。具体过程分为状态监测、分析诊断和治理预防三个基本环节。 1.状态监测
1.小波变换的概念 小波(Wavelet)这一术语，顾名思义，“小波”就是小的波形。所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。与Fourier变换相比，小波变换是时间(空间)频率的局部化分析，它通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。有人把小波变换称为“数学显微镜”。 2.小波有哪几种形式?常用的有哪几种?具体用哪种，为什么？ 有几种定义小波(或者小波族)的方法: 缩放滤波器:小波完全通过缩放滤波器g——一个低通有限脉冲响应(FIR)长度为2N和为1的滤波器——来定义。在双正交小波的情况，分解和重建的滤波器分别定义。 高通滤波器的分析作为低通的QMF来计算，而重建滤波器为分解的时间反转。例如Daubechies和Symlet 小波。 缩放函数:小波由时域中的小波函数 (即母小波)和缩放函数 (也称为父小波)来定义。 小波函数实际上是带通滤波器，每一级缩放将带宽减半。这产生了一个问题，如果要覆盖整个谱需要无穷多的级。缩放函数滤掉变换的最低级并保证整个谱被覆盖到。 对于有紧支撑的小波，可以视为有限长，并等价于缩放滤波器g。例如Meyer小波。 小波函数:小波只有时域表示，作为小波函数。例如墨西哥帽小波。 3.小波变换分类 小波变换分成两个大类：离散小波变换 (DWT) 和连续小波转换 (CWT)。两者的主要区别在于，连续变换在所有可能的缩放和平移上操作，而离散变换采用所有缩放和平移值的特定子集。 DWT用于信号编码而CWT用于信号分析。所以，DWT通常用于工程和计算机科学而CWT经常用于科学研究。 4.小波变换的优点 从图像处理的角度看，小波变换存在以下几个优点： (1)小波分解可以覆盖整个频域(提供了一个数学上完备的描述) (2)小波变换通过选取合适的滤波器，可以极大的减小或去除所提取得不同特征之间的相关性 (3)小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率(宽分析窗口)，在高频段，可用低频率分辨率和高时间分辨率(窄分析窗口) (4)小波变换实现上有快速算法(Mallat小波分解算法) 另: 1) 低熵性变化后的熵很低; 2) 多分辨率特性边缘、尖峰、断点等;方法, 所以可以很好地刻画信号的非平稳特性 3) 去相关性域更利于去噪; 4) 选基灵活性: 由于小波变换可以灵活选择基底, 也可以根据信号特性和去噪要求选择多带小波、小波包、平移不变小波等。 小波变换的一个最大的优点是函数系很丰富, 可以有多种选择, 不同的小波系数生成的小波会有不同的效果。噪声常常表现为图像上孤立像素的灰度突变, 具有高频特性和空间不相关性。图像经小波分解后可得到低频部分和高频部分, 低频部分体现了图像的轮廓, 高频部分体现为图像的细节和混入的噪声, 因此, 对图像去噪, 只需要对其高频系数进行量化处理即可。 5.小波变换的科学意义和应用价值
概述 对旋转设备而言，绝大多数故障都 是与机械运动或振动相密切联系的，振 动检测具有直接、实时和故障类型覆盖 范围广的特点。因此，振动检测是针对 旋转设备的各种预测性维修技术中的核 心部分，其它预测性维修技术：如红外 热像、油液分析、电气诊断等则是振动 检测技术的有效补充。 相关仪器-----测振仪 VIB05 来自中国祺迈KMPDM的VIB05多功能振动检测仪是 基于微处理器最新设计的机器状态监测仪器，具备有振动 检测，轴承状态分析和红外线温度测量功能。其操作简单， 自动指示状态报警，非常适合现场设备运行和维护人员监 测设备状态，及时发现问题，保证设备正常可靠运行。 振动测量 VIB05可测量振动速度，加速度和位移值。当保持振 动速度读数时，仪器立即比较内置的ISO10816-3振动标准，自动指示机器报警状态。 轴承状态检测 VIB05可测量轴承状态BG值和BV值，它们分别代表高频振动的加速度和振动速度有效值。当保持轴承状态读数时，仪器按内置的经验法则自动指示轴承报警状态。 振动检测仪是测量物体振动量大小的仪器，在桥梁、建筑、地震等领域有广泛的 应用。振动检测仪还可以和加速度传感器组成振动测量系统对物体加速度、速度和位 移进行测量。
VIB07 来自中国祺迈KMPDM的VIB07多功能振动检测仪是基 于微处理器最新设计的机器状态监测仪器，具备有振动检测， 轴承状态分析和红外线温度测量功能。其操作简单，自动指 示状态报警，非常适合现场设备运行和维护人员监测设备状 态，及时发现问题，保证设备正常可靠运行。 主要特点 1、测振仪设计先进，具有功耗低、性能可靠、造型美 观、使用携带极为方便的特点。 2、按国标制造，测量值与国际振动烈度标准(ISO2372)比对可直接判断设备运行状态。 3、高可靠性的环形剪切加速度传感器，性能远远优于压缩式传感器。 4、具有高低频分档功能，在振动测量时，便于识别设备故障类型。 5、备有信号输入功能，配接温度传感器，即可测量温度。 6、备有信号输出功能，选配专用耳机，兼具设备听诊器功能；配接示波器、可用来监测、记录振动信息。 7、按振动传感器与主机的连接方式分为一体式和分体式供您选择。 8、适用于各类机械的振动、温度测量。 动平衡仪-----KMBalancer现场动平衡仪 现场动平衡分析仪KMBALancer是KMPDM 祺迈公司的产品。它嵌入式计算机技术和动平衡技 术，兼备现场振动数据测量、振动分析和单双面动 平衡等诸多功能，简捷易用。是工矿企业预知保养 维修，尤其是风机、电动机等设备制造厂和振动技 术服务机构最为理想之工具。它是美国尖端科技产 品。
基于小波的图像去噪 一、小波变换简介 在数学上，小波定义卫队给定函数局部化的新领域，小波可由一个定义在有限区域的函数()x ψ来构造，()x ψ称为母小波，（mother wavelet ）或者叫做基本小波。一组小波基函数，()}{,x b a ψ，可以通过缩放和平移基本小波 来生成： ())(1 ,a b x a x b a -ψ=ψ （1） 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为： ()() 1222,-ψ=ψ--x x j j j i （2） 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波()x ψ为基的连续小波变换定义为函数f （x ）和()x b a ,ψ的内积： () dx a b x a x f f x W b a b a )(1)(,,,-ψ=ψ=?+∞ ∞- （3） 与时域函数对应，在频域上则有：
())(,ωωa e a x j b a ψ=ψ- （3） 可以看出，当|a|减小时，时域宽度减小，而频域宽度增大，而且()x b a ,ψ的窗口中心向|ω|增大方向移动。这说明连续小波的局部是变化的，在高频时分辨率高，在低频时分辨率低，这便是它优于经典傅里叶变换的地方。总体说来，小波变换具有更好的时频窗口特性。 二、图像去噪描述 所谓噪声，就是指妨碍人的视觉或相关传感器对图像信息进行理解或分析的各种因素。通常噪声是不可预测的随机信号。由于噪声影响图像的输入、采集、处理以及输出的各个环节，尤其是图像输入、采集中的噪声必然影响图像处理全过程乃至最终结果，因此抑制噪声已成为图像处理中极其重要的一个步骤。 依据噪声对图像的影响，可将噪声分为加性噪声和乘性噪声两大类。由于乘性噪声可以通过变换当加性噪声来处理，因此我们一般重点研究加性噪声。设f(x,y)力为理想图像，n(x,y)力为噪声，实际输入图像为为g(x,y)，则加性噪声可表示为: g(x,y)= f(x,y)+ n(x,y)， （4） 其中，n(x,y)和图像光强大小无关。 图像去噪的目的就是从所得到的降质图像以g(x,y)中尽可能地去除噪声n(x,y)，从而还原理想图像f(x,y)。图像去噪就是为了尽量减少图像的均方误差，提高图像的信噪比，从而尽可能多地保留图像的特征信息。 图像去噪分为时域去噪和频域去噪两种。传统图像去噪方法如维纳滤波、中值滤波等都属于时域去噪方法。而采用傅里叶变换去噪则属于频域去噪。这些方法去噪的依据是一致的，即噪声和有用信号在频域的不同分布。我们知道，有用信号主要分布于图像的低频区域，噪声主要分布在图像的高频区域，但图像的细节信息也分布在高频区域。这样在去除高频区域噪声的同时，难免使图像的一些细节也变得模糊，这就是图像去噪的一个两难问题。因此如何构造一种既能降低图像噪声，又能保留图像细节特征的去噪方法成为图像去噪研究的一个重大课题。