A data-driven threshold for wavelet sliding window denoising in mechanical fault detection
A data-driven threshold for wavelet sliding window denoising in mechanical fault detection
复制标题
机械故障检测中小波滑动窗口去噪的数据驱动阈值
DOI：
10.1007/s11431-013-5451-7
复制
发表时间：
2014-03
期刊：
影响因子：
--
通讯作者：
Sun HaiLiang
中科院分区：
文献类型：
--
作者：
Chen YiMin;Zi YanYang;Cao HongRui;He ZhengJia;Sun HaiLiang
小波去噪是从强背景噪声中提取故障特征的有效方法。它已广泛应用于机械故障检测并表现出优异的性能。然而，传统阈值对不同小波系数设置通用阈值，不适用于非平稳信号去噪。因此，本文提出了一种数据驱动的阈值策略。首先，通过小波变换将信号分解为不同的子带。然后通过估计不同子带中的噪声功率谱密度来导出数据驱动的阈值。由于数据驱动阈值依赖于噪声估计并适应数据，因此它比传统阈值在去噪方面更加稳健和准确。同时，采用滑动窗口方法设置灵活的局部阈值。当将该方法应用于仿真信号和除尘风机轴承内圈故障诊断案例时，该方法取得了良好的效果，在旋转机械的故障检测中比传统方法具有更有价值的优势。
Wavelet denoising is an effective approach to extract fault features from strong background noise. It has been widely used in mechanical fault detection and shown excellent performance. However, traditional thresholds are not suitable for nonstationary signal denoising because they set universal thresholds for different wavelet coefficients. Therefore, a data-driven threshold strategy is proposed in this paper. First, the signal is decomposed into different subbands by wavelet transformation. Then a data-driven threshold is derived by estimating the noise power spectral density in different subbands. Since the data-driven threshold is dependent on the noise estimation and adapted to data, it is more robust and accurate for denoising than traditional thresholds. Meanwhile, sliding window method is adopted to set a flexible local threshold. When this method was applied to simulation signal and an inner race fault diagnostic case of dedusting fan bearing, the proposed method has good result and provides valuable advantages over traditional methods in the fault detection of rotating machines.
登录
查看更多内容
基于伪小波系统的旋转机械故障检测振动特征提取方法
DOI：
10.1007/s11431-013-5139-z
发表时间：
2013-01
期刊：
Science China Technological Sciences
影响因子：
--
作者：
ZHANG ZhouSuo;ZI YanYang;YANG ZhiBo;HE ZhengJia
通讯作者：
HE ZhengJia
DOI：
10.1109/89.928915
发表时间：
2001-07-01
期刊：
IEEE TRANSACTIONS ON SPEECH AND AUDIO PROCESSING
影响因子：
--
作者：
Martin, R
通讯作者：
Martin, R
影响因子：
4.7
作者：
Ruqiang Yan;R. Gao
通讯作者：
Ruqiang Yan;R. Gao
DOI：
10.1007/s11431-009-0253-7
发表时间：
2009-10-01
期刊：
SCIENCE IN CHINA SERIES E-TECHNOLOGICAL SCIENCES
影响因子：
--
作者：
Yuan Jing;He ZhengJia;Liu Han
通讯作者：
Liu Han
使用多小波去噪和数据驱动块阈值进行风力涡轮机故障检测
影响因子：
3.4
作者：
Sun, Hailiang;Zi, Yanyang;He, Zhengjia
通讯作者：
He, Zhengjia