2.3 自适应阈值小波消噪仿真分析

2.3.1 仿真信号的自适应阈值小波消噪

用Matlab软件仿真一个正弦信号 s （ t ），将其叠加白噪声信号 z （ t ），构成含噪信号 hz （ t ）。其中 s （ t ）表示为：

其中，取 A =2， w =10π， φ =3。

将含噪信号 hz （ t ）截取 N =1 024 个采样点，采样频率为 1 s，进行仿真实验，其时域波形如图 2-4（b）所示。对含噪信号分别进行硬阈值、软阈值及自适应阈值小波消噪处理。其中软、硬阈值消噪方法，选用“db1”小波基，分解层数为3 层，采用Stein无偏风险估计规则确定阈值，即对一个给定的阈值，得到其似然估计，再将似然估计最小化，便得到所选阈值。消噪结果如图 2-4（c）~（e）所示。

由图 2-4 可以看出，（a）图的正弦信号受到噪声干扰后，其时域波形如（b）图，其结果严重影响了原始信号的时域表达。（c）图为硬阈值小波消噪结果，在很大程度上去除了噪声干扰，但不能反映出原始信号的具体特征。（d）图为软阈值小波消噪结果，去除了绝大部分噪声干扰，基本能够恢复原始信号特征。（e）图为本章提出的自适应阈值小波消噪结果，其波形光滑，可清晰反映出原始信号特征，消噪效果很好。

综上所述，在已知信号的条件下，采用硬、软阈值及自适应阈值小波变换的方法分别进行消噪处理，对比分析结果可知，本文提出的自适应阈值方法去噪效果最佳。在此结论之上，进一步对实测振动信号进行消噪处理，并对比分析验证。

2.3.2 轴承振动信号的自适应阈值小波消噪

轴承是风力发电机组传动系统的核心零部件，在高速运转过程中长期受到挤压、磨损、腐蚀等破坏，使其成为风电设备中的薄弱环节。通常情况下，风电现场测试的信号或采集的数据都是在机组正常运行状态下进行的，而当风机故障时，须将其停止运行，因此人工故障测试难以实现，尤其是针对某一部件各种不同类型的故障信号采集。所以，为了给后续实验分析提供高的说服力和可信度，本文采用美国凯斯西储大学电气工程实验室的滚动轴承故障模拟实验数据 ^[141] 进行分析 。该实验平台由三部分组成：电动机、扭矩传感器、功率测试计，如图 2-5 所示。

电机转轴由待测轴承支撑，驱动端和风扇端轴承均为深沟球滚动轴承，型号分别为SKF 6205、SKF6203，滚动体个数分别为 9 个、8 个，接触角为 90 度。由多个加速度传感器进行多测点测量，采样频率为 12 kHz，采集驱动端轴承在 1 797 转/分转速下的正常状态、外圈故障、内圈故障、滚动体故障这四种状态的振动信号，从中各选取 2 000 组样本数据进行分析，原始信号波形如图 2-6 所示。

采用与 2.3.1 节中相同的小波参数设置及阈值选取规则，再次用软、硬阈值以及自适应阈值小波消噪方法对原始信号进行处理，仿真结果如图 2-7—图 2-9 所示。

对比图 2-7—图 2-9 分析可得，正常状态、外圈故障、内圈故障及滚动体故障四种工况的振动信号原始时域波形中，外圈故障和内圈故障有较明显的周期特性，而正常状态和滚动体故障的时域波形无明显特征，很难直接区分。图 2-7 的硬阈值消噪处理后，对于外圈故障能够去除大量噪声干扰，保留部分信号特征，但其余三种工况在去噪过程中，信号的特征也被丢弃，不能反映振动信号的特征。图 2-8 的软阈值消噪处理后，对外圈故障也能够去除大量噪声干扰，内圈故障的消噪效果较弱，大部分噪声信号未被消除，不能很好地表达信号的具体特征。从图 2-7 的自适应阈值小波消噪波形可看出，它对四种工况的消噪效果都优于硬阈值、软阈值消噪方法，能够最大限度地消除噪声而保留原始振动信号特征，消噪效果优良，并且能够为后续的信号特征提取和模式识别环节提供精简而有效的数据。