滚动轴承是机械设备中主要的故障源之一,它的失效将直接导致整台设备的运行失常。针对其典型故障模式,提出了一种基于小波阈值与CEEMDAN联合去噪的滚动轴承故障诊断方法。对信号进行小波阈值去噪,利用CEEMDAN算法对降噪后信号进行分解,基于互相关系数分析提取典型的IMF分量,并对所提取的IMF分量进行时、频域特征分析,从而进行故障诊断。首先通过对模拟信号完成CEEMDAN法与总体平均经验模态分解(EEMD)对比分析,证明该方法优于EEMD分解,继而以模拟实验为验证实例。研究结果表明了小波阈值和CEEMDAN方法在滚动轴承故障模式识别中的有效性。

电能表内异物自动检测在采集电能表内异物声音信号过程中不可避免地会受到噪声干扰,采集的声音信号非线性、非平稳,且噪声成分复杂。为了有效地检测到异物,需采用合适的去噪方法对采集的电能表内异物声音信号进行降噪处理,从而更好地保障异物检测结果的准确性。结合短时能量、多尺度熵以及小波阈值进行去噪处理,提出了一种基于多尺度熵和EMD阈值的电能表内异物声音信号去噪方法。首先将采集的信号分帧,利用短时能量提取合适长度的关键帧信号,进行EMD分解,计算各阶IMF分量的多尺度熵值,然后根据计算得到的多尺度熵值设定一个阈值,对大于阈值的IMF分量结合小波阈值进行处理,完成信号去噪。实验结果表明,较传统的EMD去噪方法能更好地消除电能表内异物声音信号中的噪声。

作为轴承故障诊断依据,振动传感器采集的信号易受工作环境噪声干扰。为更加准确提取特征信息,采用改进传统小波阈值去噪方法,利用中间比例系数过渡方法,将传统硬阈值和软阈值结合,信号去噪更加平滑有效。去噪后的信号进行二维短时傅里叶变换,得到二维时频域数据结构。通过胶囊注意力方式改进ResNet网络直连结构,从而得到更好的分类模型Capsut-ResNet。通过对比去噪前后和不同注意力模型结构,证明了方法的有效性,能够实现更高的准确率。