故障诊断 | 信号降噪算法合集

往期精彩内容：

Python-凯斯西储大学（CWRU）轴承数据解读与分类处理

基于FFT + CNN - BiGRU-Attention 时域、频域特征注意力融合的轴承故障识别模型-CSDN博客

基于FFT + CNN - Transformer 时域、频域特征融合的轴承故障识别模型-CSDN博客

Python轴承故障诊断 (11)基于VMD+CNN-BiGRU-Attenion的故障分类-CSDN博客

Python轴承故障诊断 (13)基于故障信号特征提取的超强机器学习识别模型-CSDN博客

Python轴承故障诊断 (14)高创新故障识别模型-CSDN博客

Python轴承故障诊断 (15)基于CNN-Transformer的一维故障信号识别模型-CSDN博客

Python轴承故障诊断 (16)高创新故障识别模型（二）-CSDN博客

轴承故障全家桶更新 | 基于时频图像的分类算法-CSDN博客

Python轴承故障诊断 (17)基于TCN-CNN并行的一维故障信号识别模型-CSDN博客

独家原创 | SCI 1区高创新轴承故障诊断模型！-CSDN博客

基于 GADF+Swin-CNN-GAM 的高创新轴承故障诊断模型-CSDN博客

Python轴承故障诊断 (18)基于CNN-TCN-Attention的创新诊断模型-CSDN博客

注意力魔改 | 超强轴承故障诊断模型！-CSDN博客

轴承故障全家桶更新 | 基于VGG16的时频图像分类算法-CSDN博客

轴承故障全家桶更新 | CNN、LSTM、Transformer、TCN、串行、并行模型、时频图像、EMD分解等集合都在这里-CSDN博客

Python轴承故障诊断 (19)基于Transformer-BiLSTM的创新诊断模型-CSDN博客

Python轴承故障诊断 (20)高创新故障识别模型（三）-CSDN博客

视觉顶会论文 | 基于Swin Transformer的轴承故障诊断-CSDN博客

Python轴承故障诊断 | 多尺度特征交叉注意力融合模型-CSDN博客

SHAP 模型可视化 + 参数搜索策略在轴承故障诊断中的应用-CSDN博客

速发论文 | 基于 2D-SWinTransformer+1D-CNN-SENet并行故障诊断模型-CSDN博客

Python轴承故障诊断 (21)基于VMD-CNN-BiTCN的创新诊断模型-CSDN博客

1DCNN-2DResNet并行故障诊断模型-CSDN博客

基于改进1D-VGG模型的轴承故障诊断和t-SNE可视化-CSDN博客

基于K-NN + GCN的轴承故障诊断模型-CSDN博客

故障诊断 | 创新模型更新：基于SSA-CNN-Transformer诊断模型-CSDN博客

独家首发 | 基于 2D-SwinTransformer + BiGRU-GlobalAttention的并行故障诊断模型-CSDN博客

位置编码祛魅 | 详解Transformer中位置编码Positional Encoding-CSDN博客

创新点 | 基于快速傅里叶卷积（FFC）的故障诊断模型-CSDN博客

代码开源! | 变工况下的域对抗图卷积网络故障诊断-CSDN博客

超强！顶会创新融合！基于 2D-SWinTransformer 的并行分类网络-CSDN博客

多模态-故障诊断 | 大核卷积开启视觉新纪元!-CSDN博客

超强！一区直接写！基于SSA+Informer-SENet故障诊断模型-CSDN博客

Transformer结构优势 ,How Much Attention Do You Need?-CSDN博客

故障诊断 | 一个小创新：特征提取+KAN分类-CSDN博客

前言

在轴承故障信号中既包含轴承转动声音，又包含场景中的其他噪声信息。如何聚焦轴承转动的时域特征和频域特征，降低场景噪声的干扰，是我们需要解决的问题。本期为大家介绍几种常用且高效的信号降噪算法：

（1）离散小波变换（DWT）：通过将信号分解到不同的频带，有效地分离出噪声和故障特征。

（2）经验模态分解（EMD）：自适应地将信号分解为一系列本征模态函数（IMF），每个IMF代表不同尺度的成分。

（3）经验小波变换（EWT）：结合小波变换和EMD的优势，自适应地选择小波基函数来分解信号。

（4）自编码器（Autoencoder）：一种无监督学习方法，通过神经网络学习信号的压缩表示和重构，达到降噪效果。

● 数据集：CWRU西储大学轴承数据集

● 环境框架：python 3.9 pytorch 1.8 及其以上版本均可运行

● 使用对象：模型论文需求、毕业设计需求者

● 代码保证：代码注释详细、即拿即可跑通。

1 噪声可视化

1.1 导入数据

参考之前的文章，读取凯斯西储大学轴承数据：

1.2 添加高斯白噪声

添加信噪比SNR为5db的噪声

2 离散小波变换（DWT）降噪

2.1 处理步骤

（1）选择小波和分解层数：我们选择了db8小波，并计算了分解层数。

（2）DWT分解：使用wavedec函数对信号进行多层次分解。

（3）阈值处理：计算阈值并对细节系数进行软阈值处理，以去除噪声。

（4）信号重构：使用处理后的系数进行信号重构。

（5）绘图：绘制原始信号、带噪信号和降噪后的信号进行比较。

注意事项：

选择合适的小波基函数和分解层数对降噪效果有很大影响，需要根据具体信号特性进行调整。
阈值处理的方法有多种，可以根据实际情况选择不同的阈值计算方法和处理方式（如软阈值或硬阈值）。

2.2 降噪效果

不同故障信号添加 5db 噪声对比：

正常信号分别添加 -5db、-10db、5db 对比：

3 经验模态分解（EMD）

3.1 处理步骤

（1）初始化EMD对象：创建一个EMD对象，用于执行经验模态分解。

（2）进行EMD分解：使用emd.emd方法对带噪声信号进行分解，得到一系列本征模态函数（IMFs）。

（3）选择合适的IMF进行重构：假设第0个IMF主要是噪声，去除它后重构信号。实际应用中需要根据具体情况调整选择的IMF。

（4）绘图：绘制原始信号、带噪信号、IMF以及降噪后的信号进行比较。

注意事项

IMF的选择：选择哪些IMF进行重构需要根据具体信号特性和应用需求来确定。通常，较低频的IMF包含主要的信号成分，而高频的IMF可能更多地包含噪声。

3.2 降噪效果

不同故障信号添加 5db 噪声对比：

正常信号分别添加 -5db、-10db、5db 对比：

4 经验小波变换（EWT）降噪

4.1 处理步骤

（1）边界计算：首先计算信号的傅里叶变换，然后找出频谱中的局部最大值作为边界。

（2）EWT分解：ewt函数执行经验小波变换。它计算信号的傅里叶变换，然后应用滤波器组，得到一系列的EWT系数。

（3）信号重构：通过将所有EWT系数相加（去掉第一个主要噪声成分的系数），重构降噪后的信号。

4.2 降噪效果

不同故障信号添加 5db 噪声对比：

5 自编码器（Autoencoder）降噪

5.1 处理步骤

（1）数据准备：将信号转换为PyTorch张量，并创建数据集和数据加载器。

（2）定义自编码器模型：

使用PyTorch的nn.Module定义自编码器模型，包括编码器和解码器。
编码器：将输入信号压缩到低维空间（encoding_dim），使用ReLU激活函数。
解码器：将编码后的信号重构回原始维度。

（3）初始化模型、损失函数和优化器：

（4）降噪信号重构：使用训练好的自编码器对带噪信号进行重构，得到降噪后的信号。

（5）绘图：绘制原始信号、带噪信号和降噪后的信号进行比较。

注意事项

编码维度：编码维度（encoding_dim）控制了信号的压缩程度。较小的编码维度可能导致信息丢失，较大的编码维度可能无法有效去除噪声。可以根据具体应用调整该参数。
训练数据：自编码器的性能依赖于训练数据的质量和数量。确保训练数据覆盖各种可能的信号特征。
模型复杂度：可以尝试增加模型的层数和神经元数量，以提高模型的表示能力。