حذف نويز سيگنال‌هاي ارتعاشي ماشين‌هاي دوّار به كمك تابع چگالي احتمال، اندازه شباهت و تابع آستانه‌گذاري بهبوديافته

Denoising vibration signals of rotating machines using probability density function, similarity measure and improved thresholding function

در اين مقاله، روشي جديد براي حذف نويز از سيگنال‌هاي ارتعاشي ماشين‌هاي دوّار به منظور پايش وضعيت آن‌ها ارايه شده است. ابتدا، هر سيگنال ارتعاشي توسط روش تجزيه مود تجربي به مودهاي تشكيل دهنده‌اش تجزيه شده است. سپس، به منظور تشخيص مودهاي داراي نويز از مودهاي بدون نويز، اندازه شباهت بين تابع چگالي احتمال سيگنال اصلي و مودهاي آن محاسبه شده است. در نهايت، مودهاي حاوي نويز توسط تابع آستانه‌گذاري بهبوديافته بي‌نويز شده و سيگنال بي‌نويز شده بازسازي مي‌شود. در اين مطالعه، از روش بي‌نويزسازي پيشنهادي به منظور حذف نويز از سيگنال شبيه‌سازي و داده‌هاي واقعي متناظر با شرايط مختلف ياتاقان استفاده شده است. سرانجام، ويژگي كشيدگي و طيف پوش هر سيگنال بي‌نويزشده به ترتيب براي شناسايي حضور عيب و نوع آن محاسبه شده‌اند. نتايج نشان مي‌دهند كه تكنيك پيشنهادي قادر است كيفيت سيگنال‌هاي ارتعاشي را به نحو مطلوبي افزايش دهد به طوري كه حساسيت فاكتور كشيدگي نسبت به حضور عيب در رينگ‌هاي داخلي و خارجي افزايش مي‌يابد. همچنين، در طيف پوش سيگنال‌هاي بي‌نويز شده، فركانس‌هاي عيوب نمايان شده و به راحتي مي‌توان نوع عيب را تشخيص داد. نتايج نشان مي‌دهند كه تكنيك بي‌نويزسازي پيشنهادي در اين مقاله بر روش‌هاي رايج بي‌نويزسازي بر پايه‌ي تجزيه مود تجربي برتري دارد.

In this paper, a new method for removing the noise from the vibration signals acquired from the rotating machinery for its condition monitoring is presented. Firstly, each signal is decomposed into its modes using the empirical mode decomposition method. Then for distinguishing the noisy modes from the noise-free modes, the similarity measure between the probability density function of the raw signal and its modes is calculated. Finally, the noise-dominate modes are denoised by the improved thresholding function, and the denoised signal is reconstructed. In this study, the proposed method is implemented for denoising the simulated signal and real data corresponding to different bearing conditions. Finally, the kurtosis and the envelope spectrum of the denoised signal are calculated for detecting the fault presence and its type. The results show that the proposed technique can improve the quality of the reconstructed signals so that the sensitivity of the kurtosis factor to the presence of the defect in the inner and outer rings is increased. Also, the defects frequencies appear in the spectrum of the signals denoised, and the fault type can easily be detected. The results indicate that the proposed denoising technique is superior to the conventional empirical mode decomposition-based denoising method.