基于VMD-SWT的降噪方法在转子振动信号中的应用

孟 湘，曾洪涛，刘 冬，肖志怀，黄宗磊

（1.武汉大学水力机械过渡过程教育部重点实验室，武汉430072；2.武汉大学动力与机械学院，武汉430072；3.华中科技大学土木与水利工程学院，武汉430074；4.中国长江电力股份有限公司，湖北宜昌443000）

0 引 言

在水电机组故障诊断中，转子由于其高速运转状态下受到的巨大的机械应力和电磁力，往往是故障高发部位。对振动信号进行特征提取是判断故障类型的一种重要方式，由于实际采集的故障信号往往存在着噪声的干扰，因此对振动信号去噪处理的效果会对故障诊断的结果造成很大影响，如何提高降噪效果，尽量获得更多的有效信息是十分重要的研究问题。

传统的消噪方法有Fourier去噪和小波去噪等，但Fourier去噪主要针对周期性平稳信号［1］，而转子故障信号具有随机性、非平稳性的特点，因此采用Fourier去噪方法并不能有效地消除故障信号中的噪声；而小波去噪虽然能够去除非平稳信号中的噪声，但需要选取合适的小波基才能达到较好的去噪效果［2］。针对这些问题，本文提出了一种基于样本熵的变分模态分解和小波软阈值降噪方法（Sample Entropy based Variational Mode Decomposition-Soft Wavelet-thresholding Denoising）。

变分模态分解［3］（Variational Mode Decomposition）是Dragomiretskiy 等人在2014年提出的一种新的信号处理的方法，VMD 算法是一种完全非递归的算法，与经验模态分解（Empirical Mode Decomposition）［4］相比有着翔实的数学理论基础、更高的计算效率和对噪声与振动更强的鲁棒性。有研究证明VMD算法在分解性能上要优于EMD 算法［5］，自提出以来，VMD 方法在去噪方面获得了广泛的应用［6-12］。

小波阈值降噪［13］（Wavelet-thresholding Denoising）是一种应用十分广泛的降噪方法，按照阈值的选择方式不同，可分为硬阈值（h）和软阈值（s）两种。……