基于小波分析的車載平臺振動信號降噪處理

李明珠，王志乾，羅 君，劉玉生

(1.中國科學院長春光學精密機械與物理研究所，吉林 長春 130033；2.中國科學院大學，北京 100049)

基于小波分析的車載平臺振動信號降噪處理

李明珠1，2，王志乾1，羅 君1，2，劉玉生1，2

(1.中國科學院長春光學精密機械與物理研究所，吉林 長春 130033；2.中國科學院大學，北京 100049)

針對工程實驗中采集的車載平臺振動信號受到采集設備和環境干擾的問題，提出了一種針對趨勢項噪聲和隨機噪聲的小波閾值降噪算法.首先針對現有閾值函數的不足，構造出新的閾值函數；然后根據振源和噪聲信息，設計了仿真模型以及針對車載平臺振動信號的算法流程.仿真結果表明，與其他降噪算法相比，該算法對降噪指標SNR和RMSE都有所改善.對實驗測得的振動信號進行了降噪處理，結果表明，該算法在處理趨勢項噪聲和隨機噪聲方面具有一定的優越性.

小波降噪；車載平臺；振動信號；趨勢項；隨機噪聲

0 引言

為保證光學精密儀器工作的機動性，常將光學精密儀器直接安裝在車載平臺上，車載發動機和發電機工作產生的振動會影響光學精密儀器的測量基準.獲得發動機和發電機影響下的車載平臺真實振動信息，以補償光學精密儀器的測量數據，對保證光學精密儀器測量精度具有重要意義.在采集車載平臺振動加速度信號的過程中，常常會受到一些采集噪聲的干擾，需要對車載平臺振動信號進行降噪處理，小波閾值降噪算法作為一種時間頻率的局部化降噪算法，常用于處理這一類復雜信號.

由D.L.Donoho[1]提出的硬閾值降噪法和軟閾值降噪法是最傳統的小波閾值降噪方法.到目前為止，針對車載平臺振動信號降噪算法的研究很少，且多采用傳統的硬閾值和軟閾值降噪方法.硬閾值降噪得到的估計小波系數連續性差，可能會引起重構信號的振蕩，導致估計信號的平滑性變差.軟閾值降噪得到的估計小波系數與真實的小波系數有一定偏差，影響重構系數的精度，估計信號可能會丟失某些特征.[2]Nasri在軟、硬閾值函數的基礎上構造了介于二者之間的閾值函數，針對高斯白噪聲和斑點噪聲，對圖像進行降噪處理，降噪效果良好.[3]X.Ge[4]針對軟、硬閾值函數的不足，提出了一種具有連續導數的閾值函數.

本文針對車載平臺振動信號的特點，在傳統的小波閾值降噪算法的基礎上，構造了一種新的小波閾值函數，同時設計小波閾值降噪算法流程，將含噪信號的高頻段和低頻段分開處理.低頻段信號小波分解后的近似系數置零，細節系數應用構造的小波閾值函數處理.高頻段信號小波分解后的近似系數不變，細節系數也應用構造的小波閾值函數處理.實驗結果表明，與其他小波閾值降噪算法相比，該降噪算法在對低頻趨勢項噪聲和全頻隨機噪聲降噪方面具有一定的優越性.

1 小波閾值降噪算法與評價準則

1.1 小波閾值降噪原理

基于小波多分辨率分析的快速算法，Mallat[5]提出了信號可以由其低頻近似部分和高頻細節部分完全重構.若s(n)為原始離散信號，則s(n)可表示為

(1)

其中：Z是整數，cj，k是近似系數，j是分解層數，φj，k(n)是尺度函數，di，k細節系數，Ψi，k(n)是小波基函數.cj，k包含了原始信號s(n)的低頻信息，其表達式為

cj，k=〈s(n)，φj，k(n)〉.

(2)

其中〈s(n)，φj，k(n)〉表示s(n)與φj，k(n)的正交.細節系數di，k包含了原始信號的高頻信息，其表達式為

di，k=〈s(n)，ψi，k(n)〉.

(3)

其中〈s(n)，Ψi，k(n)〉表示s(n)與Ψi，k(n)的正交.

圖1 小波閾值降噪過程示意圖

小波閾值降噪算法認為非平穩信號的低頻部分代表信號主要輪廓，高頻部分代表信號細節.對非平穩信號進行小波分解以后，噪聲信號主要位于每層信號的細節部分.對小波分解后的每一層細節系數di，k進行閾值量化處理后，再與最后一層的近似系數cj，k進行小波重構，可以實現小波閾值降噪處理.小波閾值降噪過程如圖1所示.圖1中：s(n)為原始含噪信號，tj，k為s(n)分解后得到的小波系數，它包含了細節系數di，k和近似系數cj，k.通過小波閾值處理后得到估計小波系數vj，k.最后對vj，k進行小波重構，得到s(n)的估計f(n).

1.2 評價準則

本文采用信噪比(SNR)和均方根誤差(RMSE)作為小波降噪的評價標準，公式為：

(4)

(5)

其中：s(n)表示原始信號，f(n)表示去噪后信號的估計值，N表示數據長度.

SNR是指有用信號功率與噪聲功率的比值，RMSE是指去噪后信號與有用信號偏差的平方和與數據長度N的比值的平方根，由二者定義可知：SNR越大，RMSE越小，說明降噪的效果越好，二者結合作為評估準則具有可信性.

2 本文閾值降噪方法

2.1 閾值函數的構造

在小波閾值降噪過程中，閾值函數的設計是影響最終降噪效果的關鍵因素.傳統的閾值函數有軟閾值函數和硬閾值函數[6]，軟閾值函數為

(6)

(7)

M.Nasri在軟硬閾值函數的基礎上，構造了一種新的閾值函數[3]，其表達式為

(8)

X.Ge[4]針對軟硬閾值函數的不足，構造了一種新的閾值函數，其表達式為

(9)

由于車載平臺振動信號的主要頻率范圍一定，趨勢項噪聲分布在低頻段，隨機噪聲分布在全頻段.針對這一信號特點，構造的閾值函數為

(10)

圖2 閾值函數對比

將上述閾值函數(10)與函數(6)—(9)做對比，得到了閾值函數對比圖(見圖2).與函數(6)和(9)相比，函數(10)低于閾值的部分不置零，而是以冪函數形式進行閾值量化，防止因閾值選擇的不精確導致有用信息丟失；與函數(7)相比，函數(10)具有連續性，防止重構信號產生振蕩；與函數(8)相比，函數(10)高于閾值的部分更接近軟閾值函數，更有利于高頻段信號降噪.

2.2 閾值降噪算法流程

為實現對低頻段趨勢項噪聲和全頻段隨機噪聲降噪，針對車載平臺振動信號振源頻率范圍一定這一特點，本文設計一種閾值降噪方法流程，分別對高頻段和低頻段的信號進行降噪處理，其算法流程見圖3.

圖3 小波閾值降噪算法流程圖

將車載平臺信號s(n)低通濾波，得到低頻段信號sd(n)和高頻段信號sg(n)，對兩部分信號分開處理.低頻信號sd(n)小波分解后，將其近似系數置零，細節系數應用構造的閾值函數處理.高頻信號sg(n)小波分解后，不改變其近似系數，細節系數應用構造的閾值函數處理.再將兩部分小波系數分別重構，并將兩部分重構后的信號疊加，得到綜合閾值降噪后的信號f(n).由于低頻段信號主要包含趨勢項噪聲，故將其近似系數置零，可以將趨勢項噪聲去除.高頻段信號主要包含振動信號以及隨機噪聲，采用本文提出的閾值函數處理，可以達到去除隨機噪聲的目的.

3 算法仿真

3.1 仿真信號模型

車載平臺振動的主要振源是發電機和發動機傳遞的振動，其振動頻率范圍為6～65 Hz.[7]車載平臺振動噪聲來源主要有測試儀器溫度變化造成的零點漂移、加速度傳感器頻率范圍外低頻性能的不穩定、傳感器周圍環境干擾、數據采集器采樣疊加的隨機干擾信號等[8]，前3個因素會導致采集的信號含有趨勢項，使得采集的信號偏離基線.最后一個因素隨機干擾信號頻帶較寬，有時高頻成分所占比例較大，使得采集的信號有很多毛刺，不光滑.

在不考慮大地震動的情況下，車載環境下發電機和發動機未工作時，由于沒有振動激勵，采集的加速度信號理論值應該為零，這樣才能保證光學精密儀器測量基準的可靠性.因此，可以將車載環境下發電機和發動機未工作時采集的加速度信號作為信號的趨勢項.另外，實驗過程中發現，與無激勵的情況相比，在有振動激勵的情況下，數據采集器采集過程疊加的隨機干擾信號更多.因此，將趨勢項信號和高斯白噪聲疊加作為噪聲的仿真信號，對車載平臺降噪算法的驗證更有說服力.

設x(n)為原始信號，則含噪信號模型可以表示為

s(n)=x(n)+e1(n)+e2(n).

(11)

其中：s(n)為采集的離散信號，e1(n)為趨勢項信號，e2(n)為隨機干擾信號.

針對某車型實際采集的車載平臺振動頻譜，其振動主頻為30 Hz，設定單一頻率為30 Hz的正弦信號為x(n)，采樣頻率為1 kHz，為方便觀察，采樣點數取2 000，則采樣時間ts為2 s.正弦信號模型為

x(n)=A1sin2πf1n.

(12)

其中頻率f1=30 Hz，幅值A1=1.5.

將車載環境下發電機和發動機未工作時測得的信號作為信號的趨勢項e1(n)，根據實際振動信號的振動量級，設定方差為0.3的高斯白噪聲為隨機干擾信號e2(n).

3.2 各閾值降噪算法對比

在小波閾值降噪過程中，除了閾值函數的設計，需要選取小波基函數Ψi，k(n)、分解層數j以及閾值的選取準則.首先，選取小波基函數需要考慮其支撐長度、對稱性、消失矩階數和正則性等性質.[9]dbN小波系是一種緊支撐校準的正交小波.其消失矩階數為N，小波基函數的正則性隨著N的增加而增加，常用于離散小波分析，本文選取db14作為小波基函數.其次，文獻[10]提出根據有用信號最小頻率成分確定最大分解層數的方法.在實際測試中，車載平臺的主要振動頻率范圍在6～65 Hz之間，由文獻[10]的方法選取分解層數為3.最后，在小波分解的過程中，信號的小波系數隨著分解尺度的增大而增大，而噪聲信號則與之相反.[11]

根據多分辨率閾值方法[12]，判決閾值為

(13)

其中length表示長度.

根據分層閾值算法[13]，可由各層的高頻系數得到噪聲的方差估計為

(14)

其中median是中位數.

結合上述方法，將本文提出的閾值降噪方法與軟閾值降噪法、硬閾值降噪法、文獻[3-4]的降噪算法做比較，低通濾波器截止頻率設為5 Hz.原始正弦信號、含噪正弦信號以及各種算法降噪后的正弦信號如圖4所示.

圖4 正弦信號模型降噪結果

由圖4可以看到，本文閾值降噪方法對趨勢項噪聲和隨機噪聲的降噪效果均優于其他降噪方法，尤其在去除趨勢項噪聲方面具有明顯效果，降噪結果與原始正弦信號更加接近.在其他降噪算法中，文獻[3]的降噪效果更好.降噪后，含噪正弦模型的SNR和RMSE如表1所示.

表1 各閾值方法降噪后含噪信號模型的SNR和RMSE

4 車載振動實驗及結果分析

圖5 車載平臺振動信號采集實驗設備

為了驗證本文提出的閾值降噪算法，實驗采集車載發動機和發電機工作時的振動加速度信號.本文采用的加速度傳感器是美國PCB公司的壓電式加速度傳感器，該傳感器的敏感軸垂直于測量平面，測量方向的靈敏度為5.26 mV/(m/s2)，頻率范圍為0.7～6 500 Hz，測量范圍是-981～981 m/s2.數據采集設備是揚州英邁克測控技術有限公司的YMC-9800動態數據采集器.將加速度傳感器放置在車體對設備傳遞振動的敏感位置處，如圖5所示.

采樣頻率設為1 kHz，為便于觀察，采樣點數取2 000.仿真結果表明，文獻[3]的降噪效果相對較好，應用本文降噪算法和文獻[3]的降噪方法對采集信號進行降噪處理，采集到的車載平臺振動信號的功率譜分析和降噪效果對比如圖6所示.

圖6 車載振動信號的降噪效果

從圖6的功率譜分析可以看出，應用本文算法降噪后的信號能量集中分布在5～65 Hz，5 Hz以下的低頻段信號從-15～-60 dB衰減到-50～-60 dB之間，65 Hz以上的高頻段信號從-20～-70 dB衰減到-50 dB以下.本文的閾值降噪方法與文獻[3]的閾值降噪算法相比，更好地保留了振源頻率范圍的振動信號，在對低頻趨勢項噪聲和全頻段隨機噪聲的降噪方面更有優勢，比較真實反映車載實際振動情況.

5 結束語

本文針對車載平臺振動信號降噪的問題，主要做了以下3點工作：(1)針對現有閾值函數的缺點，構造新的閾值函數；(2)根據振源信息和工程經驗，提出了車載平臺振動信號降噪模型；(3)根據噪聲信息和振源信息，設計了降噪算法流程.

經仿真和實驗結果驗證，與其他閾值降噪算法相比，本文的閾值降噪算法對低頻趨勢項信號和全頻段隨機噪聲均有較好的降噪效果，可以較完整地保留車載平臺振動信號的主要信息.

[1] DONOHO D L.De-noising by soft-thresholding[J].IEEE Transactions on Information Theory，1995，41(3)：613-627.

[2] LI J，CHENG C，JIANG T，et al.Wavelet de-noising of partial discharge signals based on genetic adaptive threshold estimation[J].IEEE Transactions on Dielectrics and Electrical Insulation，2012，19(2)：543-549.

[3] NASRI M，NEZAMABADI-POUR H.Image denoising in the wavelet domain using a new adaptive thresholding function[J].Neurocomputing，2009，72(4)：1012-1025.

[4] GE X，FAN Y，LI J，et al.Noise reduction of nuclear magnetic resonance(NMR)transversal data using improved wavelet transform and exponentially weighted moving average(EWMA)[J].Journal of Magnetic Resonance，2015，251：71-83.

[5] 楊唐文，陳盼飛，韓建達，等.穿刺針尖光纖力傳感信號的小波變換分析[J].光學精密工程，2015，23(8)：2149-2157.

[6] 李蘊奇.基于小波變換的圖像閾值去噪及其效果評估[J].東北師大學報(自然科學版)，2012，44(1)：60-66.

[7] 張春良.微制造平臺振動主動控制研究 [D].杭州：浙江大學，2003.

[8] 胡曉，王濟.MATLAB 在振動信號處理中的應用[M].北京：中國水利水電出版社，2006：69-72.

[9] YAN R，GAO R X，CHEN X.Wavelets for fault diagnosis of rotary machines：a review with applications[J].Signal Processing，2014，96：1-15.

[10] 臧玉萍，張德江，王維正.小波分層閾值降噪法及其在發動機振動信號分析中的應用[J].振動與沖擊，2009，28(8)：57-60.

[11] YANG R，REN M.Wavelet denoising using principal component analysis[J].Expert Systems with Applications，2011，38(1)：1073-1076.

[12] DONOHO D L，JOHNSTONE I M.Adapting to unknown smoothness via wavelet shrinkage[J].Journal of the American Statistical Association，1995，90(432)：1200-1224.

[13] ZHANG B，SUN L，YU H，et al.A method for improving wavelet threshold denoising in laser-induced breakdown spectroscopy[J].Spectrochimica Acta Part B：Atomic Spectroscopy，2015，107：32-44.

(責任編輯：石紹慶)

Denoising of vehicle platform vibration signals based on wavelet analysis

LI Ming-zhu1，2，WANG Zhi-qian1，LUO Jun1，2，LIU Yu-sheng1，2

(1.Changchun Institute of Optics，Fine Mechanics and Physics，Chinese Academy of Sciences，Changchun 130033，China； 2.University of Chinese Academy of Sciences，Beijing 100049，China)

Aiming at the distortion of vehicle platform vibration signals(VPVS)，a denoising method efficient for trend and random noise is proposed based on wavelet shrinkage.Firstly，a novel thresholding function is constructed based on the limitation of existing thresholding function.Then，according to the vibration source and noise information，a VPVS model and VPVS denoising flow are proposed.The simulation results show that it brings improvement to the indexes of SNR and RMSE.The experiment demonstrates that it is efficient for denoising VPVS polluted by the trend and random noise.

wavelet denoising；vehicle platform；vibration signals；trend；random noise

1000-1832(2017)02-0089-06

10.16163/j.cnki.22-1123/n.2017.02.017

2016-07-17

吉林省科技發展計劃項目(20150204013GX).

李明珠(1992—)，女，碩士研究生，主要從事信號處理研究；通信作者：王志乾(1969—)，男，研究員，主要從事光電測量、數字信號處理研究.

TP 274+.2 [學科代碼] 520·60

A