حذف نویز سیگنال‌های ارتعاشی ماشین‌های دوّار به کمک تابع چگالی احتمال، اندازه شباهت و تابع آستانه‌گذاری بهبودیافته

در این مقاله، روشی جدید برای حذف نویز از سیگنال‌های ارتعاشی ماشین‌های دوّار به منظور پایش وضعیت آن‌ها ارایه شده است. ابتدا، هر سیگنال ارتعاشی توسط روش تجزیه مود تجربی به مودهای تشکیل دهنده‌اش تجزیه شده است. سپس، به منظور تشخیص مودهای دارای نویز از مودهای بدون نویز، اندازه شباهت بین تابع چگالی احتمال سیگنال اصلی و مودهای آن محاسبه شده است. در نهایت، مودهای حاوی نویز توسط تابع آستانه‌گذاری بهبودیافته بی‌نویز شده و سیگنال بی‌نویز شده بازسازی می‌شود. در این مطالعه، از روش بی‌نویزسازی پیشنهادی به منظور حذف نویز از سیگنال شبیه‌سازی و داده‌های واقعی متناظر با شرایط مختلف یاتاقان استفاده شده است. سرانجام، ویژگی کشیدگی و طیف پوش هر سیگنال بی‌نویزشده به ترتیب برای شناسایی حضور عیب و نوع آن محاسبه شده‌اند. نتایج نشان می‌دهند که تکنیک پیشنهادی قادر است کیفیت سیگنال‌های ارتعاشی را به نحو مطلوبی افزایش دهد به طوری که حساسیت فاکتور کشیدگی نسبت به حضور عیب در رینگ‌های داخلی و خارجی افزایش می‌یابد. همچنین، در طیف پوش سیگنال‌های بی‌نویز شده، فرکانس‌های عیوب نمایان شده و به راحتی می‌توان نوع عیب را تشخیص داد. نتایج نشان می‌دهند که تکنیک بی‌نویزسازی پیشنهادی در این مقاله بر روش‌های رایج بی‌نویزسازی بر پایه‌ی تجزیه مود تجربی برتری دارد.

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

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.