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

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه دینامیک، کنترل و ارتعاشات، دانشکده مهندسی مکانیک، دانشگاه گیلان، رشت، ایران

2 گروه مهندسی مکانیک، موسسه آموزش عالی احرار، رشت، ایران

3 گروه مهندسی مکانیک، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران

چکیده

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.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

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

نویسندگان [English]

  • Saeed Nezamivand Chegini 1
  • Zohreh Karimi Rastehkenari 2
  • Ahmad Bagheri 1
  • Bahman Ahmadi 3
1 Department of Dynamics, Control and Vibrations, Faculty of Mechanical Engineering, The University of Guilan, Rasht, Iran
2 Department of Mechanical Engineering, Ahrar Institute of Technology and Higher Education, Rasht, Iran
3 Department of Mechanical Engineering, Faculty of Engineering, University of Kurdistan, Sanandaj, Iran
چکیده [English]

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.

کلیدواژه‌ها [English]

  • Vibration Signals Denoising
  • Empirical Mode Decomposition
  • probability density function
  • Bearing Fault Diagnosis
  • Improved Thresholding Function
[1] R. Heng, M.J.M. Nor, Statistical analysis of sound and vibration signals for monitoring rolling element bearing condition, Applied Acoustics, 53(1-3) (1998) 211-226.
[2] J. Antoni, R.B. Randall, The spectral kurtosis: application to the vibratory surveillance and diagnostics of rotating machines, Mechanical systems and signal processing, 20(2) (2006) 308-331.
[3] N.E. Huang, Z. Shen, S.R. Long, M.C. Wu, H.H. Shih, Q. Zheng, N. C. Yen, C.C. Tung, H.H. Liu, The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis, Proceedings of the Royal Society of London. Series A: mathematical, physical and engineering sciences, 454(1971) (1998) 903-995.
[4] P. Nguyen, M. Kang, J. M. Kim, B. H. Ahn, J. M. Ha, B. K. Choi, Robust condition monitoring of rolling element bearings using de-noising and envelope analysis with signal decomposition techniques, Expert Systems with Applications, 42(22) (2015) 9024-9032.
[5] K.F. Al-Raheem, A. Roy, K. Ramachandran, D.K. Harrison, S. Grainger, Rolling element bearing faults diagnosis based on autocorrelation of optimized: wavelet de-noising technique, The International Journal of Advanced Manufacturing Technology, 40(3-4) (2009) 393-402.
[6] R. Li, D. He, Rotational machine health monitoring and fault detection using EMD-based acoustic emission feature quantification, IEEE Transactions on Instrumentation and Measurement, 61(4) (2012) 990-1001.
[7] Y. Kopsinis, S. McLaughlin, Development of EMD-based denoising methods inspired by wavelet thresholding, IEEE Transactions on signal Processing, 57(4) (2009) 1351-1362.
[8] X. x. Liu, F. l. Han, J. g. Wang, Wavelet extended EMD noise reduction model for signal trend extraction, in:  2009 2nd International Congress on Image and Signal Processing, IEEE, 2009, pp. 1-5.
[9] D. L. Donoho, J. M. Johnstone, Ideal spatial adaptation by wavelet shrinkage, biometrika, 81(3) (1994) 425-455.
[10] M.S. Sadooghi, S.E. Khadem, A new performance evaluation scheme for jet engine vibration signal denoising, Mechanical Systems and Signal Processing, 76 (2016) 201-212.
[11] R. Abdelkader, A. Kaddour, Z. Derouiche, Enhancement of rolling bearing fault diagnosis based on improvement of empirical mode decomposition denoising method, The International Journal of Advanced Manufacturing Technology, 97(5-8) (2018) 3099-3117.
[12] K. Wang, P.S. Heyns, Application of computed order tracking, Vold–Kalman filtering and EMD in rotating machine vibration, Mechanical Systems and Signal Processing, 25(1) (2011) 416-430.
[13] S. N. Chegini, A. Bagheri, F. Najafi, Application of a new EWT-based denoising technique in bearing fault diagnosis, Measurement, 144 (2019) 275-297.
[14] S.N. Chegini, A. Bagheri, F. Zarif, M. Alitavoli, Noise removal from the vibration signals of the rotating machinery using the empirical wavelet transform and the conventional thresholding methods, Journal of Solid and Fluid Mechanics, 9(1) (2019) 111-124. (in Persian)
[15] S. Nezamivand Chegini, A. Bagheri, F. Najafi, A new hybrid intelligent technique based on improving the compensation distance evaluation technique and support vector machine for bearing fault diagnosis, Modares Mechanical Engineering, 19(4) (2019) 865-875. (in Persian)
[16] A. Komaty, A. O. Boudraa, B. Augier, D. Daré-Emzivat, EMD-based filtering using similarity measure between probability density functions of IMFs, IEEE Transactions on Instrumentation and Measurement, 63(1) (2013) 27-34.
[17] V. Singh, Comparative study of algorithms/techniques for denoising of gaussian noise, International Journal of Advanced Research in Computer Science, 8(8) (2017).
[18] L. Jing-yi, L. Hong, Y. Dong, Z. Yan-sheng, A new wavelet threshold function and denoising application, Mathematical Problems in Engineering, 2016 (2016).
[19] D. L. Donoho, De-noising by soft-thresholding, IEEE transactions on information theory, 41(3) (1995) 613-627.
[20] M. Kedadouche, M. Thomas, A. Tahan, A comparative study between empirical wavelet transforms and empirical mode decomposition methods: Application to bearing defect diagnosis, Mechanical Systems and Signal Processing, 81 (2016) 88-107.
[21] D. z. Zhao, J. y. Li, W. d. Cheng, T. y. Wang, W. g. Wen, Rolling element bearing instantaneous rotational frequency estimation based on EMD soft-thresholding denoising and instantaneous fault characteristic frequency, Journal of Central South University, 23(7) (2016) 1682-1689.
[22] Case Western Reserve University, Bearing data center. http://csegroups.case. edu/bearingdatacenter/home, 2018.