信號降噪的案例
24基于matlab的語音信號降噪(語音.wav轉.mat—濾波—.mat轉降噪后語音.wav ￥30
基于matlab的語音信號降噪(語音.wav轉.mat—濾波—.mat轉降噪后語音.wav，程序已調通可直接運行。標價為程序價格，不包含售后。程序保證可直接運行。
2-6 基于matlab 2018B的語音信號降噪和盲源分離GUI界面 ￥80
基于matlab 2018B的語音信號降噪和盲源分離GUI界面，包括維納濾波，小波降噪、高通、低通、帶通濾波，及提出的濾波方法。每個功能均展示降噪前后聲音效果并外放出來。程序已調通，可直接運行。
162基于matlab的多尺度和譜峭度算法對振動信號進行降噪處理 ￥15.5
基于matlab的多尺度和譜峭度算法對振動信號進行降噪處理，選擇信號峭度最大的頻段進行濾波，輸出多尺度譜峭度及降噪結果。程序已調通，可直接運行。
《機械系統動力學分形特征及故障診斷方法》
ISBN：7118041297
字數：268000
印次：1
版次：1
紙張：膠版紙
內容提要
本書從系統狀態的角度、從研究復雜系統的基點出發，探討復雜機械系統故障診斷的理論、技術方法，全書共12章，系統介紹了復雜機械系統故障診斷的研究方法、分形與分形維數、小波及小波包分析、基于小波理論的信號降噪研究、分形理論及小波分形技術的復雜機械故障診斷、基于多重分形的分形維數計算、基于廣義分形特征的故障診斷、李雅譜諾夫指數在復雜機械故障診斷中的應用研究、等離子弧洋火表面條紋方向對摩擦性能影響的研究、電磁軸承控制系統設計與仿真研究、電磁軸承控制的魯棒穩定性研究等內容。
該書可供機械故障診斷領域的研究者、工程技術人員以及相關專業的本科生、研究生參考使用，對該領域的工程技術人員也是一本非常實用的參考書。
展開 
機械系統動力學分形特征及故障診斷方法
機械系統動力學分形特征及故障診斷方法/機械工程師繼續教育叢書
作者：徐玉秀 等著 出版社：國防工業出版社 出版時間：2006年01月
本書從系統狀態的角度、從研究復雜系統的基點出發，探討復雜機械系統故障診斷的理論、技術方法，全書共12章，系統介紹了復雜機械系統故障診斷的研究方法、分形與分形維數、小波及小波包分析、基于小波理論的信號降噪研...
￥25.00￥19.60節省：￥5.40
『原創』申請兌換 機械系統動力學分形特征及故障診斷方法
機械系統動力學分形特征及故障診斷方法
機械系統動力學分形特征及故障診斷方法/機械工程師繼續教育叢書
作者：徐玉秀 等著 出版社：國防工業出版社 出版時間：2006年01月
本書從系統狀態的角度、從研究復雜系統的基點出發，探討復雜機械系統故障診斷的理論、技術方法，全書共12章，系統介紹了復雜機械系統故障診斷的研究方法、分形與分形維數、小波及小波包分析、基于小波理論的信號降噪研...
小波變換01（小波降噪）
摘要：本文用一個實例演示小包變換的信號降噪功能。本文素材來自網絡，筆者作了稍微整理。
01小波變換
小波變換和傅里葉變換都屬于積分變換，馬拉算法在小波變換中的地位類似FFT算法在傅里葉變換中的地位。
02小波降噪實例
python小波擴展庫pywavelets中有幾個demo signals
引入心電信號：
import matplotlib.pyplot as plt
import pywt
ecg = pywt.data.ecg() # 生成心電信號
plt.plot(ecg)
plt.show()
coeffs = pywt.wavedec(ecg,'db8') # 對信號進行多層小波分解
threshold = 0.2
for i in range(1, len(coeffs)):
coeffs[i] = pywt.threshold(coeffs[i], threshold*max(coeffs[i])) # 降噪
ecgrec = pywt.waverec(coeffs,'db8') # 將信號進行小波重構
plt.subplot(2, 1, 1)
plt.plot(ecg)
plt.subplot(2, 1, 2)
plt.plot(ecgrec)
plt.show()
關于pywt.threshold()的用法：
展開 《大型回轉機械診斷現場實用技術》
8.1 前言
8.2 時變信號分析方法
8.3 非線性分析方法
8.4 信號降噪方法
8.5 應用實例
附錄 故障診斷標準
1.振動標準
2.動平衡標準
3.對中標準
參考文獻
272 基于matlab的形態濾波和局域值分解（LMD）的齒輪故障診斷 ￥25.9
通過形態濾波對一維信號進行降噪處理，并通過LMD局部均值分解提取故障信號，最后提取處故障頻率。程序已調通，可直接運行。
『分享』關聯維數在旋轉機械支承系統狀態監測中的應用
文
中首先采用迭代奇異值降噪算法對轉子支承系統不同狀態下的信號進行降噪處理, 然后計算了信
號的關聯維數. 分析結果表明, 系統不同運行狀況對應的關聯維數明顯不同, 因此可以用關聯維數
作為支承系統工作狀態的特征參數, 并能提供設備故障診斷的準確率.
關鍵詞: 旋轉機械; 關聯維數; 支座松動; 軸瓦間隙過大; 故障診斷
關聯維數在旋轉機械支承系統狀態監測中的應用.PDF
【技術】基于DTEmpower的旋轉機械故障診斷
旋轉機械故障診斷方法大體分為以下3類，即基于物理模型的方法、基于信號處理的方法、基于數據驅動的方法：
1. 基于物理模型的方法主要是獲取設備上的數據信號，并用最初建立的模型對數據處理結果進行分析，從而得到機組的故障診斷情況。但通常需要深入了解機器的工作機理，難以建立起現代復雜機械設備的精確物理系統，特別是在動態、噪音大的工作環境下。
2. 基于信號處理的方法通過信號處理實現信號降噪，旨在探索先進的信號去噪和濾波技術，突出故障特征信息。但特征頻率的計算往往需要相關的設備知識，實體故障表征理論和數學基礎是其前提。依賴專家進行診斷，可移植性較弱。
3. 基于數據驅動的方法，在不了解系統的學習和物理模型的情況下，僅利用檢測到的狀態監測信號結合歷史數據或外來遷移數據，分析提取特征信息，對系統進行故障診斷和性能評估。該方法即不需要大量的領域專家知識和知識的表達式推理機制，也不需要建立精確的復雜系統模型，是當下智能診斷的研究熱點。
DTEmpower是天洑軟件通過對工業企業數據建模需求的深度挖掘而自主研發的一套針對工業用戶的圖形化數據建模平臺。它圍繞數據清理、特征提取、特征選擇和模型訓練等數據建模的各個環節，提供有大量算法，通過針對特定場景下算法的深度研發，利用智能調度引擎和超參優化等技術，提高模型質量的同時，降低了對用戶數據建模經驗的要求。DTEmpower針對旋轉設備故障診斷有一套完備的智能診斷方案。
展開 
西南交通大學金學松教授團隊：基于地鐵車內噪聲的鋼軌粗糙度接受/驗收準則| CJME論文推薦
[3] 形態學濾波方法在車輪非圓化信號降噪中的應用[J]. 機械工程學報, 2020, 56(18):7.
[4] 基于車內噪聲的軌道衰減率限值研究[J]. 機械工程學報, 2020, 56(22):9.
[5] 地鐵司機室噪聲與鋼軌波磨關系的試驗與仿真研究[J]. 機械工程學報, 2019(16):7.
[6] Estimation of vibration powers flowing to and out of a high-speed train bogie frame assisted by time-domain response reconstruction.
[7] Integration of a dissipative contact force model into vehicle–track dynamics for analysing wheel–rail dynamic interaction under short-wavelength irregularity.
[8] Study on high frequency vibration-induced fatigue failure of antenna beam in a metro bogie.
[9] Effect of installation conditions on laboratory sound insulation measurement and an equivalent method for simply supported boundary.
展開 基于降噪自編碼器-多層感知機（DAE-MLP）的手寫數字分類預測MATLAB實戰
一、算法原理
1.1 降噪自編碼器（Denoising Auto-Encoders, DAE）
在介紹降噪自編碼器的原理之前，需要介紹一下自編碼器的原理，這樣才能方便我們理解降噪自編碼器的原理。如圖1所示為自編碼器的網絡結構，它包含有編碼階段和解碼階段。主要應用于數據去噪和數據降維。
圖1 自編碼器的網絡結構
它的編碼和解碼過程可表達為
其中，W1、b1為編碼的權重和偏置，W2、b2為編碼的權重和偏置，
自編碼器的目的是使輸出與輸入盡量相同，所以采用的損失函數可表達為：
當損失函數J的值越小，那么經自編碼器重構的數據與原始數據就盡可能的相同。但在實際中，我們更關注的是自編碼器的隱層表達，而不是實際輸出。自編碼器真正關心的是隱藏層的特征表達，一個好的表達能夠捕獲輸入信號的穩定結構，以該目的為出發出現了降噪自動編碼器。
降噪自動編碼器的網絡結構如圖2所示。降噪自動編碼器，首先對干凈的輸入信號加入噪聲產生一個受損的信號。然后將受損信號送入傳統的自動編碼器中，使其重建回原來的無損信號。降噪自編碼器的優點是：它通過人為的增加噪聲使模型獲得魯棒性的特征表達。
圖2 降噪自編碼器的網絡結構
1.2 多層感知機（Multilayer Perceptron，MLP）
多層感知機是由單層感知機推廣而來，最主要的特點是有多個神經元層。一般將MLP的第一層稱為輸入層，中間的層為隱藏層，最后一層為輸出層。如下圖3所示。MLP并沒有規定隱藏層的數量，因此可以根據實際處理需求選擇合適的隱藏層層數，且對于隱藏層和輸出層中每層神經元的個數也沒有限制。 多層感知機采用反向傳播BP算法訓練得到模型的權重和偏置。
展開 基于AVL EXCITE M與Simulink控制耦合的電機諧波注入NVH分析
圖8 電機控制單元
電機控制單元的整體數據流如下：通過設定電機需求扭矩，結合實際電機控制策略對應的電流分配 MAP（如 MTPA 控制電流 MAP），經查表插值計算得到該扭矩對應的目標 Id/Iq 電流分量；電流控制單元根據目標電流與實際電流的偏差，通過閉環調節生成 PWM 調制信號，驅動 DC/AC 逆變器將直流電壓轉換為交流電壓；電機單元接收交流電壓后，通過電磁耦合作用生成實際 Id/Iq 電流，再基于內置的電磁 MAP 數據查表獲取定轉子電磁受力；最終通過機電耦合作用影響電機轉速及其他關鍵運行參數。在次過程中，通過電機控制單元中加入諧波信號，以實現降噪目的。
圖9 電機控制單元數據流程
為簡化諧波注入參數的調控流程、提升操作便捷性，EXCITE M 仿真模型支持在控制模型中直接配置諧波注入相關核心參數，包括目標抑制 / 注入諧波階次、注入幅值、注入相位及諧波注入時機等。
圖10 控制模型
下圖為 EXCITE M 單電機三維動力學模型中電機的實際輸出電流信號波形：在基波電流基礎上注入特定階次諧波信號后，電流波形出現明顯的幅值畸變與高頻紋波，且畸變程度與諧波的注入階次、幅值及相位直接相關，直觀反映了諧波注入對電機電流特性的調制效應。
圖11 電機電流信號
下圖為電機輸出扭矩時域對比波形圖。由圖中波形直觀對比可清晰觀察到：在采用諧波注入控制策略后，電機扭矩的穩態波動幅值（峰值 - 峰值，P-P）顯著減小，扭矩輸出的平滑性大幅提升；同時，針對預設目標抑制的特定諧波階次，其對應的扭矩脈動分量幅值得到明顯抑制，相較于無諧波注入工況，該階次扭矩脈動的峰值降幅顯著。
展開 