基于粒子群优化的自适应小波阈值去噪方法用于联合收割机振动筛螺栓振动信号

《Machines》：Particle Swarm Optimization-Based Adaptive Wavelet Threshold Denoising for Vibrating-Screen Bolt Vibration Signals in Combine Harvesters

　　

联合收割机振动筛中的螺栓连接受到往复筛运动、机架振动和间歇冲击的影响，使得微弱的局部振动分量难以与背景波动区分。本研究使用粒子群优化（PSO）自适应选择小波基、分解层数和阈值规则进行振动信号去噪。在螺栓拧紧和松动状态下收集了三轴加速度信号。添加了输入信噪比（SNR）从0到14 dB的高斯白噪声，以评估在受控噪声水平下的参数选择。所选小波基和分解层数随输入信噪比变化。在较强噪声下选择了三或四层分解，而在较高信噪比下通常两层就足够。所有测试案例均选择了软阈值。优化后的方法在模拟含噪信号中减少了随机波动，同时保留了主要波形趋势。对于实测的松动螺栓信号，该方法减少了背景波动并保留了局部波形变化。

**论文解读文章**

**研究背景与问题**
联合收割机在田间作业时，其振动筛螺栓连接受到往复筛运动、机架振动和间歇冲击等多源激励的影响。这些振动源产生的信号包含有用工艺信息与机器干扰，但螺栓松动引发的微弱局部振动分量常被背景波动掩盖，难以直接提取。现有基于信号的状态监测方法在农业机械中面临安装空间、粉尘、冲击和成本等限制，而振动信号分析因其传感器布置灵活仍具吸引力。然而，工作状态下联合收割机信号非平稳，发动机、筛体、传动系统及田间冲击同时作用，若去噪参数选择不当，重构信号可能保留过多噪声或去除与松动相关的冲击特征。小波阈值去噪方法简单且适合工程实现，但其性能强烈依赖小波基、分解层数、阈值和阈值规则，手动选取难以适应随工况变化的信噪比。现有基于优化的去噪研究主要针对旋转机械、桥梁振动、微震信号和电信号，较少关注联合收割机振动筛螺栓连接处的多源振动信号。因此，研究人员开展了基于粒子群优化（PSO）的自适应小波阈值去噪方法研究，旨在联合优化小波基、分解层数和阈值规则，提升螺栓振动信号预处理效果。该论文发表在《Machines》。

**主要关键技术方法**
研究人员采用三轴加速度传感器（型号1A312E，江苏东华测试技术股份有限公司）在联合收割机（4LZ-6.0EK(Q)型，江苏沃得农业机械有限公司；发动机额定功率86.7 kW，最大转速2600 r·min^-1）振动筛螺栓连接区域采集振动信号。实验设置拧紧与松动两种螺栓状态，采样频率2 kHz，每工况重复三次。去噪采用小波阈值方法，通过PSO（粒子群大小50，迭代次数100，惯性权重0.7305，学习因子1.5012）联合搜索候选小波基（db、sym、coif、bior族）、分解层数（1–4）和阈值规则（硬阈值/软阈值）。阈值大小由通用阈值估计器基于第一层细节系数计算。采用双验证策略：在实测基线信号上添加0–14 dB高斯白噪声进行半模拟验证，同时使用独立合成信号（已知无噪参考）进行性能验证。评价指标包括均方误差（MSE）、均方根误差（RMSE）、信噪比（SNR）、峰值信噪比（PSNR）和结构相似性（SSIM）。

**研究结果**
**3.1 实测螺栓连接振动信号的非平稳特性**
通过连续小波变换（CWT）幅值和相位分布分析，发现松动螺栓信号能量在时频平面分布不均，存在局部高能区域，相位在局部区域发生急剧变化。统计特征显示，各测点及信号段的标准差、均方根值、峭度因子（范围2.416–29.430）和裕度因子（范围2.832–68.062）差异显著，表明连接响应集中在短时局部事件中，而非均匀分布于整个信号。这些结果证实了去噪的必要性。

**3.2 PSO选择小波阈值去噪参数**
在不同输入信噪比（0–14 dB）下，PSO自适应选择的小波基和分解层数系统变化：在0、2、4 dB时选择3或4层分解，在6–14 dB时选择2层分解；小波基在sym、coif、db族间变化；所有情况均选择软阈值。这表明自适应主要发生在小波基和分解深度，而非阈值规则类别。

**3.3 受控噪声条件下的去噪验证**
在半模拟实测基线信号上，去噪后随机波动减少，主要波形趋势保留。MSE在所有测试输入信噪比下均低于去噪前。在独立合成信号验证中，去噪后MSE和RMSE降低，SNR和PSNR提高，SSIM保持高水平，表明优化方法在减少噪声的同时保留了波形结构。

**3.4 实测螺栓松动振动信号的去噪**
对12组实测松动螺栓信号应用优化方法，MSE范围为0.92–24.89，PSNR为18.71–32.88 dB，SSIM为0.47–0.97。波形分析表明，去噪后密集小幅度波动被衰减，而主要瞬态位置、主导幅度变化和局部波形变化仍可观察，未简单平滑整个信号。

**3.5 与传统阈值去噪方法的比较**
对比最小最大阈值法和固定软阈值法：固定软阈值法导致最大波形改变，MSE高、SSIM低；最小最大阈值法产生最低MSE和最高SSIM，但可能保留过多背景波动；优化方法在10组信号中MSE低于固定软阈值法、SSIM更高，在波动抑制与局部响应保留之间取得更佳平衡。

**讨论与结论**
讨论部分指出，实测信号与单一激励源实验室信号不同，联合收割机多源振动共同影响螺栓连接，松动相关响应表现为弱局部波形变化而非孤立周期分量。优化方法旨在为后续时域、频域及时频特征提取提供更干净的信号，而非独立状态识别模型。与其他自适应方法（如遗传算法、经验模态分解EMD、变分模态分解VMD）相比，PSO辅助方法直接搜索小波基、分解层数和阈值规则，保留了小波分解-阈值-重构的简单流程。

**结论**（翻译原文4. Conclusions部分）
本研究建立并评估了一种基于粒子群优化（PSO）的自适应小波阈值去噪方法，用于联合收割机振动筛螺栓连接的振动信号。实测松动螺栓信号表现出显著的非平稳特征，包括不均匀的连续小波变换（CWT）能量分布、局部相位扰动以及不同测点和信号段间均方根值、偏度和峭度相关特征的巨大差异。这些结果证实螺栓连接响应包含连续的多源机器振动和间歇的局部响应分量。PSO搜索在输入信噪比（SNR）为0至14 dB下自适应选择了小波基、分解层数和阈值规则：在较强噪声下选择三或四层分解，在较高输入SNR下选择两层；所选小波基也随噪声条件变化，而软阈值始终保持一致。结果表明，自适应主要需要针对小波基和分解深度，单一完全固定的小波配置不适用于所研究的信号。双验证策略从互补角度确认了去噪性能：独立合成基准验证了针对已知无噪参考的重构，而半模拟实测基线测试保留了整机的周期、谐波、冲击和结构传播分量。对于12组实测松动螺栓信号，所提方法在10组中产生了比固定软阈值法更低的均方误差（MSE）和更高的结构相似性（SSIM），并保留了主要的瞬态位置和局部波形变化。与最小最大阈值法和固定软阈值法相比，PSO优化方法在波动衰减和局部响应保留之间提供了更合适的平衡。这些发现支持其作为后续基于振动的螺栓状态特征提取的自适应预处理方法的应用。进一步工作将把该方法扩展到分级预紧力损失条件和更广泛的收割负载工况。