4. 数据去噪技术
在工业故障诊断中，传感器采集的原始信号往往混杂着环境噪声、电磁干扰和测量误差。这些噪声会掩盖设备故障的早期微弱特征，导致误报警或漏诊断。数据去噪是预处理的关键环节，其目标是在保留故障冲击特征的前提下，最大限度地抑制噪声成分。本节介绍三种最常用的去噪技术：移动平均滤波、中值滤波和小波去噪。
核心原则：去噪不是“越干净越好”，而是要在噪声抑制与特征保留之间取得平衡。过度平滑会抹掉故障冲击的陡峭边沿，导致诊断失效。
4.1 移动平均滤波
4.1.1 基本原理
移动平均滤波是一种线性低通滤波器，通过计算信号中连续 N 个采样点的平均值来替换当前点的值，从而平滑高频波动。其数学表达式为：
y[n] = (1/N) * Σ_{k=0}^{N-1} x[n-k]其中 x[n] 为原始信号，y[n] 为滤波后信号，N 为窗口长度。窗口越长，平滑效果越强，但信号延迟也越大。
4.1.2 适用场景与局限性
| 维度 | 说明 |
|---|---|
| 适用场景 | 平稳背景噪声（如高斯白噪声）、缓慢变化的趋势信号、对实时性要求不高的离线分析 |
| 局限性 | 对脉冲噪声和突变信号敏感度低，会严重削弱故障冲击的幅值和陡峭边沿；窗口长度选择依赖经验 |
| 典型工业案例 | 温度、压力等慢变过程参数的平滑去噪；振动信号中去除低频趋势项前的预处理 |
参数选择建议：窗口长度
N 通常取奇数，且不超过信号主要周期长度的 1/10。对于旋转机械振动信号，建议 N 取 3~7，避免过度平滑。
4.2 中值滤波
4.2.1 基本原理
中值滤波是一种非线性滤波技术，将窗口内所有采样点按数值排序，取中间值作为输出。它对脉冲噪声（椒盐噪声）具有天然的抑制作用，同时能较好地保留信号的边沿信息。
y[n] = median( x[n-k], ..., x[n], ..., x[n+k] )其中窗口长度为 2k+1，k 为半窗口宽度。
4.2.2 适用场景与局限性
| 维度 | 说明 |
|---|---|
| 适用场景 | 含有孤立脉冲噪声、尖峰干扰的信号；需要保留信号边沿（如故障冲击起始点）的场景 |
| 局限性 | 对高斯噪声的抑制效果不如移动平均；计算量随窗口增大而增加；可能扭曲连续脉冲序列的形态 |
| 典型工业案例 | 振动加速度信号中去除传感器偶发尖峰；齿轮箱断齿信号的预处理 |
避坑提示：中值滤波窗口不宜过大（一般不超过 15 点），否则会抹掉故障冲击的短时能量集中特征，导致后续包络分析失效。
4.3 小波去噪
4.3.1 基本原理
小波去噪利用小波变换的多分辨率分析能力，将信号分解到不同尺度（频带）上，在每一层对细节系数进行阈值处理，再重构信号。其核心步骤为：
- 分解：选择小波基和分解层数，对信号进行离散小波变换，得到近似系数和细节系数。
- 阈值处理：对细节系数应用软阈值或硬阈值函数，去除小于阈值的系数（视为噪声）。
- 重构：利用处理后的系数进行逆小波变换，得到去噪信号。
4.3.2 适用场景与局限性
| 维度 | 说明 |
|---|---|
| 适用场景 | 非平稳信号、瞬态冲击信号、信噪比低的微弱故障特征提取；噪声与信号频带有重叠的场景 |
| 局限性 | 小波基和分解层数选择依赖经验；计算复杂度较高；阈值选择不当会导致信号失真或噪声残留 |
| 典型工业案例 | 滚动轴承早期微弱故障的振动信号去噪；往复压缩机气阀冲击信号的提取 |
阈值选择经验：工业现场常用“通用阈值”
λ = σ * sqrt(2 * log(N))，其中 σ 为噪声标准差（通常用第一层细节系数的中位绝对偏差估计），N 为信号长度。软阈值比硬阈值更平滑，更适合故障诊断。
4.4 三种去噪技术的对比与选择
| 对比维度 | 移动平均滤波 | 中值滤波 | 小波去噪 |
|---|---|---|---|
| 滤波器类型 | 线性低通 | 非线性 | 多分辨率自适应 |
| 噪声类型 | 高斯白噪声 | 脉冲/椒盐噪声 | 混合噪声、非平稳噪声 |
| 边沿保留能力 | 差 | 好 | 优（可调） |
| 计算复杂度 | 低 | 中 | 高 |
| 实时性 | 高 | 中 | 低（离线为主） |
| 参数敏感性 | 窗口长度 | 窗口长度 | 小波基、层数、阈值 |
| 故障诊断推荐度 | ★☆☆（趋势分析） | ★★☆（脉冲去噪） | ★★★（微弱故障） |
4.5 工业应用中的选择策略
在实际故障诊断项目中，去噪方法的选择应遵循以下步骤：
- 分析噪声类型：通过频谱或统计分布判断噪声是高斯型、脉冲型还是混合型。
- 评估故障特征：故障冲击是瞬态还是稳态？边沿保留是否关键？
- 考虑实时性约束：在线监测系统优先选择移动平均或中值滤波；离线精细分析选择小波去噪。
- 组合使用：工业实践中常先使用中值滤波去除脉冲干扰，再使用小波去噪提取微弱特征。
推荐组合：对于滚动轴承振动信号，建议先进行 3~5 点中值滤波去除传感器尖峰，再使用 db4 小波基、5 层分解、软阈值去噪，可有效提取早期故障特征频率。