Page 112 - 水利学报2021年第52卷第5期

2.2 信号预处理 水电机组振动信号去噪效果的

优劣直接影响到预测的精度。为了减少噪声对预测
精度的影响，本文使用小波去噪对采集的原始振动
信号进行去噪处理。小波分析是一种多尺度的时间
频率信号局部化分析的方法，可以自动适应时频信
号分析的要求，解决了 Fourier 变换的困难问题 ［14］ 。
常用的小波去噪方法分为小波系数阈值去噪法、小
波变换模极大值去噪法以及小波分解与重构去噪
法，其优缺点如表 1 所示。
水电机组在运行过程中采集的原始振动信号和
噪声的频带是无法确定的，且不需要考虑信号中的
奇异点，因此本文选用小波系数阈值去噪法对振动
信号进行降噪处理，其基本原理是将原始信号进行
分解，并通过设置临界阈值 φ ，对分解后的各层
系数进行处理。若小波系数小于 φ ，则认为该系 图 1 WTD-MIC-BiGRU 预测模型流程
数主要由噪声引起，需要去除这部分系数；若小波
系数大于 φ ，则认为该系数主要是由信号引起，需保留这部分系数，最后重构处理后的各层小波分
量得到最终信号。小波阈值的设定 ［15］ 直接关系到去噪效果好坏，设的太高会使信号失真，太低会残
留噪声。硬阈值不易产生偏差，重构信号的保真度高。本文运用极大极小阈值法确定阈值 φ ［16］ ，公
式如下：
ì æ lnN ö
ï0.3936 + 0.1829
φ = í è ln2 ø ，N > 32 （1）
ï
î0，N ≤ 32
式中 N 为小波系数个数。

表 1 不同小波去噪方法优缺点对比
方法 适用情况 优点 缺点
小波系数阈值去噪 含有白噪声的信号 完全抑制噪声，计算速度快 信号不连续点处出现伪吉布斯现象
含有白噪声和 有效保留信号的奇异点特性， 计算速度慢，
小波变换模极大值去噪
较多奇异点的信号 去噪后信号无多余振荡 小波分解尺度影响大
信号和噪声的频带 适用范围不广，对包含白噪声的信
小波分解与重构去噪 算法简单，计算速度快
相互分离时的确定性噪声 号去噪效果较差

去噪系数可以作为衡量降噪效果的指标，其公式表示为：
͂
1 å f ( ) i
2
n
λ = 10 log n （2）
10 2
͂
1 å[ f ( ) i - f ( ) i ]
n
n
͂
式中： f ( ) i 为降噪后的信号； f ( ) i 为原始信号；n 为信号长度。
λ 值越小，降噪效果越好。
信号处理以后需缩小和统一样本尺度以满足对检测速度和样本数量的要求，本研究采用 Z-Score
算法对训练数据进行标准化。其计算公式如下：
*
x = x - x ˉ （3）
σ
*
式中： x 为特征； x 为标准化后的数据； x ˉ 为均值；σ 为标准差。
由于水电机组处于频繁的发电和抽水启停过程中，信号采集数据不均匀，本研究根据采集间隔

— 614 —