基于ASTENEMD和STFT的滚动轴承故障信号降噪及特征提取方法

本发明请求保护一种基于自适应半软阈值集合噪声重构经验模态分解(Adaptive Semi‑soft Threshold Ensemble Noise‑reconstructed Empirical Mode Decomposition，ASTENEMD)和(Short‑time Fourier Transform,STFT)的滚动轴承故障信号降噪及特征提取方法，属于滚动轴承故障智能诊断领域。本发明首先使用自适应半软阈值集合噪声重构经验模态分解实现滚动轴承原始振动信号降噪,随后使用短时傅里叶变换将降噪信号转换为时频图像，实现非线性、非平稳振动信号的时频特征提取。本发明增强了滚动轴承故障信号质量，能够显著提升降噪效果，使得信号中的故障特征更加清晰，能够提取出丰富的时频特征，为后续使用深度学习模型进行故障诊断提供可靠的输入。