石油钻头的开发和研究是建立在理论和试验基础上的,大量的钻头产品开发和研究方案都需要通过室内试验和现场试验来完成。在这些试验中需要采集大量的试验数据,但由于试验方法和试验条件不同,在每种试验中都会产生各种干扰信号,从而在试验数据中出现大量噪声,严重地影响了试验数据的处理和试验结果的分析。在以往的数据处理中常常人为的将一些突变大的试验数据作为噪声去除,甚至根本不用处理,获得的试验结果不能真实反映试验中的特性和规律,浪费了大量的人力和财力。因此,为了在钻头试验中获得可靠的试验结果,迫切需要研究试验数据的科学处理方法。 针对以上这一实际工程问题,把小波变换去噪理论引入。小波分析由于在时域频域同时具有良好的局部化性质和多分辨率分析的特点,因此不仅能满足各种去噪要求,如低通、高通、陷波、随机噪声的去除等,而且与传统的去噪方法相比较,有着无可比拟的优点,成为信号分析的一个强有力的工具。本文分别以牙轮转速测试试验、牙齿测力试验为分析对象,详细地分析了它们的测试原理、设计了它们的测试方案,最后根据测试信号含噪声的特点,分别采用基于小波包的浮动阀值去噪法和小波去噪法对牙轮转速信号、牙齿测力信号进行去噪处理,取得了很好的效果。 在小波去噪算法中,阀值的选择是非常重要的。现有的阀值算法都是基于Donoho提出的非线性小波变换阀值法,其阀值的选取都是假定噪声是高斯噪声,通过统计的方法获得的,而对于实际应用系统中可能含有其它类型的噪声,这时运用Donoho的方法不一定会得到较好的去噪效果。就针对这一问题,本文提出一种阀值自学习小波去噪方法,该方法应用在具有确定性且能加载标准信号的测试系统中。通过将神经网络的非线性阀值单元和训练方法引入到小波去噪中,同时运用神经网络对标准样本的学习,能够较精确地确定该时段的小波系数阀值,有利于针对实际测量系统寻找较优的去噪阀值。