CN106872171A - 一种多普勒声学信号的自适应学习校正方法 - Google Patents

一种多普勒声学信号的自适应学习校正方法 Download PDF

Info

Publication number
CN106872171A
CN106872171A CN201710228196.3A CN201710228196A CN106872171A CN 106872171 A CN106872171 A CN 106872171A CN 201710228196 A CN201710228196 A CN 201710228196A CN 106872171 A CN106872171 A CN 106872171A
Authority
CN
China
Prior art keywords
signal
frequency
doppler
correction
distortion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710228196.3A
Other languages
English (en)
Other versions
CN106872171B (zh
Inventor
丁晓喜
何清波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN201710228196.3A priority Critical patent/CN106872171B/zh
Publication of CN106872171A publication Critical patent/CN106872171A/zh
Application granted granted Critical
Publication of CN106872171B publication Critical patent/CN106872171B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种多普勒声学信号的自适应学习校正方法。该方法在校正参数自适应学习中，基于轨边声学理论，通过构造移频算子和声调算子，实现了对畸变信号的一种伪校正，得到频谱共振带具有无畸变以及高能量聚集性的过渡基准项，在理论上刻画还原了轨边声学畸变现象，从物理上强化了自适应畸变校正学习机理；与其他校正方法相比，该算法能够自适应的从原始声信号中学习到最优校正参数，从而实现对畸变信号的完整校正。该算法具有一定的鲁棒性与高效性，有利于后续轨边声学***的在线智能校正与诊断。

Description

一种多普勒声学信号的自适应学习校正方法
技术领域
本发明属于轨边声学多普勒畸变校正领域，涉及一种多普勒声学信号的自适应学习校正方法，可以自适应学习到最优畸变校正参数，实现对多普列畸变声学信号的自适应校正学习，尤其适用于轮对轴承道旁声学诊断***。
背景技术
轨边声学诊断是一种以运动部件产生的声学信号为分析对象，具有非接触、多目标、无需停机等优点的高效监测诊断模式，在列车轮对轴承诊断中具有重要的应用价值与意义。通过轨边测量设备采集到的声学信号含有部件当前的健康信息，但实际中，由于列车以较高速度运行，移动部件产生的声学信号与道旁固定测量设备存在着相对运动，使得最终观测到的声学信号发生了畸变(也即多普勒畸变现象)，给故障源的辨识与提取带来了困难。因此，对声学信号做多普勒校正分析对于轨边声学轴承故障诊断具有非常重要的意义。目前常用的多普勒校正方法主要分为两种，一种是利用瞬时频率脊线(InstantaneousFrequency Ridge Extraction)或主成分相干分析等方法(如短时MUSIC算法)来获取信号接收角度序列，通过拟合来间接获取多普勒畸变参数，构造发射时间序列；另外一种是通过匹配追踪等贪婪迭代算法来大量搜索(如基于Laplace小波和谱相关估计的多普勒瞬态模型(Doppler transient model based on the Laplace wavelet and spectrumcorrelation assessment)，来直接获取部分或全部多普勒畸变参数，实现对畸变信号的校正分析。前者是一种基于数据拟合的方法，鲁棒性受到一定的限制；后者在实时性方面存在比较大的缺陷，不利于实际诊断。因此传统的诊断方法将大大降低对列车轴承故障诊断的效率和准确性。
本发明提出了一种多普勒声学信号的自适应学习校正方法。该方法结合轨边声学原理，构造频移算子和声调算子物理模型，通过操作算子实现对多普勒畸变信号的伪校正。基于该伪校正得到畸变信号的过渡基准项，其对应的共振带不仅具有无畸变特性同时也具有高能量聚集性。提出基于共振频率窄带能量比最大化原则，利用全局最优化算法，实现对多普勒畸变算子的模型参数自适应学习。最终通过声压算子和重采样技术实现对多普勒信号完整的校正。该自适应学习校正方法具有鲁棒自适应的特性，对轨边多普勒畸变声学信号校正具有十分显著的效果。
发明内容
本发明的目的在于：提供一种多普勒声学信号的自适应学习校正方法，用于多普勒声畸变声学信号的自适应校正学习。
本发明采用的技术方案为：一种多普勒声学信号的自适应学习校正方法，该方法包括如下步骤：
步骤(1)、通过希尔伯特变换获取声测量信号的解析信号；
步骤(2)、基于轨边声学理论，给定三个多普勒畸变参数(u,M和k分别为畸变中心时刻，波速比和共振频率位置，这三个参数为畸变校正的主要参数)，构造该声场模型下的频移算子H和声调算子G两种伪校正操作算子；
步骤(3)、依据移频算子对步骤(1)中的解析信号做频移操作运算，使频带向频率位置k处集中，实现对信号的多普勒畸变的频率伪校正，获取过渡基准项；
步骤(4)、对步骤(3)中的过渡基准项做频谱分析，依据频带能量在共振频率位置k处聚集，计算该处共振频率窄带能量比并将其最大作为评价原则(设置频率窄带，带宽记为B)，基于全局最优化算法对伪校正信号参数进行寻优，自适应学习到最优畸变校正参数；
步骤(5)、通过最优畸变校正参数(u,M,k)opt，计算声调算子G，实现对原始声压信号的声压伪校正，恢复声信号声压幅值；
步骤(6)、通过最优畸变校正参数(u,M,k)opt，重新构建声信号发射时间序列，对步骤(5)中的伪校正声压信号，利用时域重采样技术，最终实现完整的信号多普勒畸变校正。
所述步骤(2)中：
构造频移算子和声调算子两种伪校正操作算子，分别是基于轨边声传播理论构造的两个物理模型，其数学表达如下：
移频算子：
声调算子：
其中，N为信号长度，r为垂直距离(道旁麦克风与声源运动方向垂直距离)，c为声波速度，u，M和k三个参数分别为畸变中心时刻，波速比和共振频率位置。
所述步骤(4)中：
全局最优化算法是通过利用多起点方法产生若干个初始点，利用局部求解器搜索各自所在盆地中的局部极值点，最终实现全局最优点，该算法原理同遗传算法类似，能够快速稳定的搜索到全局最优点。
本发明的优点和积极效果为：
(1)在校正参数自适应学习中，基于轨边声学理论，通过构造移频算子和声调算子，实现了对畸变信号的一种伪校正，获取频谱共振带具有无畸变以及高能量聚集性的过渡基准项。在理论上刻画还原了轨边声学畸变现象，从物理上强化了自适应畸变校正学习机理。
(2)与其他校正方法相比，该算法能够自适应地从原始声信号中学习到最优校正参数，从而实现对畸变信号的完整校正。该算法具有一定的鲁棒性与高效性，有利于后续轨边声学***的在线智能校正与诊断。
附图说明
图1为本发明一种多普勒声学信号的自适应学习校正方法流程图；
图2为仿真信号的时域波形、傅里叶频率幅值谱(共振频率发散到100Hz带宽中)与其对应的时频分布(其中白色水平线对应共振频率1000Hz)(设定多普勒参数为[u,M,k]＝[0.250,0.0588,500])；其中，图2(a)为仿真信号的时域波形，图2(b)为仿真信号的频谱，图2(c)为仿真信号的时频分布；
图3为基于自适应多普勒校正后信号的时域波形、傅里叶频率幅值谱(共振频率集中在998Hz)与其对应的时频分布(其中白色水平线对应共振频率1000Hz)(多普勒最优参数[u,M,k]＝[0.2415,0.0562,502])；其中，图3(a)为校正后信号的时域波形，图3(b)为校正后信号的频谱，图3(c)为校正后信号的时频分布；
图4为分别为原始信号和基于自适应多普勒校正后信号的包络功率谱(故障频率理论值为75Hz)；其中，图4(a)为原始信号的包络功率谱，图4(b)为校正后信号的包络功率谱；
图5为实际轴承外圈故障信号的时域波形、傅里叶频率幅值谱与其对应的时频分布(多普勒参数[u,M,k]＝[unknown,0.0882,unknown])；其中，图5(a)为外圈信号的时域波形，图5(b)为外圈信号的频谱，图5(c)为外圈信号的时频分布；
图6为基于自适应多普勒校正后信号时域波形、傅里叶频率幅值谱与其对应的时频分布(多普勒最优参数[u,M,k]＝[0.0756,0.0838,361])；其中，图6(a)为校正后信号的时域波形，图6(b)为校正后信号的频谱，图6(c)为校正后信号的时频分布；
图7为分别为原始信号和基于自适应多普勒校正后信号的包络功率谱(轴承外圈故障频率理论值为138.74Hz)，其中，图7(a)为原始信号的包络功率谱，图7(b)为校正后信号的包络功率谱。
具体实施方式
下面结合附图以及实施例进一步说明本发明。
实施例一：
表1：多普勒畸变信号数学模型参数
以仿真信号为例，仿真信号采用与故障机理相似的单边衰减瞬态周期信号：
其中，ts，ξ，fc和fd分别为畸变信号的接收时间、衰减阻尼、共振频率和故障频率；按照表1模型参数以及莫尔斯声学理论构建模拟信号，同时在原始信号中加入-10dB高斯白噪声得到多普勒畸变信号x(t),此时故障频率为fd＝75Hz，多普勒畸变参数理论值为[u,M,k]＝[0.250,0.0588,500]。其对应的时域波形、傅里叶频率幅值谱与其对应的时频分布如图2所示。从图2(b)中不难发现信号存在多普勒畸变现象，信号共振频带存在约为100Hz展宽，干扰了对共振带的辨识与分析。利用本发明提出的自适应学习技术对该多普勒畸变信号进行校正处理，具体操作过程如下：
1、对持续时间为0.5s的原始信号做希尔伯特变换，获取其解析信号；
2、随机设置普勒畸变参数初始值[u,M,k]＝[0.01,0.03,200]，给定其约束范围分别为[0 0.2],[0.02 0.15],[100 600]；
3、依据发明内容的步骤(2)与步骤(3)，构造频移算子H，利用频移算子对步骤(1)中的解析信号进行操作，获取过渡基准项；
4、依据发明内容的步骤(4)，计算过渡基准项的频谱在共振频率k处窄带能量比(设置频率窄带B为10Hz)，将该能量比最大作为能量聚集评价标准，依据全局最优化算法对伪校正信号参数进行寻优，输出自适应学习到畸变校正参数[u,M,k]＝[0.2415,0.0562,502]；
5、通过获取的最优多普勒畸变校正参数，依据发明内容的步骤(2)计算声调算子G，对原始畸变声信号做声压伪校正。
6、依据最优多普勒畸变校正参数建立声音接收脊线和发射时间序列对应关系，利用时域重采样技术，对步骤(5)中的伪声压校正的信号做完整校正恢复并输出(如图3所示)。可以发现信号的多普勒现象得到了明显的消除，此时频谱具有非常好的能量集中与聚集性，校正后的共振频率为998Hz，基本和原始共振频率1000Hz一样。同时，对比分析原始信号和基于自适应多普勒校正后信号的包络功率谱，如图4所示。不难发现，相比于直接对原始信号做包络分析得到的错误故障频率fd1＝154.8Hz，采用本发现方法诊断得到的故障频率fd2＝75.2Hz同理论值fd＝75Hz完全吻合。同时在校正后信号的包络谱中也恢复出2倍频信息。这些实验结果反映了本发明对于多普勒畸变信号的校正具有一种自适应学习的效果，十分有利于后续的故障诊断。
实施例二：
采用自行设计的火车轴承外圈故障信号进行测试。利用汽车直线运动来播放静态的故障信号，通过路旁的B&K麦克风4944—A以及NI PXI—4472/PXI—1033机箱来获取动态多普勒畸变信号。其中火车轴承型号为NJ(P)3226X，具体参数如表2所示。
表2：NJ(P)3226X1型火车轴承参数(单位：毫米)
动态多普勒故障信号采集参数如表3所示：
表3：火车轴承故障信号采集参数
采用线切割工艺，在轴承外圈加工宽度为0.18mm的单个故障。在表3的采集条件下，轴承外圈故障频率为fd＝138.74Hz，转速比的理论值为M＝0.0882。其对应的时域波形、傅里叶频率幅值谱与其对应的时频分布如图5所示。从图5中不难发现信号存在多普勒畸变现象，也即信号频带展宽，干扰了对共振带的辨识与分析。利用本发明提出的自适应学习技术对该多普勒畸变信号进行校正处理，具体操作过程如下：
1、对持续时间为0.2s的原始信号做希尔伯特变换，获取其解析信号；
2、随机设置普勒畸变参数初始值[u,M,k]＝[0.01,0.03,200]，给定其约束范围分别为[0 0.2],[0.02 0.15],[100 600]；
3、依据发明内容的步骤(2)与步骤(3)，构造频移算子H，利用频移算子对步骤(1)中的解析信号进行操作，获取过渡基准项；
4、依据发明内容的步骤(4)，计算过渡基准项的频谱在共振频率k处窄带能量比(设置频率窄带B为10Hz)，将该能量比最大作为能量聚集评价标准，依据全局最优化算法对伪校正信号参数进行寻优，输出自适应学习到畸变校正参数[u,M,k]＝[0.0756,0.0838,361]；
5、通过获取的最优多普勒畸变校正参数，依据发明内容的步骤(2)计算声调算子G，对原始畸变声信号做声压伪校正。
6、依据最优多普勒畸变校正参数建立声音接收脊线和发射时间序列对应关系，利用时域重采样技术，对步骤(5)中的伪声压校正的信号做完整校正恢复并输出(如图6所示)。可以发现信号的多普勒现象得到了明显的消除，此时频谱具有非常好的能量集中与聚集性。同时对比分析原始信号和基于自适应多普勒校正后信号的包络功率谱，如图7所示。不难发现，相比于直接对原始信号做包络分析得到的错误故障频率fd1＝143.3Hz，采用本发现方法诊断得到的故障频率fd2＝138.7Hz基本同理论值fd＝138.74Hz吻合。同时在校正后信号的包络谱中也恢复出来一些倍频信息。该实验结果进一步验证了本发明对于多普勒畸变信号的自适应学习校正效果，对轨边声学诊断具有重要的价值。
综上所述，本发明公开了一种多普勒声学信号的自适应学习校正方法，能够结合轨边声学原理，构造频移算子和声调算子物理模型，通过操作算子实现对多普勒畸变信号的伪校正，具有鲁棒自适应与高效性等优点。本发明在轨边声学监测***的在线智能校正与诊断中具有一定的应用前景。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (3)

1.一种多普勒声学信号的自适应学习校正方法，其特征在于：该方法包括如下步骤：
步骤(1)、通过希尔伯特变换获取声测量信号的解析信号；
步骤(2)、基于轨边声学理论，给定三个多普勒畸变参数：畸变中心时刻u，波速比M和共振频率位置k，构造该声场模型下的两种伪校正操作算子：频移算子H和声调算子G；
步骤(3)、依据移频算子H对步骤(1)中的解析信号做频移操作运算，使频带向频率位置k处集中，实现对信号的多普勒畸变的频率伪校正，获取过渡基准项；
步骤(4)、对步骤(3)中的过渡基准项做频谱分析，依据频带能量在共振频率位置k处聚集，计算该处共振频率窄带能量比并将其最大作为评价原则，设置频率窄带，带宽记为B，基于全局最优化算法对伪校正信号参数进行寻优，最后自适应学习到畸变校正参数；
步骤(5)、通过最优畸变校正参数(u,M,k)opt，获取声调算子G，实现对原始声压信号的声压伪校正，恢复声信号幅值；
步骤(6)、通过最优畸变校正参数(u,M,k)opt，重新构建声信号发射时间序列，对步骤(5)中的声压伪校正信号，利用时域重采样技术，最终实现完整的信号多普勒畸变校正。
2.根据权利要求1所述的一种基于自适应学习的多普勒畸变声学信号校正方法，其特征在于：所述步骤(2)中：构造频移算子和声调算子两种伪校正操作算子，分别是基于轨边声传播理论构造的两个物理模型，其数学表达如下：
移频算子：
声调算子：
其中，N为信号长度，r为垂直距离，即道旁麦克风与声源运动方向垂直距离，c为声波速度，u，M和k三个参数分别为畸变中心时刻，波速比和共振频率位置。
3.根据权利要求1所述的一种基于自适应学习的多普勒畸变声学信号校正方法，其特征在于：所述步骤(4)中：全局最优化算法是通过利用多起点方法产生若干个初始点，利用局部求解器搜索各自所在盆地中的局部极值点，最终实现全局最优点，该算法原理同遗传算法类似，能够快速稳定的搜索到全局最优点。
CN201710228196.3A 2017-04-10 2017-04-10 一种多普勒声学信号的自适应学习校正方法 Active CN106872171B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710228196.3A CN106872171B (zh) 2017-04-10 2017-04-10 一种多普勒声学信号的自适应学习校正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710228196.3A CN106872171B (zh) 2017-04-10 2017-04-10 一种多普勒声学信号的自适应学习校正方法

Publications (2)

Publication Number Publication Date
CN106872171A true CN106872171A (zh) 2017-06-20
CN106872171B CN106872171B (zh) 2019-04-26

Family

ID=59161959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710228196.3A Active CN106872171B (zh) 2017-04-10 2017-04-10 一种多普勒声学信号的自适应学习校正方法

Country Status (1)

Country Link
CN (1) CN106872171B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109406147A (zh) * 2018-10-29 2019-03-01 安徽大学 一种变速工况下的列车轴承轨边声学诊断方法
CN110472305A (zh) * 2019-07-26 2019-11-19 西北工业大学 基于遗传算法的薄膜型声学超材料尺寸优化方法
CN111770233A (zh) * 2020-06-23 2020-10-13 Oppo（重庆）智能科技有限公司 一种频率补偿方法及终端设备
CN111801632A (zh) * 2018-03-05 2020-10-20 日本电气株式会社 诊断装置、***、诊断方法和程序
CN111814578A (zh) * 2020-06-15 2020-10-23 南京森林警察学院 超低频多普勒信号频率提取方法
CN112529792A (zh) * 2020-11-20 2021-03-19 暨南大学 一种免畸变模型的相机畸变校正方法
CN112766224A (zh) * 2021-02-01 2021-05-07 华侨大学 畸变信号中提取真实信号的方法、装置、设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU1700492A1 (ru) * 1989-05-31 1991-12-23 Предприятие П/Я В-2445 Измеритель частоты гидроакустического доплеровского лага
CN104502633A (zh) * 2014-12-29 2015-04-08 南京世海声学科技有限公司 一种用于声学多普勒流速剖面仪的流场数据校正方法
KR101580427B1 (ko) * 2015-01-29 2015-12-28 한국해양대학교 산학협력단 시변 수중음향통신 채널을 위한 도플러 주파수 추정 및 수신방법
CN105277932A (zh) * 2014-07-21 2016-01-27 中国科学院声学研究所 一种基于下变频波束形成中的多普勒频移校正方法
CN105424388A (zh) * 2015-11-17 2016-03-23 苏州大学 一种基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法
CN106226078A (zh) * 2016-07-01 2016-12-14 中国科学技术大学 一种基于麦克风阵列的多普勒畸变声学信号的校正方法
US9608738B2 (en) * 2012-04-27 2017-03-28 The Board Of Trustees Of The University Of Illinois System and method for broadband doppler compensation

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU1700492A1 (ru) * 1989-05-31 1991-12-23 Предприятие П/Я В-2445 Измеритель частоты гидроакустического доплеровского лага
US9608738B2 (en) * 2012-04-27 2017-03-28 The Board Of Trustees Of The University Of Illinois System and method for broadband doppler compensation
CN105277932A (zh) * 2014-07-21 2016-01-27 中国科学院声学研究所 一种基于下变频波束形成中的多普勒频移校正方法
CN104502633A (zh) * 2014-12-29 2015-04-08 南京世海声学科技有限公司 一种用于声学多普勒流速剖面仪的流场数据校正方法
KR101580427B1 (ko) * 2015-01-29 2015-12-28 한국해양대학교 산학협력단 시변 수중음향통신 채널을 위한 도플러 주파수 추정 및 수신방법
CN105424388A (zh) * 2015-11-17 2016-03-23 苏州大学 一种基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法
CN106226078A (zh) * 2016-07-01 2016-12-14 中国科学技术大学 一种基于麦克风阵列的多普勒畸变声学信号的校正方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴强、孔凡让、何清波、刘永斌: "基于重采样技术的声学信号多普勒畸变校正", 《信号处理》 *
张海滨、陆思良、何清波、孔凡让: "多普勒畸变声学信号的伪时频分析及其校正", 《振动与冲击》 *
袁仲洲、孔凡让、张海滨、胡飞、刘方、朱丕亮: "一种基于瞬时频率的多普勒畸变声信号校正方法", 《自动控制与检测》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111801632A (zh) * 2018-03-05 2020-10-20 日本电气株式会社 诊断装置、***、诊断方法和程序
CN109406147A (zh) * 2018-10-29 2019-03-01 安徽大学 一种变速工况下的列车轴承轨边声学诊断方法
CN109406147B (zh) * 2018-10-29 2020-11-13 安徽大学 一种变速工况下的列车轴承轨边声学诊断方法
CN110472305A (zh) * 2019-07-26 2019-11-19 西北工业大学 基于遗传算法的薄膜型声学超材料尺寸优化方法
CN110472305B (zh) * 2019-07-26 2022-09-13 西北工业大学 基于遗传算法的薄膜型声学超材料尺寸优化方法
CN111814578A (zh) * 2020-06-15 2020-10-23 南京森林警察学院 超低频多普勒信号频率提取方法
CN111770233A (zh) * 2020-06-23 2020-10-13 Oppo（重庆）智能科技有限公司 一种频率补偿方法及终端设备
CN112529792A (zh) * 2020-11-20 2021-03-19 暨南大学 一种免畸变模型的相机畸变校正方法
CN112529792B (zh) * 2020-11-20 2022-03-29 暨南大学 一种免畸变模型的相机畸变校正方法
CN112766224A (zh) * 2021-02-01 2021-05-07 华侨大学 畸变信号中提取真实信号的方法、装置、设备和存储介质
CN112766224B (zh) * 2021-02-01 2023-05-30 华侨大学 畸变信号中提取真实信号的方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN106872171B (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
CN106872171A (zh) 一种多普勒声学信号的自适应学习校正方法
CN105424359B (zh) 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法
CN104819846B (zh) 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法
CN107356432A (zh) 基于频域窗经验小波共振解调的滚动轴承故障诊断方法
CN108489719B (zh) 一种基于g-p奇异谱分解的旋转机械复合故障诊断方法
CN101426169B (zh) 一种快速检测发声体声响应参数的时域跟踪滤波器及***
CN104167207A (zh) 一种基于变电站巡检机器人的设备声音识别方法
CN105928702A (zh) 基于形态分量分析的变工况齿轮箱轴承故障诊断方法
CN107255563A (zh) 实现齿轮箱混合故障信号盲源分离方法
CN113298134B (zh) 一种基于bpnn的风机叶片远程非接触健康监测***和方法
CN106441895B (zh) 一种列车轴承轨边信号冲击成分提取方法
CN103018044A (zh) 一种改进冲击字典匹配追踪算法的轴承复合故障诊断方法
CN109813547A (zh) 基于稀疏分解优化算法的旋转机械局部型故障诊断方法
CN108036940A (zh) 一种轴承故障诊断方法
Li et al. Adaptive cost function ridge estimation for rolling bearing fault diagnosis under variable speed conditions
Cheng et al. Adaptive sparsest narrow-band decomposition method and its applications to rolling element bearing fault diagnosis
CN116486834A (zh) 基于特征融合和改进卷积神经网络的轧制声音分类方法
CN113763986A (zh) 一种基于声音分类模型的空调内机异常声音检测方法
CN109614887A (zh) 一种基于支持向量机的汽车鸣笛分类方法
CN110196098A (zh) 基于心率变化的车辆声品质评价方法
CN113466616A (zh) 一种电缆故障点快速定位方法以及装置
CN108061653A (zh) 基于谐波-冲击多普勒调制复合字典的列车轮对轴承轨边声信号分离方法
CN103064821A (zh) 一种动态信号分析方法及装置
CN108398267B (zh) 一种高速列车轨边运动参数自适应识别方法
Jin et al. Polyphonic sound event detection using capsule neural network on multi-type-multi-scale time-frequency representation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant