CN108108672A - 一种基于线性搜索策略的随机共振电流弱信息识别方法 - Google Patents
一种基于线性搜索策略的随机共振电流弱信息识别方法 Download PDFInfo
- Publication number
- CN108108672A CN108108672A CN201711270003.7A CN201711270003A CN108108672A CN 108108672 A CN108108672 A CN 108108672A CN 201711270003 A CN201711270003 A CN 201711270003A CN 108108672 A CN108108672 A CN 108108672A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- signal
- mfrac
- noise
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于线性搜索策略的随机共振电流弱信息识别方法，采用信噪比作为控制***产生随机共振的条件，具有通过改善噪声强度控制***输出信噪比达到最大的优点；同时以最大信噪比max(SNR)作为***优化的目标函数，通过对***结构参数a和噪声强度D在每次迭代过程中权函数进行估计，然后在迭代过程中对权函数进行修定，最终促使***输出最大的信噪比，因此改善了通过优化信噪比SNR确定***结构参数的计算能力，实现了对电流信号的自适应随机共振；由于迭代过程中降低了***搜索的难度和权函数复杂性，因此减少了计算时间，非常适合电流周期性信号的检测。
Description
技术领域
本发明属于电机故障诊断与监测技术领域，具体涉及一种基于线性搜索策略的随机共振电流弱信息识别方法。
背景技术
电机作为一种驱动设备被广泛应用于各个领域中,由于其故障与负载、环境或其它运行条件改变以及制造缺陷等原因有关，因此运行状态的检测与故障诊断具有复杂性，使得传统方法检测电机状态存在一定的困难，近年来利用电流信号作为电机状态检测的一项新技术逐渐被应用于工业领域中。电流检测可以直接反映电机***信息，具有非接触、性噪比高、可直接反映其传动信息等特点。尽管电流信号具有明显的技术优势，但也存在需要迫切解决的技术问题。在电流信号中，反映电机微弱机械特性的信号往往被驱动频率淹没，造成了识别低能量信号困难，无法对电机及驱动设备进行有效的状态识别。为此，需要进一步对电机电流信号进行辨识与处理，从而实现电机运行状态的检测与辨识。
在对电流信号分析中，由于状态信号特征量是未知的，信号中噪声也是未知的，而利用微弱信号处理方法能够对电流信号中的状态特征信号进行提取。作为处理微弱信号的主要方法之一，随机共振方法在检测微弱信号时，主要是以向非线性***中加一定强度的噪声来实现***的随机共振，最终获取特征信号，但是该方法不能直接应用于强噪声背景下的电流信号中。由于随机共振方法以结构参数单目标作为优化对象，忽视了噪声强度对***的影响，从而影响了随机共振***输出的被测结果。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于线性搜索策略的随机共振电流弱信息识别方法，可更准确的识别弱特征分量信息，同时计算效率也得到了改善。
为了达到上述目的，本发明采取的技术方案为：
一种基于线性搜索策略的随机共振电流弱信息识别方法，包括以下步骤：
1)根据采样频率和采样点数，检测被测信号；
2)对被测信号加入随机噪声，计算噪声强度D，并设定双稳态随机共振***朗之万方程其中U(x)是双稳态随机共振***的势能函数，ξ(t)为被测信号，noise为噪声；势能函数中结构参数为a与b，初始设置a＝1、b＝1；
在计算机求解中，利用四阶Runge-Kutta算法计算势能函数U(x)的微分解U’(x)
其中，x(t)为输入信号随时间的变化量，y为势能函数的四阶微分解x0和y0分别是输入信号x(t)的初始值和信号的输出值；K为***变量，设置其中初始采样步长h＝1；
3)计算随机共振***初始结构参数a＝1、b＝1时输出信噪比的SNR，按照非线性动力学中的信噪比检测方法，随机共振以输出信号信噪比的大小来衡量，SNR为双稳态随机共振***在某参数状态下的输出信噪比，MSN为最大信噪比，
MSN＝max(SNR)＝max(10lg(Po/Pi))
其中，Po是输出信号的功率与噪声功率之比，Pi是输入信号的功率与噪声功率之比；利用随机搜索算法对MSN进行优化，以max(SNR)为迭代目标，寻找max(SNR)所对应的结构参数amax与bmax，作为***产生随机共振的结构参数；
4)设定结构参数amax，继续利用线性搜索寻找最大SNR所对应的噪声强度Dmax，以amax和Dmax为基准初始参数，当输出SNR输出达到最大值时，对应的的结构参数abest与噪声强度Dbest即为最佳***参数，这时结构参数abest和噪声强度Dbest能够控制双稳态随机共振***的跃迁频率；
5)按照步骤2)和步骤4)中获得结构参数abest、结构参数b、噪声强度Dbest和采样步长h，再次重新构建从步骤1)中的双稳态随机共振***，并利用SNR为搜索目标重新对双稳态随机共振***的各个参数进行优化；并对输入信号频率压缩率R进行优化，其中R的初始值设置为100，以此获取***达到跃迁效应的频率压缩率Rbest；并利用高斯分布求解，得最佳噪声的均方差，
式中，ΔU为***的阀值，输入信号S的幅值为A，则σbest的最佳取值范围为：
当随机共振***达到频率跃迁条件时，结构参数bbest，势阱参数abest、噪声强度Dbest与跃迁激发频率f三者之间的关系能被描述为：
6)当双稳态随机共振***性噪比输出达到最大，目标参数达到稳定，这时结构参数b、势阱参数a、噪声强度D多次迭代不再发生变化，双稳态随机共振***能够产生共振现象；
7)对经过双稳态随机共振***输出的时域信号进行傅里叶变换，结合信号频率压缩率Rbest值进行重构获得被检测输入信号的微弱信号的特征频谱，其中特征频率即为所需要的微弱信号特征频率。
本发明的有益效果是：
基于线性搜索策略的随机共振检测方法采用信噪比作为控制***产生随机共振的条件，具有通过改善噪声强度控制***输出信噪比达到最大的优点；同时，以最大信噪比max(SNR)作为***优化的目标函数，通过对***结构参数a和噪声强度D在每次迭代过程中权函数进行估计，然后在迭代过程中对权函数进行修定，最终促使***输出最大的信噪比。因此，改善了通过优化信噪比SNR确定***结构参数的计算能力，实现了对电流信号的自适应随机共振。由于迭代过程中降低了***搜索的难度和权函数复杂性，因此减少了计算时间，非常适合电流周期性信号的检测。
1、作为一种微弱信号检测方法，基于线性搜索策略的随机共振检测方法在处理具有周期性的电流信号时，可以将强磁干扰下的周期性特征分量进行有效提取。
2、线性搜索随机共振双稳态随机共振***的参数分量，通过添加合适的噪声使非线性***放大周期输入信号，实现利用双稳态随机共振***提取电流信息的中的弱特征信息。
3、与常规的随机共振方法相比，噪声强度被考虑在优化目标中，基于线性搜索的随机共振检测电流信号中弱特征分量的方法可以更准确的识别弱特征分量信息，同时计算效率也被改善。
附图说明
图1是实施例无噪声模拟信号时域波形示意图。
图2是实施例无噪声模拟信号频域波形示意图。
图3是实施例加噪模拟信号时域波形示意图。
图4是实施例加噪模拟信号频域波形示意图。
图5是实施例信号性噪比与结构参数a的变化趋势示意图。
图6是实施例性噪比与噪声强度的变化趋势示意图。
图7是实施例输出信号的时域示意图。
图8是实施例输出信号的频域恢复图。
具体实施方案
下面结合附图及实施例对本发明作详细描述，利用一组模拟电流信号来描述基于线性搜索策略的随机共振检测方法的整个过程。输入周期信号为其中f1＝60Hz，f2＝40Hz，与μ分别是输入正弦与余弦信号的相位，设置μ＝10。
一种基于线性搜索策略的随机共振电流弱信息识别方法，包括以下步骤：
1)选择采样点长度4096，采样频率fs＝1000Hz的输入信号，时域图与频域图如图1和图2所示；由图1可知，被测信号的频谱只能反映60Hz的周期信号，在40Hz处的谱图上看不到谱峰值，这说明对于被测信号来说，40Hz属于一个弱信号特征，对于被测信号来说，特征分量都属大频率特征；
2)对被测信号加入噪声强度D＝25.4924的噪声，并设定双稳态随机共振***朗之万方程其中U(x)是双稳态随机共振***的势能函数，ξ(t)为被测信号，noise为噪声；势能函数中结构参数为a与b，初始设置a＝1、b＝1；
在计算机求解中，利用四阶Runge-Kutta算法计算势能函数U(x)的微分解U’(x)
其中，x(t)为输入信号随时间的变化量，y为势能函数的四阶微分解x0和y0分别是输入信号x(t)的初始值和信号的输出值；K为***变量，设置其中初始采样步长h＝1；
本实施例在加噪信号频谱中，在40Hz处的谱图上也未发现普峰值，利用线性搜索随机共振检测方法对模拟信号进行识别，势能结构参数b＝1，采样尺度R＝10000，二次采样频率fsr为：
可知fsr＝0.1Hz，此时fsr为低频信号，满足随机共振小频率的要求；原始计算步长为：
可知h＝10，把这些参数输入双稳态随机共振***来检测f2的频率成分；
3)计算随机共振***初始结构参数a＝1、b＝1时输出信噪比的最大信噪比MSN，利用随机搜索算法以max(SNR)为优化目标，计算max(SNR)所对应的结构参数amax与bmax，作为***产生随机共振的结构参数；线性搜索的参数范围a＝0～10其中搜索间隔为0.01，控制自适应速度和稳定性的增益常数μ＝1，循环搜索对象为max(SNR)；对检测信号的结构参数amax和对应的max(SNR)进行迭代搜索，获得模拟信号经过随机共振***性噪比与结构参数amax和噪声强度的变化图，如图5和图6所示，在图5中，显然结构参数amax的取值会呈现出一定的范围，这个范围受SNR影响较大，因此利用线性随机搜索可以直接将结构参数amax的取值范围确定；
4)设定结构参数amax，继续利用线性搜索寻找最大SNR所对应的噪声强度Dmax，以amax和Dmax为基准初始参数，当输出SNR输出达到最大值时，对应的的结构参数abest与噪声强度Dbest即为最佳***参数，这时结构参数abest和噪声强度Dbest能够控制双稳态随机共振***的跃迁频率；
5)按照步骤2)和步骤4)中获得结构参数abest、结构参数b、噪声强度Dbest和采样步长h，再次重新构建从步骤1)中的双稳态随机共振***，并利用SNR为搜索目标重新对双稳态随机共振***的各个参数进行优化；并对输入信号频率压缩率R进行优化，其中R的初始值设置为100，以此获取***达到跃迁效应的频率压缩率Rbest；并利用高斯分布求解，得最佳噪声的均方差，
式中，ΔU为***的阀值，输入信号S的幅值为A，则σbest的最佳取值范围为：
当随机共振***达到频率跃迁条件时，结构参数bbest，势阱参数abest、噪声强度Dbest与跃迁激发频率f三者之间的关系能被描述为：
输出信号的时域图与频域图如图7和8所示，被测信号通过双稳态随机共振***后，经过频率恢复输出的频谱图中，显然40Hz作为调制频率60Hz-20Hz被检测出来，而在原始被测信号中40Hz作为微弱信号很难被直接检测出；
6)当双稳态随机共振***性噪比输出达到最大，目标参数达到稳定，这时结构参数b、势阱参数a、噪声强度D多次迭代不再发生变化，双稳态随机共振***可产生共振现象。
7)对经过双稳态随机共振***输出的时域信号进行傅里叶变换，结合信号频率压缩率Rbest值进行重构获得被检测输入信号的微弱信号的特征频谱，其中特征频率即为所需要的微弱信号特征频率。
Claims (1)
1.一种基于线性搜索策略的随机共振电流弱信息识别方法，其特征在于，包括以下步骤：
1)根据采样频率和采样点数，检测被测信号；
2)对被测信号加入随机噪声，计算噪声强度D，并设定双稳态随机共振***朗之万方程其中U(x)是双稳态随机共振***的势能函数，ξ(t)为被测信号，noise为噪声；势能函数中结构参数为a与b，初始设置a＝1、b＝1；
在计算机求解中，利用四阶Runge-Kutta算法计算势能函数U(x)的微分解U’(x)
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>6</mn>
</mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>K</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mn>2</mn>
<msub>
<mi>K</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mn>2</mn>
<msub>
<mi>K</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<mn>4</mn>
<msub>
<mi>K</mi>
<mn>4</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>K</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>K</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mfrac>
<mi>h</mi>
<mn>2</mn>
</mfrac>
<mo>,</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mfrac>
<mi>h</mi>
<mn>2</mn>
</mfrac>
<msub>
<mi>K</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>K</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mfrac>
<mi>h</mi>
<mn>2</mn>
</mfrac>
<mo>,</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mfrac>
<mi>h</mi>
<mn>2</mn>
</mfrac>
<msub>
<mi>K</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>K</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mi>h</mi>
<mo>,</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>hK</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mi>y</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，x(t)为输入信号随时间的变化量，y为势能函数的四阶微分解x0和y0分别是输入信号x(t)的初始值和信号的输出值；K为***变量，设置其中初始采样步长h＝1；
3)计算随机共振***初始结构参数a＝1、b＝1时输出信噪比的SNR，按照非线性动力学中的信噪比检测方法，随机共振以输出信号信噪比的大小来衡量，SNR为双稳态随机共振***在某参数状态下的输出信噪比，MSN为最大信噪比，
MSN＝max(SNR)＝max(10lg(Po/Pi))
其中，Po是输出信号的功率与噪声功率之比，Pi是输入信号的功率与噪声功率之比；利用随机搜索算法对MSN进行优化，以max(SNR)为迭代目标，寻找max(SNR)所对应的结构参数amax与bmax，作为***产生随机共振的结构参数；
4)设定结构参数amax，继续利用线性搜索寻找最大SNR所对应的噪声强度Dmax，以amax和Dmax为基准初始参数，当输出SNR输出达到最大值时，对应的的结构参数abest与噪声强度Dbest即为最佳***参数，这时结构参数abest和噪声强度Dbest能够控制双稳态随机共振***的跃迁频率；
5)按照步骤2)和步骤4)中获得结构参数abest、结构参数b、噪声强度Dbest和采样步长h，再次重新构建从步骤1)中的双稳态随机共振***，并利用SNR为搜索目标重新对双稳态随机共振***的各个参数进行优化；并对输入信号频率压缩率R进行优化，其中R的初始值设置为100，以此获取***达到跃迁效应的频率压缩率Rbest；并利用高斯分布求解，得最佳噪声的均方差，
<mrow>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<mn>4</mn>
<mi>&Delta;</mi>
<mi>U</mi>
<mi>A</mi>
</mrow>
<mrow>
<mi>l</mi>
<mi>n</mi>
<mfrac>
<mrow>
<mi>&Delta;</mi>
<mi>U</mi>
<mo>+</mo>
<mi>A</mi>
</mrow>
<mrow>
<mi>&Delta;</mi>
<mi>U</mi>
<mo>-</mo>
<mi>A</mi>
</mrow>
</mfrac>
</mrow>
</mfrac>
</msqrt>
</mrow>
式中，ΔU为***的阀值，输入信号S的幅值为A，则σbest的最佳取值范围为：
<mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&Delta;</mi>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mi>&Delta;</mi>
<mi>U</mi>
<mo>-</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
<mo><</mo>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msub>
<mo><</mo>
<msqrt>
<mn>2</mn>
</msqrt>
<mi>&Delta;</mi>
<mi>U</mi>
</mrow>
当随机共振***达到频率跃迁条件时，结构参数bbest，势阱参数abest、噪声强度Dbest与跃迁激发频率f三者之间的关系能被描述为：
<mrow>
<mi>f</mi>
<mo>=</mo>
<mfrac>
<mi>a</mi>
<mrow>
<mn>2</mn>
<msqrt>
<mn>2</mn>
</msqrt>
<mi>&pi;</mi>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mi>a</mi>
<mn>2</mn>
</msup>
<mrow>
<mn>4</mn>
<mi>D</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
6)当双稳态随机共振***性噪比输出达到最大，目标参数达到稳定，这时结构参数b、势阱参数a、噪声强度D多次迭代不再发生变化，双稳态随机共振***能够产生共振现象；
7)对经过双稳态随机共振***输出的时域信号进行傅里叶变换，结合信号频率压缩率Rbest值进行重构获得被检测输入信号的微弱信号的特征频谱，其中特征频率即为所需要的微弱信号特征频率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711270003.7A CN108108672B (zh) | 2017-12-05 | 2017-12-05 | 一种基于线性搜索策略的随机共振电流弱信息识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711270003.7A CN108108672B (zh) | 2017-12-05 | 2017-12-05 | 一种基于线性搜索策略的随机共振电流弱信息识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108108672A true CN108108672A (zh) | 2018-06-01 |
| CN108108672B CN108108672B (zh) | 2021-05-28 |
Family
ID=62208957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711270003.7A Active CN108108672B (zh) | 2017-12-05 | 2017-12-05 | 一种基于线性搜索策略的随机共振电流弱信息识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108108672B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110376545A (zh) * | 2019-08-21 | 2019-10-25 | 西北工业大学 | 一种单参数调优随机共振增强的单矢量水听器定向方法 |
| CN110610714A (zh) * | 2019-09-20 | 2019-12-24 | 科大讯飞股份有限公司 | 一种音频信号增强处理的方法和相关装置 |
| CN111898476A (zh) * | 2020-07-12 | 2020-11-06 | 西北工业大学 | 一种耦合随机共振的自适应线谱增强方法 |
| CN112504689A (zh) * | 2020-12-21 | 2021-03-16 | 潍柴动力股份有限公司 | 发动机爆震检测方法、装置、设备及存储介质 |
| CN113392813A (zh) * | 2021-07-30 | 2021-09-14 | 湖北工业大学 | 精确识别振动信号主频的方法及*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6020782A (en) * | 1994-05-25 | 2000-02-01 | The United States Of America As Represented By The Secretary Of The Navy | Noise assisted signal processor with nonlinearly coupled arrays of nonlinear dynamic elements |
| JP2011052991A (ja) * | 2009-08-31 | 2011-03-17 | Panasonic Corp | Ｓ／ｎ特性改善器 |
| CN102175915A (zh) * | 2010-12-17 | 2011-09-07 | 西安交通大学 | 一种免疫随机共振的机床传动***电流特征频率提取方法 |
| CN103335844A (zh) * | 2013-06-24 | 2013-10-02 | 中国计量学院 | 一种自适应随机共振轴承故障检测方法 |
| CN105571659A (zh) * | 2016-01-21 | 2016-05-11 | 中国计量学院 | 一种基于标准差的涡街频率随机共振控制检测方法 |
| CN105825197A (zh) * | 2016-03-29 | 2016-08-03 | 西安交通大学 | 一种线性化势阱壁的路径扩展随机共振微弱特征提取方法 |
| CN106840281A (zh) * | 2016-12-27 | 2017-06-13 | 中国计量大学 | 一种基于类方波前馈控制随机共振的涡街频率检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104298878A (zh) * | 2014-10-14 | 2015-01-21 | 天津工业大学 | 一种获取随机共振***最优参数的自适应搜寻方法 |
| CN105447243B (zh) * | 2015-11-17 | 2018-07-20 | 中国计量学院 | 基于自适应分数阶随机共振***的微弱信号检测方法 |
-
2017
- 2017-12-05 CN CN201711270003.7A patent/CN108108672B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6020782A (en) * | 1994-05-25 | 2000-02-01 | The United States Of America As Represented By The Secretary Of The Navy | Noise assisted signal processor with nonlinearly coupled arrays of nonlinear dynamic elements |
| JP2011052991A (ja) * | 2009-08-31 | 2011-03-17 | Panasonic Corp | Ｓ／ｎ特性改善器 |
| CN102175915A (zh) * | 2010-12-17 | 2011-09-07 | 西安交通大学 | 一种免疫随机共振的机床传动***电流特征频率提取方法 |
| CN103335844A (zh) * | 2013-06-24 | 2013-10-02 | 中国计量学院 | 一种自适应随机共振轴承故障检测方法 |
| CN105571659A (zh) * | 2016-01-21 | 2016-05-11 | 中国计量学院 | 一种基于标准差的涡街频率随机共振控制检测方法 |
| CN105825197A (zh) * | 2016-03-29 | 2016-08-03 | 西安交通大学 | 一种线性化势阱壁的路径扩展随机共振微弱特征提取方法 |
| CN106840281A (zh) * | 2016-12-27 | 2017-06-13 | 中国计量大学 | 一种基于类方波前馈控制随机共振的涡街频率检测方法 |
Non-Patent Citations (7)
| Title |
|---|
| LING TONG等: ""A PSO Optimization Scale-Transformation Stochastic-Resonance Algorithm With Stability Mutation Operator"", 《IEEE ACCESS》 * |
| XU YI等: ""Detection of amplitude-varied weak signal by genetic adaptive stochastic resonance algorithm"", 《2007 8TH INTERNATIONAL CONFERENCE ON ELECTRONIC MEASUREMENT AND INSTRUMENTS》 * |
| 文川: ""基于随机共振的LFM信号检测与参数估计"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 李相臣: ""基于自适应随机共振的微弱信号检测***研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 杨祥龙等: ""工程信号测量中的自适应随机共振应用"", 《电路与***学报》 * |
| 江波: ""自适应随机共振***及小信号检测方法的研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 蒋芳芳: ""体震信息监测***中的微弱信号检测与分析方法研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110376545A (zh) * | 2019-08-21 | 2019-10-25 | 西北工业大学 | 一种单参数调优随机共振增强的单矢量水听器定向方法 |
| CN110610714A (zh) * | 2019-09-20 | 2019-12-24 | 科大讯飞股份有限公司 | 一种音频信号增强处理的方法和相关装置 |
| CN110610714B (zh) * | 2019-09-20 | 2022-02-25 | 科大讯飞股份有限公司 | 一种音频信号增强处理的方法和相关装置 |
| CN111898476A (zh) * | 2020-07-12 | 2020-11-06 | 西北工业大学 | 一种耦合随机共振的自适应线谱增强方法 |
| CN111898476B (zh) * | 2020-07-12 | 2022-04-26 | 西北工业大学 | 一种耦合随机共振的自适应线谱增强方法 |
| CN112504689A (zh) * | 2020-12-21 | 2021-03-16 | 潍柴动力股份有限公司 | 发动机爆震检测方法、装置、设备及存储介质 |
| CN112504689B (zh) * | 2020-12-21 | 2023-03-21 | 潍柴动力股份有限公司 | 发动机爆震检测方法、装置、设备及存储介质 |
| CN113392813A (zh) * | 2021-07-30 | 2021-09-14 | 湖北工业大学 | 精确识别振动信号主频的方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108108672B (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108108672A (zh) | 一种基于线性搜索策略的随机共振电流弱信息识别方法 | |
| Cui et al. | Double-dictionary matching pursuit for fault extent evaluation of rolling bearing based on the Lempel-Ziv complexity | |
| Abdelsalam et al. | Characterization of power quality disturbances using hybrid technique of linear Kalman filter and fuzzy-expert system | |
| CN103326358B (zh) | 基于同步相角测量装置的电力***动态状态估计方法 | |
| CN101900789B (zh) | 基于小波变换与分形维数的容差模拟电路故障诊断方法 | |
| CN106845010A (zh) | 基于改进SVD降噪和Prony的低频振荡主导模式辨识方法 | |
| CN101672873B (zh) | 一种基于Tsallis小波奇异熵与FFT运算结合的电力***暂态谐波信号的检测方法 | |
| CN103335844A (zh) | 一种自适应随机共振轴承故障检测方法 | |
| CN103698371B (zh) | 一种基于自适应随机共振的低浓度气体检测方法 | |
| CN109101936A (zh) | 一种基于自适应的med滚动轴承早期故障诊断方法 | |
| CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
| CN103217248A (zh) | 一种桥梁钢索拉力的检测方法 | |
| CN117233687B (zh) | 一种基于历史数据的cvt初始误差评估方法、介质及终端 | |
| CN106706320A (zh) | 一种基于前馈控制随机共振的轴承早期故障诊断方法 | |
| CN105160405B (zh) | 基于遗传算法优化的微弱暂态零序电流故障特征提取方法 | |
| CN105260777B (zh) | 一种多参数优化的弱暂态零序电流故障特征提取方法 | |
| CN111855098A (zh) | 基于振动信号的气阀泄漏状态评估方法及*** | |
| CN103207931A (zh) | 基于mm和arma算法的次同步振荡模态辨识方法 | |
| CN103383413A (zh) | 基于权值直接确定法的实时谐波检测方法 | |
| CN104122456A (zh) | 变步长单稳随机共振微弱信号检测方法 | |
| CN103928923B (zh) | 一种基于灵敏度分析的网络稳态电能质量预警方法 | |
| Xiaomeng et al. | A sensor fault diagnosis method research based on wavelet transform and hilbert-huang transform | |
| CN103560509B (zh) | 一种基于小波分析的电压下陷检测装置及该装置的控制方法 | |
| CN117470529A (zh) | 一种过程控制***阀门静摩擦故障检测方法及*** | |
| CN107270954B (zh) | 一种振弦式传感器性能分析装置及方法 |
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 |