CN116304584B - 一种基于包络谱峰值筛选的自适应噪声滤波方法 - Google Patents
一种基于包络谱峰值筛选的自适应噪声滤波方法 Download PDFInfo
- Publication number
- CN116304584B CN116304584B CN202310552197.9A CN202310552197A CN116304584B CN 116304584 B CN116304584 B CN 116304584B CN 202310552197 A CN202310552197 A CN 202310552197A CN 116304584 B CN116304584 B CN 116304584B
- Authority
- CN
- China
- Prior art keywords
- signal
- window
- peak
- data
- median
- 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.)
- Active
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001914 filtration Methods 0.000 title claims abstract description 28
- 238000012216 screening Methods 0.000 title claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000005236 sound signal Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 description 9
- 238000005096 rolling process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Discrete Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于信号处理技术领域,具体涉及一种基于包络谱峰值筛选的自适应噪声滤波方法,包括:将获得的信号进行包络分析得到全频段包络谱,筛选出包络谱中的峰值点,针对得到峰值点数组,采取一定的步长和窗长进行滑动计算,并计算每一个窗口以及重叠区域的峰值点中值,剔除中值以下的峰值点,最终获取滤波后的信号数据。该方法对具有低频噪声的信号具有良好的滤波效果,滤波后的信号数据可以准确分辨出各种特征频率及对应谐波或者边带;且较好地解决了实际信号的噪声可能在低频段有效值较高,高频段有效值较低,采取统一的信噪比或噪声阈值容易出现剔除有效数据或者噪声过滤不足的问题。
Description
技术领域
本发明属于信号处理技术领域,具体涉及一种基于包络谱峰值筛选的自适应噪声滤波方法。
背景技术
基于振动信号分析的滚动轴承故障诊断方法因程序设计简单、信号采样方便、效果好等特点,在实际生产中受到广泛关注。因机械设备信号的传递性,当滚动轴承发生故障时,轴系、设备台等会产生大量调制信号,使得滚动轴承振动信号包含大量的冗余噪声,掩盖了信号中的有效周期成分,对轴承的特征信号产生干扰,致使轴承故障特征提取困难如何。实现对滚动轴承轴承不同运行状态下的噪声滤波以及有效特征信息提取是滚动轴承故障诊断方法的核心步骤。
近年来,有关噪声滤波或者故障特征信号提取的研究很多,比如杨彦利等人提出一种故障信号的包络解调方法及包络解调***,对振动信号进行包络计算,并用信号的上包络减去下包络,得到包络差值,并用原信号幅值谱减去包络差值的幅值谱,最终画出最终的峰值结果(杨彦利,一种故障信号的包络解调方法及包络解调***,专利号:CN110569812A)。从飞云提出一种基于于高通滤波的振动信号特征提取方法,通过高通滤波的方法,消除外界风力以及波浪的低频信号对齿轮箱振动信号的扰动(从飞云,一种基于于高通滤波的振动信号特征提取方法,专利号:CN114707554 A)。唐露新提出一种利用自适应滤波算法消除泥浆脉冲信号中的泵冲噪声的方法,主要采用自适应陷波器、自适应噪声抵消器和FIR低通滤波器三个滤波进行滤波处理(唐露新,利用自适应滤波算法消除泥浆脉冲信号中的泵冲噪声的方法,CN106301289 A)。
现有的方法或研究均存在以下一个或多个缺陷与不足:
基于傅里叶变换的去噪方法适用于平稳信号,不能有效区分信号的高频部分和噪声的高频部分,对频率随时间变化的非平稳信号处理效果不好。
直接采取包络分析往往会受到低频噪声的影响,在分析前需要进行带通滤波以消除噪声干扰,而带通滤波器的参数常常难以选择,因为事先并不知道共振频带的范围。
FIR滤波器***稳定且具有严格的线性相位,实时性好,但在处理噪声信号时可能丢失部分有用信号 。
实际信号的噪声可能在低频段有效值较高,高频段有效值较低,采取统一的信噪比或噪声阈值容易出现剔除有效数据或者噪声过滤不足的问题。
分析噪声底谱时,需要准确判断有效目标频率是否属于边带辅助频率,或者本底噪声强度是否达到预设的声强阈值,阈值的设定直接影响特征频率的提取准确度。
发明内容
本发明的目的就在于提供一种基于包络谱峰值筛选的自适应噪声滤波方法,以解决现有技术中关于噪声滤波或者故障特征信号提取时存在的缺陷或不足。
本发明通过以下技术方案来实现上述目的:
一种基于包络谱峰值筛选的自适应噪声滤波方法,包括如下步骤:
S1:实时采集含有噪声信号的信号数据,基于希尔伯特变换和傅里叶变换对所述信号数据进行包络计算,以得到对应所述信号数据的全频段包络谱;
S2:对所述包络谱进行差分计算得到差分数组,基于预设的约束条件对所述差分数组进行筛选得到峰值点数组;
S3:采用滑窗法和预设的中值计算规则对所述峰值点数组的全频段峰值点进行中值计算,将中值作为峰值点的阈值,剔除所述阈值以下的峰值点,则得到滤波后的信号频谱数据。
作为本发明的进一步优化方案,所述信号数据为实时采集的振动信号数据或声音信号数据或图像信号数据。
作为本发明的进一步优化方案,所述步骤S1具体为:
S1.1:对采集到的信号x(t)进行余弦表达得到实部x m (t):
;
S1.2:对余弦表达的信号x m (t)进行希尔伯特变换得到虚部:
;
S1.3:对所述实部x m (t)和所述虚部进行叠加得到解析信号Z m (t):
;
S1.4:对所述解析信号Z m (t)取绝对值得到包络信号:
;
S1.5:对所述包络信号进行快速傅里叶变换,得到对应的复频谱:
;
其中,A m 为调制信号的幅值,a m 为调制系数,f m 为调制频率,f z 为载波频率,t为时间,FFT表示快速傅里叶变换的计算函数。
作为本发明的进一步优化方案,所述步骤S2具体为:
S2.1:对所述复频谱进行差分计算,得到用于反应频谱能量变化的差分数组;
S2.2:将所述差分数组中的任一点记为/>,基于如下约束条件对所述进行筛选,得出满足所述预设约束条件的所有的点/>的集合即为峰值数组;
其中,约束条件为:
。
作为本发明的进一步优化方案,所述步骤S3具体为:
S3.1:设定滑动的步长为s,设定分析计算的窗口长度w,设定滑动的过程中存在重叠部分,具体为每个窗口的区间内,有1/3的部分与前一个区间重叠,1/3的部分与后一个区间重叠,则令:
;
S3.2:依据预设的中值计算规则对所述峰值数组进行计算得到窗长w中每个窗长内峰值点的中值m 2i ;
其中,所述中值计算规则具体为:求出每个所述窗口长度w的区间内峰值点的中位数m 1 ,并剔除掉所述峰值点内数据高于1.5*m 1 的点,剔除后得到剩余峰值点集合,再求出所述剩余峰值点集合的中位数m 2 ;
S3.3:在所述窗口长度w的每个窗口内,求出与前一个窗口重叠的1/3的区间中值并作为前窗阈值(m 2i +m 2i-1)/2;求出与后一个窗口重合的1/3的区间中值作为后窗阈值(m 2i + m 2i+1)/2;
S3.4:剔除所述前窗阈值(m 2i +m 2i-1)/2和所述后窗阈值(m 2i +m 2i+1)/2以下的峰值点数据,保留前窗阈值(m 2i +m 2i-1)/2和后窗阈值(m 2i +m 2i+1)以上的峰值点数据,将保留的峰值点数据输出得到滤波后的信号频谱数据。
本发明的有益效果在于:
发明提出了一种基于包络谱峰值筛选的自适应噪声滤波方法,对具有低频噪声的信号具有良好的滤波效果,滤波后的信号数据可以准确分辨出各种特征频率及对应谐波或者边带。
本发明较好地解决了实际信号的噪声可能在低频段有效值较高,高频段有效值较低,采取统一的信噪比或噪声阈值容易出现剔除有效数据或者噪声过滤不足的问题。
本发明提出了对振动信号先包络谱分析,再对包络谱求峰值的方法,能够有效剔除高频噪声,避免高频信号对特征频率提取的干扰。
本发明采取采取滑窗法计算不同频率段的底噪阈值,并且相邻窗口存在重叠部分,重叠部分的阈值单独计算,能够保证不同频率下的峰值数据都能准确计算出对应的噪声阈值。
本发明提出先剔除峰值数据中数值较大的数据,再计算剩下峰值数据的中值作为阈值,保证阈值之下的数据是没有意义的底噪数据。
本发明所提出的方法,不需要信号的先验知识,完全依据数据本身的数据特性进行滤波计算,能够对未知参数的数据进行有效的滤波。
附图说明
图1是本发明的方法流程示意图;
图2是本发明中轴承振动信号时域波形图;
图3是本发明中轴承振动信号包络谱图;
图4是本发明中轴承振动信号峰值点图;
图5是本发明中轴承振动信号筛选后的峰值点图。
具体实施方式
下面结合附图对本申请作进一步详细描述,有必要在此指出的是,以下具体实施方式只用于对本申请进行进一步的说明,不能理解为对本申请保护范围的限制,该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。
实施例1
如图1所示,本发明提供了一种基于包络谱峰值筛选的自适应噪声滤波方法,包括如下步骤:
S1:实时采集含有噪声信号的信号数据,基于希尔伯特变换和傅里叶变换对信号数据进行包络计算,以得到对应信号数据的全频段包络谱;
其中,信号数据为实时采集的振动信号数据或声音信号数据或图像信号数据;噪声信号可以是高频、低频混合噪声。
步骤S1具体为:
S1.1:对采集到的信号x(t)进行余弦表达得到实部x m (t):
;
S1.2:对余弦表达的信号x m (t)进行希尔伯特变换得到虚部:
;
S1.3:对实部x m (t)和虚部进行叠加得到解析信号Z m (t):
;
S2.4:对解析信号Z m (t)取绝对值得到包络信号:
;
S1.5:对包络信号进行快速傅里叶变换,得到对应的复频谱:
;
其中,A m 为调制信号的幅值,a m 为调制系数,f m 为调制频率,f z 为载波频率,t为时间,FFT表示快速傅里叶变换的计算函数。
S2:对包络谱进行差分计算得到差分数组,基于预设的约束条件对差分数组进行筛选得到的峰值点数组;能够有效剔除高频噪声,避免高频信号对特征频率提取的干扰。
步骤S2具体为:
S2.1:对复频谱进行差分计算,得到用于反应频谱能量变化的差分数组;
S2.2:将差分数组中的任一点记为/>,基于如下约束条件对/>进行筛选,得出满足预设约束条件的所有的点/>的集合即为峰值数组/>;
其中,约束条件为:
。
S3:采用滑窗法和预设的中值计算规则对峰值点数组的全频段峰值点进行中值计算,将中值作为峰值点的阈值,剔除阈值以下的峰值点,则得到滤波后的信号频谱数据。
具体的,步骤S3具体为:
S3.1:设定滑动的步长为s,设定分析计算的窗口长度w,设定滑动的过程中存在重叠部分,具体为每个窗口的区间内,有1/3的部分与前一个区间重叠,1/3的部分与后一个区间重叠,则令:
;
这样可以保证,每个窗口的区间内,有1/3的部分与前一个区间重叠,1/3的部分与后一个区间重叠。
S3.2:依据预设的中值计算规则对峰值数组进行计算得到窗长w中每个窗长内峰值点的中值m 2i ;
其中,中值计算规则具体为:求出每个窗口长度w的区间内峰值点的中位数m 1 ,并剔除掉峰值点内数据高于1.5*m 1 的点,剔除后得到剩余峰值点集合,再求出剩余峰值点集合的中位数m 2 ;
其中在中值计算规则下,剔除掉峰值点内数据高于1.5*m 1 的点可以剔除峰值数据中数值较大的数据,再计算峰值数据的中值作为阈值,保证阈值之下的数据是没有意义的底噪数据。
S3.3:在窗口长度w的每个窗口内,求出与前一个窗口重叠的1/3的区间中值并作为前窗阈值(m 2i +m 2i-1)/2;求出与后一个窗口重合的1/3的区间中值作为后窗阈值(m 2i + m 2i+1)/2;
S3.4:剔除前窗阈值(m 2i +m 2i-1)/2和后窗阈值(m 2i +m 2i+1)/2以下的峰值点数据,保留前窗阈值(m 2i +m 2i-1)/2和后窗阈值(m 2i +m 2i+1)以上的峰值点数据,将保留的峰值点数据输出得到滤波后的信号频谱数据,根据筛选后的峰值点,输出滤波后的信号频谱数据,可以清晰地分辨出各种特征频率及对应谐波或者边带。
步骤S3中采取滑窗法计算不同频率段的底噪阈值,并且相邻窗口存在重叠部分,重叠部分的阈值单独计算,能够保证不同频率下的峰值数据都能准确计算出对应的噪声阈值。
需要说明的是,上述步骤中所提及的算法可以是以信号处理的方式在上位机软件中实现,也可以以其他方式来实现运算过程,比如数字芯片、硬件电路等。
本发明将获得的信号进行包络分析得到全频段包络谱,筛选出包络谱中的峰值,针对峰值点的集合,采取一定的步长和窗长进行滑动计算,并计算每一个窗口以及重叠区域的峰值点中值,剔除中值以下的峰值点,最终获取滤波后的信号数据。该方法对具有低频噪声的信号具有良好的滤波效果,滤波后的信号数据可以准确分辨出各种特征频率及谐波。
下面结合实际的处理例程对本方法的具体实施方式和算法进程进行详细阐述。
本实施例中采集的信号为轴承的振动信号。
通过设置传感器采集现场实际轴承的振动数据,并输入至服务器,振动数据x m (t)的时域波形图如图2所示;
从图2中可以看出该轴承振动信号具有明显的冲击,但是在时域图中无法分辨出具体的故障特征频率,所以无法对轴承问题进行诊断,通过对时域信号进行包络谱分析,得出包络谱分析结果,具体结合图3;
对得到的包络谱进行峰值提取,得到1000 Hz以下的峰值点,如图4所示;
从峰值谱上可以看出,该振动信号具有较多的低频噪声,特别在低频段,由于噪声的干扰,故障频率以及谐波或边带不能准确分辨出来,所以根据步骤3设定的步长和窗长对峰值进行剔除;
结合图5可以看出来,经过筛选剔除后的峰值点,已经避免了绝大部分噪声干扰,筛选后的频谱绝大部分是具有分析意义的特征频率或其对应的谐波和边带。
从以上案例的处理结果中可以看出,本方法对具有低频噪声的信号具有良好的滤波效果,滤波后的信号数据可以准确分辨出各种特征频率及对应谐波或者边带。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (2)
1.一种基于包络谱峰值筛选的自适应噪声滤波方法,其特征在于:包括如下步骤:
S1:实时采集含有噪声信号的信号数据,基于希尔伯特变换和傅里叶变换对所述信号数据进行包络计算,以得到对应所述信号数据的全频段包络谱;
S2:对所述包络谱进行差分计算得到差分数组,基于预设的约束条件对所述差分数组进行筛选得到峰值点数组;
S3:采用滑窗法和预设的中值计算规则对所述峰值点数组的全频段峰值点进行中值计算,再将所述中值作为峰值点的阈值,剔除所述阈值以下的峰值点,则得到滤波后的信号频谱数据;
所述步骤S1具体为:
S1.1:对采集到的信号进行余弦表达得到实部/>:
S1.2:对余弦表达的实部进行希尔伯特变换得到虚部/>:
S1.3:对所述实部和所述虚部/>进行叠加得到解析信号/>:
S1.4:对所述解析信号取绝对值得到包络信号:
S1.5:对所述包络信号进行快速傅里叶变换,得到对应的复频谱:
其中,为调制信号的幅值,/>为调制系数,/>为调制频率,/>为载波频率,/>为时间,表示快速傅里叶变换的计算函数;
所述步骤S2具体为:
S2.1:对所述复频谱进行差分计算,得到用于反应频谱能量变化的差分数组;
S2.2:将所述差分数组中的任一点记为/>,基于如下约束条件对所述进行筛选,得出满足所述约束条件的所有的点/>的集合即为峰值数组/>;
其中,约束条件为: ;
所述步骤S3具体为:
S3.1:设定滑动的步长为,设定分析计算的窗口长度/>,设定滑动的过程中存在重叠部分,具体为每个窗口的区间内,有1/3的部分与前一个区间重叠,1/3的部分与后一个区间重叠,则令:
;
S3.2:依据预设的中值计算规则对所述峰值数组进行计算得到窗口长度/>中每个窗口长度内峰值点的中值/>;
其中,所述中值计算规则具体为:求出每个所述窗口长度的区间内峰值点的中位数并剔除掉所述峰值点内数据高于/>的点,剔除后得到剩余峰值点集合,再求出所述剩余峰值点集合的中位数/>;
S3.3:在所述窗口长度的每个窗口内,求出与前一个窗口重叠的1/3的区间中值并作为前窗阈值/>;求出与后一个窗口重合的1/3的区间中值作为后窗阈值;
S3.4:剔除所述前窗阈值和所述后窗阈值/>以下的峰值点数据,保留前窗阈值/>和后窗阈值/>以上的峰值点数据,将保留的峰值点数据输出得到滤波后的信号频谱数据。
2.根据权利要求1所述的一种基于包络谱峰值筛选的自适应噪声滤波方法,其特征在于:所述信号数据为实时采集的振动信号数据或声音信号数据或图像信号数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310552197.9A CN116304584B (zh) | 2023-05-17 | 2023-05-17 | 一种基于包络谱峰值筛选的自适应噪声滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310552197.9A CN116304584B (zh) | 2023-05-17 | 2023-05-17 | 一种基于包络谱峰值筛选的自适应噪声滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116304584A CN116304584A (zh) | 2023-06-23 |
CN116304584B true CN116304584B (zh) | 2023-08-04 |
Family
ID=86798066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310552197.9A Active CN116304584B (zh) | 2023-05-17 | 2023-05-17 | 一种基于包络谱峰值筛选的自适应噪声滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116304584B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10572978B2 (en) * | 2016-12-05 | 2020-02-25 | Kennesaw State University Research And Service Foundation, Inc. | Moran's / for impulse noise detection and removal in color images |
CN110160765B (zh) * | 2019-06-04 | 2021-01-15 | 安徽智寰科技有限公司 | 一种基于声音或振动信号的冲击特征识别方法及*** |
CN110160767B (zh) * | 2019-06-14 | 2021-03-02 | 安徽智寰科技有限公司 | 基于包络分析的冲击周期自动识别与提取方法及*** |
CN110186682B (zh) * | 2019-07-08 | 2021-03-23 | 石家庄铁道大学 | 基于分数阶变分模态分解的滚动轴承故障诊断方法 |
CN112233051B (zh) * | 2020-09-09 | 2024-05-10 | 浙江大华技术股份有限公司 | 一种中值滤波方法、中值滤波装置和计算机可读存储介质 |
KR102470132B1 (ko) * | 2020-09-28 | 2022-11-25 | 한국전자통신연구원 | 적응적 메디안 필터를 이용한 심전도 신호의 r 피크 검출 장치 및 방법 |
-
2023
- 2023-05-17 CN CN202310552197.9A patent/CN116304584B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116304584A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109883706B (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
CN103699513B (zh) | 一种基于多尺度噪声调节的随机共振方法 | |
CN109932624B (zh) | 一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法 | |
CN106199532B (zh) | 基于混合傅立叶-小波分析的探地雷达信号降噪方法 | |
CN111769810B (zh) | 一种基于能量峭度谱的流体机械调制频率提取方法 | |
WO2024125321A1 (zh) | 一种基于分割熵的油液磨粒特征信号提取方法 | |
CN110909827A (zh) | 一种适用于风机叶片声音信号的降噪方法 | |
CN116304570B (zh) | 一种基于EEMD联合Chebyshev滤波的水轮机故障信号去噪方法 | |
CN115165274A (zh) | 工程机械设备振动状态自适应智能监测装置及方法 | |
CN114330445A (zh) | 一种基于变压器振动信号敏感imf的小波阈值去噪方法 | |
CN116304584B (zh) | 一种基于包络谱峰值筛选的自适应噪声滤波方法 | |
CN110459197B (zh) | 用于微弱盲信号去噪与提取的信号增强器及方法 | |
CN109782363B (zh) | 一种基于时域建模与频域对称的磁共振信号消噪方法 | |
CN115859054B (zh) | 基于mic-ceemdan的水电机组尾水管压力脉动信号去噪方法 | |
Yu et al. | Research on the seismic signal denoising with the LMD and EMD method | |
CN115655719A (zh) | 一种轴承振动信号分阶段降噪方法及轴承故障识别方法 | |
CN115266094A (zh) | 基于tvd和med的滚动轴承故障诊断方法 | |
CN113567129A (zh) | 一种列车轴承振动信号基于ceemd的降噪方法 | |
Chen et al. | Kalman filter based electromyographic signal suppression of real-time ECG signal | |
CN112554875A (zh) | 随钻泥浆正脉冲信号的处理方法 | |
CN114428333A (zh) | 一种基于面波重建的散射面波压制方法及*** | |
CN117928951B (zh) | 基于改进经验小波变换和包络谱能量比的故障诊断方法 | |
CN114593815B (zh) | 一种基于自噪声数据的线谱提取技术 | |
CN112932410B (zh) | 基于切比雪夫多项式拟合的生理包络信号幅值计算方法 | |
CN114166507B (zh) | 一种基于快速谱峭度的谐波识别方法 |
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 |