CN100472507C - 强背景噪声下周期信号周期的一种估计方法 - Google Patents
强背景噪声下周期信号周期的一种估计方法 Download PDFInfo
- Publication number
- CN100472507C CN100472507C CNB2004100655796A CN200410065579A CN100472507C CN 100472507 C CN100472507 C CN 100472507C CN B2004100655796 A CNB2004100655796 A CN B2004100655796A CN 200410065579 A CN200410065579 A CN 200410065579A CN 100472507 C CN100472507 C CN 100472507C
- Authority
- CN
- China
- Prior art keywords
- cycle
- signal
- search
- period
- sequence
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000000737 periodic effect Effects 0.000 title claims description 51
- 238000001228 spectrum Methods 0.000 claims abstract description 39
- 238000012935 Averaging Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims description 34
- 206010038743 Restlessness Diseases 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 238000005311 autocorrelation function Methods 0.000 description 14
- 230000001133 acceleration Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明强背景噪声下周期信号周期的一种估计方法,是一种利用周期信号自身序列对其周期进行搜索的方法,步骤为:(1)定义一种序列测度函数作为搜索目标函数;(2)给出初始周期搜索区间和初始搜索方式;(3)不断变换假定的信号周期进行搜索——每给一个假定周期,按此周期对原信号序列进行时域平均处理,并对平均的输出序列计算测度函数值;(4)做时域平均谱——对应各搜索周期点的测度值曲线;(5)根据平均谱上极值精确估计周期信号的周期,若成功则结束,否则调整搜索区间或搜索方式转步骤(3)继续。该发明解决了常见方法周期检测能力弱的问题,对实际中的低信噪比周期信号,如动设备表面测取的振动加速度信号等的分析有用。
Description
技术领域
本发明是基于计算机程序估计强背景噪声下周期信号的周期。
实际中有许许多多的动设备,如发电机、电动机、压缩机、齿轮变速箱等,它们的运动一般具有周期运动的特点。为了对这些动设备的运行状态进行评估和诊断,一种简单方便的途径是从这些动设备的机壳表面测取振动加速度信号进行分析。由于机壳表面的加速度测点往往远离机器内部的振源(运动源),振动传递过程中不可避免地要带入各种噪声,因此,实测的表面振动加速度信号通常是带有很强背景噪声的周期信号;另外,有些动设备如多级齿轮变速箱等,其内部有多个振源,实测的表面加速度信号更复杂——含有多个周期分量,但实际分析时往往某一时刻只对一个振源感兴趣,因此,实测信号可以认为是一个含有若干干扰分量和噪声的周期信号。这里,将以上两种情况的周期信号通称为强背景噪声下的周期信号。实际中还存在其他强背景噪声下的周期信号实例。
强背景噪声下周期信号经过采样进入计算机后,对它的分析一般先要进行必要的降噪,如时域平均处理、奇异值分解降噪等,以提取感兴趣的周期分量、抑制干扰分量和噪声,但这些降噪处理的前提是:先要给出周期信号的精确周期,即先要精确估计周期。周期信号的周期对旋转设备而言在一定程度上还有“转速”的物理含义。
周期信号周期估计的一种途径是利用另外一路载有周期信息的时标信号来估计,而本发明则是用强背景噪声下周期信号自身序列来确定周期——不用另外一路时标信号。
背景技术
一个周期信号的采样序列不一定是周期序列,再考虑噪声的影响,工程上一般不会出现严格的数学意义上的周期序列,因此,不可能指望从一个采样序列的时域波形上观察出原周期信号的精确周期。现有的利用背景噪声下周期信号自身序列来估计周期的方法有:幅值频谱或功率谱法,自相关函数法,奇异值分解搜索法等。
幅值频谱或功率谱法。一个理想周期信号的离散序列,经离散傅立叶变换(DFT)可变换到频域进行表示。该周期信号基波及各次谐波分量在其幅值频谱或功率谱上会表现出相应的谱峰。基于各种内插技术可精确确定幅值频谱或功率谱上的基波频率,即精确确定周期信号的周期。但是,周期信号中背景噪声(包括一般噪声和干扰分量)的存在,会影响DFT结果各数值的大小,进而会使感兴趣周期分量的周期估计出现误差。(参考文献:丁康、张晓飞,频谱校正理论的发展,振动工程学报,13(1),2000,14-22)。
自相关函数法。一个理想周期信号的自相关函数是一个同周期的周期信号,而白噪声的自相关函数是一个冲击函数,自相关函数法正是利用这一点来提高对背景噪声下周期信号周期的检测能力。但实际中,噪声在不同时刻的相关系数未必是0,即一般不是白噪声过程;若背景噪声中还包含其他干扰分量,则背景噪声更是一个自相关较强的过程;背景噪声和周期过程间也可能表现出某种互相关性。因此,从自相关函数的定义可知,背景噪声对自相关函数法的周期估计会产生影响。另外,由于进行的是离散自相关函数法分析,周期估计值只能以采样间隔为单位,精度受限制。
奇异值分解搜索法。该方法可描述为:在一周期搜索区间内,按照一定的搜索策略和方法,不断变换假定的信号周期;每给一个假定信号周期,将信号序列按此周期长度依次截取若干段构造矩阵,做矩阵奇异值分解,并计算出一个占比——最大奇异值与所有奇异值之和的比;最后,将“占比”最大的假定周期估计为周期信号的周期。周期信号中背景噪声的存在,也会影响矩阵奇异值分解的结果,进而会影响奇异值分解搜索的精度。(参考文献:李建,刘红星等,探测信号中周期性冲击分量的奇异值分解技术,振动工程学报,2002,v15(4),415-418)。
以上三种方法中,不管是最常见的幅值频谱或功率谱、自相关函数法,还是奇异值分解搜索方法,它们估计周期信号周期的精度都会受背景噪声的影响,自相关函数法的周期估计精度还要受到信号采样间隔的限制。随着背景噪声的越来越强,即信噪比的越来越低,这三种方法的周期估计精度也会越来越低;特别是,当背景噪声强到一定程度,三种方法都会失效。
发明内容
发明目的
针对现有三种周期估计方法周期估计能力不足——周期估计精度不高、背景噪声强时会失效等问题,提出一种更适用于强背景噪声下周期信号的精度更高的周期估计方法。
技术方案
本发明强背景噪声下周期信号周期的估计方法,是一种利用周期信号自身序列对其周期进行搜索的方法,步骤为:(1)定义一种序列测度函数作为搜索的目标函数;(2)给出初始周期搜索区间[Tmin,Tmax]和初始搜索方式;(3)不断变换假定的信号周期进行搜索——每给一个假定的信号周期T,按此周期对原信号序列进行时域平均处理,并对平均的输出序列计算测度函数值;(4)做时域平均谱——对应各搜索周期点的测度函数值的连接曲线;(5)根据平均谱上的极值精确估计周期信号的周期,若成功则过程结束,否则调整搜索区间或搜索方式,转步骤(3)继续。
以上步骤(1)中,一个信号序列的测度函数,可定义为该信号序列的各数值的均方根,也可定义为它的能量形式——均方和等;为了测度值数据的规一化起见,还可将序列测度函数定义为相对形式,如它的均方值与作为参考序列的原周期信号序列的均方值的比值。
以上步骤(2)中,初始周期搜索区间[Tmin,Tmax]可根据先验知识给出,若无先验知识,则搜索区间的下界Tmin可确定为1个采样间隔,上界Tmax可试确定为一较大的假定周期,如50个采样间隔,即从假定周期为1个采样间隔开始试搜索。
以上步骤(2)中,搜索方式可以采用枚举搜索方式,也可以采用其他的搜索方式,如进化计算等;当采用枚举搜索方式时,初始的枚举搜索间隔ΔT可取得稍大,以提高搜索速度,如取0.1个信号采样间隔;当采用进化等搜索方式时,不存在搜索间隔ΔT,但要确定进化代数等参数。枚举搜索方式指将搜索区间按一定的间隔离散化为若干个数值点,在这些数值点处逐一进行搜索,这里的离散间隔即枚举搜索间隔ΔT,决定了将要确定的周期的精度,也关系到能否成功搜索到信号周期分量及其周期。进化算法是模拟自然进化的随机搜索算法,搜索精度取决于进化代数的多少、每代种群规模的大小等参数。
以上步骤(3)中,每假定一个信号周期T要对原信号序列进行时域平均处理,可描述为:设含背景噪声的原周期信号为x(t),它以Δt为采样间隔的N点采样序列为x(n)n=0,1,Λ,N-1,对假定周期T,令平均点数K=floor(N/Tmax),floor为向下取整函数,令mi=round(i·T/Δt),round为就近取整函数,则时域平均后的输出序列定义为
这里,Tmax和T的单位均为采样间隔Δt。该时域平均相当于对原序列的一种滤波,其滤波器称为梳状滤波器(comb filter),它的样值响应函数为式(1)的左边输出序列可以看成x(n)与h(n)线性卷积后去掉两边过渡段的剩余序列。
以上步骤(4)中,做时域平均谱——对应各搜索周期点的测度函数值的连接曲线,横轴可为搜索周期、纵轴可为测度函数值。
以上步骤(5)中,如果当前搜索区间的时域平均谱上出现突出的惟一谱峰(极值),且确认其为感兴趣的周期分量,则可将对应的假定周期确定为周期信号周期;若时域平均谱上出现多个假定周期成倍数关系的突出谱峰,且为感兴趣分量,则可把其中最小的假定周期确定为周期信号的周期;若搜索区间内的时域平均谱上出现多个假定周期不成倍数关系的突出谱峰,说明原信号中有多个周期分量,将其中感兴趣周期分量的最小假定周期确定为周期信号的周期。
以上步骤(5)中,如果当前搜索区间的时域平均谱上没有突出的谱峰(极值),则说明暂时没有搜索到周期分量,也无所谓确定其周期,或者,有突出的谱峰但所估计的周期精度不够高,则可在同样的搜索区间调整搜索方式,如将枚举搜索间隔变得更小一点,如变为0.01个采样间隔,或者将进化代数增多一点等,转步骤(3)继续搜索;如果还搜索不到,调整搜索区间(一般为右移),并确定相应的搜索方式,转步骤(3)继续;
这里,将本方法的原理再做一简单描述。时域平均又叫相干检波,若假定一个信号周期T,按T对原信号序列x(n)进行时域平均处理,则,序列中周期为T的信号分量将被保持,而其他分量和噪声将被衰减——只要平均点数K足够多,其他分量和噪声将被衰减得任意小,而T周期分量基本不衰减;因此,如果原信号序列x(n)中T周期分量的能量是比较突出的,则在时域平均谱的假定周期T处就会出现一个谱峰。
方法的有益效果
本方法的核心环节是每给一个假定周期对原信号序列进行时域平均处理,不妨可称为时域平均搜索法。就搜索的步骤而言,本方法与奇异值分解搜索法是相似的,但本方法的核心环节是时域平均处理,而后者的核心环节是矩阵奇异值分解。
关于本方法中的核心步骤算法——时域平均处理算法是如何抑制非相干分量和噪声而保持感兴趣周期分量的,这一原理已在多篇文献中介绍,详见参考文献:Liu Hongxing,et al.,AnImproved Algorithm for Direct Time-Domain Averaging,Mechanical Systems and SignalProcessing,V14(2),279-285,Jun,2000;刘红星等,信号时域平均处理的新算法,振动工程学报,1999年9月,V12(3):344-347。
本方法的每一个假定周期下的测度值计算,都蕴涵了时域平均处理中衰减非相干分量和噪声的过程,这样的过程在幅值频谱或功率谱、自相关函数法、奇异值分解搜索等方法中是没有的,因此,本方法的时域平均谱有更强的周期分辨能力,更容易检测到信号中周期分量,也更容易精确地估计信号周期分量的周期。相信与其他三种方法相比,本方法受噪声的影响是最小的,是最适合强背景噪声下周期信号周期检测的。
与奇异值分解搜索方法一样,本方法支持假定周期取分数个信号采样间隔,也就是说周期估计精度可以达到分数个采样间隔,而自相关函数法的周期估计精度要受到信号采样间隔的限制——只能是整数个采样间隔。
附图说明
图1是本发明方法进行周期搜索的流程图。
图2是一强背景噪声下周期信号序列的时域波形
图3是该强背景噪声下周期信号序列的幅值频谱
图4是该强背景噪声下周期信号序列的自相关函数图
图5是该强背景噪声下周期信号序列的奇异值分解搜索谱
图6是该强背景噪声下周期信号序列的时域平均谱(本发明方法)
图7是按本方法估计的周期通过时域平均提取的周期分量
具体实施方式(实施例)
本方法的具体实施方式已在前面的方案中做了详细的介绍,下面通过一个仿真实例做进一步的说明。
已知一仿真的强背景噪声下周期信号的1024点采样序列x(n),其中采样频率为2000Hz,周期分量为一周期性脉冲、周期为1/128.5秒,噪声为一加性的均值为零方差为4的正态分布噪声。周期分量的一个周期经换算为15.564(即2000/128.5)个采样间隔。附图2是该强背景噪声下周期信号序列三个周期多一点的时域波形(1-50点)。现在的问题:基于本发明、利用该强背景噪声下周期信号序列自身来确定其周期分量的周期。
附图3是该强背景噪声下周期信号序列的幅值频谱(0—1000Hz)。附图4是该强背景噪声下周期信号序列的自相关函数图(延时从0个采样间隔到50个)。附图5是该强背景噪声下周期信号序列的奇异值分解搜索谱(搜索周期从1个采样间隔到50个)。在附图3、图4、图5中,箭头所指的位置对应周期分量的周期,我们希望这些位置出现突出的谱峰或极值,但显然没有出现,这说明这三种方法在强背景噪声下均失效。
用本方法估计该例周期分量周期的一个具体实现过程如下:
a)定义序列的大小测度函数为:序列的均方根与原周期信号采样序列的均方根的比值,即相对测度函数。这里的序列实指每一假定周期下时域平均的输出序列,即y(n)n=mK-1,Λ,N-1,原周期信号序列即x(n)n=0,1,Λ,N-1,这里N为1024,即测度定义为
b)选择初始搜索区间为[Tmin,Tmax]=[1,50]个采样间隔,采用枚举搜索方式,初始枚举搜索间隔为0.1个采样间隔。
c)搜索。令时域平均点数为K=floor(N/Tmax)=floor(1024/50)=20。逐个搜索每个假定周期下时域平均输出序列的相对测度值。
d)做时域平均谱。见附图6。发现谱上的15.6个采样间隔、31.1个采样间隔、46.7个采样间隔处均出现谱峰,这三个假定周期有倍数关系,说明它们来自于同一周期分量,确定它们的最小假定周期15.6个采样间隔为周期。
e)为了提高周期的估计精度,搜索区间不变,还取[1,50](根据这里的实际情况也可适当缩小),枚举搜索间隔调整为ΔT=0.005个采样间隔,转步骤3继续搜索,搜索结果为:原来的三个谱峰依次变为15.570、31.140、46.735个采样间隔。因此,确定周期信号的精确周期为15.570个采样间隔。(一奔腾4计算机上耗时约35秒)
f)程序结束。
另外用成熟的小生境(niche)进化算法对上面的问题也进行了求解。在同样的搜索区间[1,50]个采样间隔进行搜索,经过进化搜索,获得了同样的结果,计算时间约25秒,主要参数为:种群100,进化代数50,排斥距离1个采样间隔。相比而言,在同样的较大搜索区间和较高的搜索精度下,小生境(niche)遗传算法耗时较少,但枚举搜索算法程序很简单。
Claims (2)
1、一种利用强背景噪声下周期信号自身序列对其周期进行估计的方法,其特征在于,包括如下步骤:(1)定义一种序列测度函数作为搜索的目标函数;(2)给出初始周期搜索区间[Tmin,Tmax]和初始搜索方式;(3)不断变换假定的信号周期进行搜索——每给一个假定的信号周期T,按此周期对原信号序列进行时域平均处理,并对平均的输出序列计算测度函数值;(4)做时域平均谱——对应各搜索周期点的测度函数值的连接曲线;(5)根据平均谱上的极值精确估计周期信号的周期,若成功则过程结束,否则,调整搜索区间或搜索方式,转步骤(3)继续。
2、根据权利要求1中所述的周期估计方法,其特征在于,程序每假定一个信号周期T要对原信号序列进行如下的时域平均处理:设含背景噪声的原周期信号为x(t),它以Δt为采样间隔的N点采样序列为x(n)n=0,1,Λ,N-1,对假定周期T,令平均点数K=floor(N/Tmax),floor为向下取整函数,令mi=round(i·T/Δt),round为就近取整函数,则时域平均后的输出序列为
这里,Tmax和T的单位均为采样间隔Δt。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2004100655796A CN100472507C (zh) | 2004-11-24 | 2004-11-24 | 强背景噪声下周期信号周期的一种估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2004100655796A CN100472507C (zh) | 2004-11-24 | 2004-11-24 | 强背景噪声下周期信号周期的一种估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1609843A CN1609843A (zh) | 2005-04-27 |
CN100472507C true CN100472507C (zh) | 2009-03-25 |
Family
ID=34764727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2004100655796A Expired - Fee Related CN100472507C (zh) | 2004-11-24 | 2004-11-24 | 强背景噪声下周期信号周期的一种估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100472507C (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103175604B (zh) * | 2011-12-23 | 2014-10-15 | 中联重科股份有限公司 | 振动信号的周期辨识方法及周期辨识系统 |
CN106599531B (zh) * | 2016-10-28 | 2019-06-14 | 广东工业大学 | 一种单通道多周期信号混叠情形下信号周期估计方法 |
CN109981413B (zh) * | 2019-03-29 | 2022-08-02 | 携程旅游信息技术(上海)有限公司 | 网站监控指标报警的方法及系统 |
CN110414398B (zh) * | 2019-07-19 | 2021-06-25 | 湖南省计量检测研究院 | 一种振动控制器随机信号周期性的检测方法 |
CN111323794B (zh) * | 2020-03-21 | 2023-05-05 | 哈尔滨工程大学 | 一种基于周期重采样的周期调频干扰消除方法 |
CN112332885B (zh) * | 2020-11-10 | 2022-05-24 | 普联技术有限公司 | 周期信号的峰值搜索方法、装置、设备及可读存储介质 |
-
2004
- 2004-11-24 CN CNB2004100655796A patent/CN100472507C/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN1609843A (zh) | 2005-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109061589B (zh) | 随机跳频雷达的目标运动参数估计方法 | |
CN103630888B (zh) | 基于对称三角lfmcw雷达的高精度实时微波测速测距装置 | |
CN101201386B (zh) | 一种模拟集成电路参数型故障的定位方法 | |
CN110530509B (zh) | 基于最大熵谱分析的高速动车组轴箱振动主频预测方法 | |
CN101586997A (zh) | 一种拉索振动基频的计算方法 | |
CN105205461A (zh) | 一种用于模态参数识别的信号降噪方法 | |
Zhu et al. | Measurement of neutrino masses from relative velocities | |
CN100472507C (zh) | 强背景噪声下周期信号周期的一种估计方法 | |
CN105929201A (zh) | 一种基于细化谱分析的加速度计动态模型结构参数辨识的方法 | |
CN100442273C (zh) | 多信号解析装置 | |
Jauregui Tellería et al. | Study of transient phenomena with feature selective validation method | |
CN115453490A (zh) | 基于雷达信号的相干积累方法、装置、设备及存储介质 | |
CN105631238A (zh) | 一种滚动轴承振动性能变异的检测方法及系统 | |
CN113984392B (zh) | 一种电驱动总成系统振动品质在线测试评估方法 | |
CN116361733A (zh) | 一种故障诊断方法、装置、系统以及存储介质 | |
CN105133472B (zh) | 路面平整度测量方法及惯性式检测仪 | |
RU2331893C1 (ru) | Способ выделения дискретных составляющих в спектре сигнала и устройство для его осуществления | |
CN114124318A (zh) | 一种加性噪声干扰下的眼图测算方法及其装置、存储介质 | |
JP2015049074A (ja) | レーダ及び物体検出方法 | |
Lee et al. | Determining the accuracy of modal parameter estimation methods | |
KR101483022B1 (ko) | 다중표적 순간소음원의 방위탐지방법 | |
Kochegurova et al. | Current derivative estimation of non-stationary processes based on metrical information | |
Seo et al. | A novel sensing method of fault in moving machine | |
Nguyen et al. | A comparison of FFT-based techniques for Doppler velocity estimation in SuperDARN radars | |
Liu et al. | Local time-reassigned synchrosqueezing transform and its application in bearing fault characteristic extraction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090325 Termination date: 20131124 |