CN103674230B - 基于降噪源分离的舰艇振动噪声源分离与识别方法 - Google Patents
基于降噪源分离的舰艇振动噪声源分离与识别方法 Download PDFInfo
- Publication number
- CN103674230B CN103674230B CN201310617296.7A CN201310617296A CN103674230B CN 103674230 B CN103674230 B CN 103674230B CN 201310617296 A CN201310617296 A CN 201310617296A CN 103674230 B CN103674230 B CN 103674230B
- Authority
- CN
- China
- Prior art keywords
- source
- vibration
- naval vessels
- shell structure
- signal
- 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
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于降噪源分离的舰艇振动噪声源分离与识别方法,先利用舰艇壳体结构观测振动混合信号包含的分量的统计独立性,建立舰艇壳体结构振动噪声源混合模型;然后利用降噪源分离方法将舰艇壳体结构观测振动混合信号分离为若干个独立源成分;再利用舰艇壳体结构振源先验信息,采用时域和频域联合分析的方法,从独立源成分中识别出舰艇振动噪声源。本发明提供的方法稳定高效,可实现在线分析,结果可靠,实时性好,简单易行,适用于舰艇等装备振动噪声源信息的分离和识别,不对舰艇结构造成损伤,便于对现有舰艇等壳体结构装备振动噪声源的准确分离与识别,可为舰艇减振降噪工作提供可靠依据。
Description
技术领域
本发明属于舰艇振动噪声监测与控制领域,具体涉及一种基于降噪源分离的舰艇振动噪声源分离与识别方法。
背景技术
舰艇是捍卫国家安全和海洋权益的国防利器,振动噪声监测和控制对于提高舰艇隐身性能和作战能力具有重要工程价值。舰艇结构复杂、振源众多、空间密集,使得振动噪声源识别与定位困难,成为制约舰艇隐身性能的瓶颈。振动噪声源分离与识别技术可从辐射振动噪声混合信息中有效分离和识别辐射噪声源,揭示振动噪声传递特性,为现有装备振动噪声监测与主动控制,以及新型装备的减振降噪设计提供可靠依据。因此,对舰艇等国防装备振动噪声源分离与识别,准确揭示振动噪声发生、传递以及混合特性,有针对性地指导舰艇减振降噪工作具有重要的学术意义和工程应用价值。
目前,舰艇振动噪声源识别方法主要有自适应噪声抵消法、虚拟样本法、多输入多输出(MIMO)量化分析模型方法等,上述方法从能量流角度分析了各个振动噪声源基本特性,而未对振动噪声源主要特征成分进行详细分析,以及获取振动噪声源独立的波形信息,为振动噪声监测控制提供可靠依据。对于复杂的舰艇结构,直接利用建模方法理论获取振动噪声源信息与实际工况有较大误差,不能为振动噪声监测与控制提供稳定精准的源信息。目前尚无分离和识别舰艇振动噪声源的可靠方法,亟待解决舰艇振动噪声监测控制的难题。
舰艇等壳体结构装备振动噪声由柴油机等设备工作时产生,经过复杂壳体结构传递到舰船表面,多源混合后辐射到水中。复杂的信源发生、传递和混合方式,是振动噪声监测控制的技术瓶颈。传统的有限元建模分析方法虽可进行简单结构振动噪声分析,但对于多源并存,结构过于复杂的舰艇难以奏效,实际分析中误差很大。利用输入输出特性分析振动噪声源,也不能有效解决传递与混合机理复杂问题。
发明内容
本发明的目的在于提供一种基于降噪源分离的舰艇振动噪声源分离与识别方法,该方法结果可靠、实时性好、简单易行、适用于舰艇等装备振动噪声源信息分离和识别。
为达到上述目的,本发明采用的技术方案包括以下步骤:
1)利用舰艇壳体结构观测振动混合信号X包含的分量的统计独立性,分析舰艇振动噪声的发生、传递和混合机理,建立舰艇壳体结构振动噪声源混合模型;
2)利用降噪源分离方法将舰艇壳体结构观测振动混合信号X分离为若干个独立源成分;
3)利用舰艇壳体结构振源先验信息,采用时域和频域联合分析的方法,从独立源成分中识别出舰艇振动噪声源。
所述步骤1)的舰艇壳体结构振动噪声源混合模型为:
X=AS+N
其中:由n个信源sj(t)(j=1,…,n)组成的源信息S发出的源信号在舰艇壳体结构m个不同位置观测到的舰艇壳体结构观测信号xi(t)(i=1,…,m)组成舰艇壳体结构观测振动混合信号X,S={s1(t),s2(t),...,sn(t)},X={x1(t),x2(t),...,xm(t)},A为舰艇振源混合矩阵,N为噪声信号,t表示时间。
所述的舰艇壳体结构观测信号xi(t)表示为:
其中:aij为混合系数,ni为第i个观测传感器的噪声。
所述步骤2)的降噪源分离方法包括基于能量降噪函数的源分离方法、基于斜度降噪函数的源分离方法、基于峭度降噪函数的源分离方法或基于正切降噪函数的源分离方法。
所述步骤2)中利用降噪源分离方法并通过非高斯性度量将舰艇壳体结构观测振动混合信号分离为若干个独立源成分,其中非高斯性度量采用的公式为:
Ng(y)∝[E{G(y)}-E{G(ygauss)}]2
式中,Ng(y)为概率密度函数为p(y)的信号y的负熵,ygauss为与y具有相同方差的高斯分布的随机量;E为均值运算,G表示非线性函数。
所述的G表示的非线性函数具体为G(u)=lgcosh(u)或G(u)=-exp(-u2/2),其中u表示非线性函数的自变量。
所述的步骤3)中的舰艇壳体结构振源先验信息是直接通过对舰艇壳体结构振源基座的测量获取的,或者根据振源运行状态理论分析获得的。
所述步骤3)中的舰艇壳体结构的先验信息包括舰艇壳体结构振源波形、周期和特征频率的先验信息。
所述步骤3)中的采用时域和频域联合分析的方法具体是构造时域相关系数和频域相关系数;
实离散信号x(k)和y(k)的时域相关系数ρT和频域相关系数ρF分别表示为:
其中,k为离散数据点序号,T为数据点总数目,|X(k)|和|Y(k)|分别表示信号x(k)和y(k)傅立叶谱的模。
所述步骤3)中从独立源成分中识别出舰艇振动噪声源是通过判断阈值确定的,具体为:
当ρT>0.65且ρF>0.8时,独立源成分与该振源对应,识别有效,该振源是舰艇振动噪声源;
当ρT<0.65且ρF<0.8时,独立源成分与该振源不对应,识别无效,该振源不是舰艇振动噪声源;
其它情况,识别门限模糊,需要重新识别。
相对于现有技术,本发明的有益效果为:
本发明提供了一种基于降噪源分离的舰艇振动噪声源分离与识别方法,先利用舰艇壳体结构观测振动混合信号包含分量的统计独立性,建立舰艇壳体结构振动噪声源混合模型,利用降噪源分离方法将舰艇壳体结构观测振动混合信号分离成若干个独立源成分;再利用舰艇壳体结构振源先验信息,从独立源成分中识别出舰艇振动噪声源,实现舰艇壳体结构振动噪声源的信息识别,为舰艇振动噪声监测和控制提供科学依据。本发明采用的方法为盲源分离方法,可在振源及其混合方式不确定的条件下,直接利用舰艇壳体结构观测混合信号所包含的分量的统计独立性,从其中分离出振源信息,与舰艇实际工况相符,有效分离振动噪声源信息,结合先验信息实现舰艇振动噪声源准确识别。由于本发明在舰艇振动噪声源分离与识别方面采用降噪源分离方法进行独立源成分的分离,获取了独立纯净的源信息,采用时域与频域联合分析方法可对舰艇振动噪声源信息准确分离与识别。因此,本发明提供的方法稳定高效,可实现在线分析,结果可靠,实时性好,简单易行,适用于舰艇等装备振动噪声源信息的分离和识别,不对舰艇结构造成损伤,便于对现有舰艇等壳体结构装备振动噪声源的准确分离与识别,可为舰艇减振降噪工作提供可靠依据。
附图说明
图1为降噪源分离计算的流程图;
图2为仿真振源信号的波形图;
图3为组成观测振动混合信号的仿真源信号的波形图;
图4为基于能量降噪函数的源分离方法分离出的分量的波形图;
图5为基于斜度降噪函数的源分离方法分离出的分量的波形图;
图6为基于峭度降噪函数的源分离方法分离出的分量的波形图;
图7为基于正切降噪函数的源分离方法分离出的分量的波形图;
图8为舰船壳体结构测点布置图,其中(A)为整体示意图,(B)为推进柴油机组的局部示意图,(C)为柴油发电机组的局部示意图;
图9为测点S1、S3、S6的信号的波形图;
图10为分离分量Y9、Y11的波形图;
图11为振源信号S9、S11的波形图;
图12为振源信号S9、S11的频率标记跟踪图;
图13为分离分量Y9、Y11的频率标记跟踪图。
具体实施方式
下面结合附图对本发明的内容作进一步详细说明:
本发明提供的基于降噪源分离的舰艇振动噪声源分离与识别方法的具体步骤为:
1)提取舰艇壳体结构观测振动混合信号X包含的分量的统计独立性,分析舰艇振动噪声的发生、传递和混合机理(特性),建立舰艇壳体结构振动噪声源混合模型;
2)利用降噪源分离方法将舰艇壳体结构观测振动混合信号X精确分离为若干个独立源成分;其中降噪源分离方法包括基于能量降噪函数的源分离方法、基于斜度降噪函数的源分离方法、基于峭度降噪函数的源分离方法或基于正切降噪函数的源分离方法,其中基于正切降噪函数的源分离方法的效果最优;
3)充分利用舰艇壳体结构振源波形、周期、特征频率等先验信息,综合使用时域和频域联合相关分析方法,从独立源成分中识别出舰艇振动噪声源。
实施过程中首先建立舰艇壳体结构振动噪声源混合模型,利用降噪源分离方法将舰艇壳体结构观测振动混合信号分解为独立源成分。设n个信源sj(t)(j=1,…,n)组成的源信息S={s1(t),s2(t),...,sn(t)}发出的源信号在舰艇壳体结构m个不同位置观测到的舰艇壳体结构观测信号xi(t)(i=1,…,m)组成舰艇壳体结构观测振动混合信号X,X={x1(t),x2(t),...,xm(t)},t表示时间,舰艇壳体结构观测信号xi(t)表示为:
式中:aij为混合系数,ni为第i个观测传感器的噪声;
构造出的舰艇壳体结构振动噪声源混合模型为:
X=AS+N
式中A为舰艇振源混合矩阵,N为噪声信号。舰艇壳体结构振动噪声源混合模型可表述为:在舰艇振源混合矩阵A和舰艇壳体结构观测振动混合信号X均未知的条件下,利用振源统计独立特性,求一个分离矩阵W,使得W能从X中分离出源信号的估计Y={y1(t),y2(t),...,yn(t)}。即
Y=WX=WAS=GS
其中,G称为全局(系统)矩阵。
接着利用降噪源分离方法逐个抽取独立分量(独立源成分),参照图1所示,降噪源分离首先将多通道混合信号白化,随机选取初始分离矩阵,利用独立性准则自适应迭代优化,获取最优分离矩阵,逐次提取分离分量。降噪源分离方法逐次抽取分量计算的基本框架如下:
s=wTX
s+=f(s)
w+=Xs+T
降噪源分离为源分离提供了基本的计算框架,针对特定问题只需选择或构造相应的降噪函数,就可获得处理问题的最佳方法。由中心极限定理可知,一随机变量由许多相互独立的随机量之和组成,只要各独立的随机量具有有限的均值和方差,则不论各独立随机量为何种分布,该随机量必接近高斯分布。因此实际计算中通过非高斯性度量来分离结果之间的相互独立性,对于概率密度函数为p(y)的信号y,其负熵Ng(y)定义为:
Ng(y)=H(ygauss)-H(y)
式中:ygauss为与y具有相同方差的高斯分布的随机量;H为信息熵,且有
H(y)=-∫p(y)lgp(y)dy
由于源信号的概率密度分布函数是未知的,实际计算中采用近似法对分离结果的非高斯性进行度量:
Ng(y)∝[E{G(y)}-E{G(ygauss)}]2
式中:E为均值运算,G表示非线性函数,G可为如下非线性函数:
G(u)=lgcosh(u)或
G(u)=-exp(-u2/2)
其中u表示非线性函数的自变量。
利用上述构造的降噪源分离方法,可从舰艇壳体结构观测振动混合信号中有效提取独立源成分,实现独立成分的抽取。
最后对基于降噪源分离的舰艇振动噪声源进行分离与识别。先直接通过对舰艇壳体结构振源基座测量获取源信息S,或者根据振源运行状态理论解析获得振源的主要特征信息;再分别在时域和频域构造相关分析函数,对独立源成分进行识别,有效辨识舰艇振动噪声源。其核心为时域相关系数和频域相关系数的构造:
实离散信号x(k)和y(k)的时域相关系数ρT可表示为:
频谱是信号在频域上的重要特征,反映了信号的频率成分以及分布情况,频域分析通过离散傅里叶变换实现。离散傅立叶变换公式为:
式中,x(k)是波形信号的采样值,T是数据点总数目,k是离散数据点序号,j为复数形式。
将信号从时域波形转换为频谱后,于是可选用不同方法定量比较不同信号频谱的差异,计算频域相关系数ρF的公式为:
式中|X(k)|和|Y(k)|分别表示信号x(k)和y(k)傅立叶谱的模。
由于傅立叶变换后频谱具有对称性,即X(k)=X(T-k),Y(k)=Y(T-k),于是频域相关分析可进一步简化为:
最后,信源识别通过相关分析阈值自适应确定:
当ρT>0.65且ρF>0.8时,识别有效,该独立源成分主要来自对应振源,该振源是舰艇振动噪声源;
当ρT<0.65且ρF<0.8时,独立源成分与该振源不对应,识别无效,该振源不是舰艇振动噪声源;
其它情况,识别门限模糊,需要重新识别。
下面结合具体案例分析说明本发明提供的方法的有效性。
构造具有典型特征的仿真信号作为机械系统振源信号S(t),其波形如图2所示,模拟旋转机械系统运行的典型振动信号:
其中,a是源信号s1(t)是周期振荡衰减的信号,模拟机械系统中广泛存在的冲击信号;b是源信号s2(t)是正弦信号,模拟旋转机械系统中普遍存在的周期振动信号;c是源信号s3(t)是幅度调制信号,模拟机械系统中幅度调制信号;d是源信号s4(t)是白噪声,模拟机械系统结构噪声和环境噪声,u(t)是一个阶跃函数。
观测振动混合信号本质上是各个源信号传递到观测点的混合信号,仿真试验中观测振动混合信号通过源信号线性叠加获得,源信号1(X1)、源信号2(X2)、源信号3(X3)和源信号4(X4)的波形如图3所示,观测振动混合信号如下:
对比图2和图3可得,振源信号S(t)具有显著的波形特征,而观测振动混合信号X(t)波形复杂,不能直接从观测振动混合信号中辨识振源信号信息。仿真实验利用基于不同降噪函数的降噪源分离方法对观测振动混合信号进行分离,并通过相关分析对分离性能进行定量评价,优选出适合处理机械振动信号的降噪源分离方法。
图4是基于能量降噪函数的源分离方法从观测振动混合信号中分离出的分量的波形图,该图显示:分离分量1(y1)中存在冲击信息,与源信号s1(t)波形近似,但是仍然耦合了其它信息,未能清晰描述源信号s1(t);分离分量2、3、4(y2、y3、y4)耦合了强大的背景噪声波形复杂,不能有效分离源信号s2(t)、s3(t)、s4(t)的波形信息,表明该方法未能有效提取各个源信息。
图5是基于斜度降噪函数的源分离方法从观测振动混合信号中分离出的分量的波形图,该图显示:尽管存在少量噪声,分离分量1(y1)较为清晰显示了源信号s1(t)成分,两者波形相关系数达0.86;分离分量2、3(y2、y3)中存在明显的周期成分,信号波形较为纯净,噪声得到很好地抑制,但仍未能有效分离源信号s2(t)和s3(t)的波形信息;分离分量4(y4)与源信号s4(t)波形近似,表明白噪声信号被有效地分离出来。
图6是基于峭度降噪函数的源分离方法从观测振动混合信号中分离出的分量的波形图,该图显示:分离分量1、2、4(y1、y2、y4)很好地保留了源信号s1(t)、s2(t)和s4(t)的波形信息,波形相关系数分别达0.89、0.98、0.82,表明峭度降噪函数对冲击成分和旋转机械周期成分具有较好分离能力;分离分量3(y3)信息虽较为干净,但仍未能有效分离源信号s3(t)。
图7是基于正切降噪函数的源分离方法从观测振动混合信号中分离出的分量的波形图,该图显示:分离分量1、2、3(y1、y2、y3)包含的噪声信息非常微弱,表明该方法具有优异的降噪性能;分离分量1、2、3、4(y1、y2、y3、y4)与源信号s1(t)、s2(t)、s3(t)和s4(t)波形相关系数分别达0.94、0.97、0.94、0.99,验证了该方法对冲击成分、周期振荡成分、幅度调制成分具有更好的分离性能。相关分析准确识别了蕴涵其中的源成分,验证了本发明所提出的方法的有效性。
舰船的振动噪声主要来源于动力舱的推进柴油机组和柴油发电机组,并经由舰船壳体结构传递到舰船表面,对舰载设备和工作人员造成危害,严重威胁舰船作战能力和隐身性能。某型号舰船动力舱振动测试传感器布置图如图8所示,其中(A)为整体示意图,(B)为推进柴油机组的局部示意图,(C)为柴油发电机组的局部示意图,a为推进柴油机组,b为柴油发电机组,c为输出轴,d为齿轮箱,e为加速度传感器,f为肋板,g为上机座,h为下机座,i为减振弹簧,①~②分别表示1~11号传感器,1~7号传感器获取舱壁混合信号,柴油机组基座8~11号传感器获取支撑座上下两侧振动源信号,舰船系统测试参数如表1所示。
表1舰船测试系统参数列表
由于信号源分离技术要求观测信号个数不应少于源信号个数,以及实际工程中过多的观测信号将引入更多的结构以及环境噪声信息,试验中将检测三个测点(S1、S3、S6)的观测信号,其波形图如图9所示。分别利用基于不同降噪函数的源分离方法,将混合信号逐次分解为分离分量,并通过相关分析识别与检验源分离方法分离与识别振源的性能。分离分量中,第1、2个分量(Y9、Y11)有较明显的振源波形信息,具有显著的工程意义。分离分量与振源信号的相关系数如下(矩阵各元素为源信号与对应分离分量的相关系数):
分离分量(Y9、Y11)波形图如图10所示,源信号S9与S11波形如图11所示。相关分析显示了分离分量与源信号的相关系数。已有研究资料(Liu HT,2011)在分离心电图时分离分量与源信号的波形相关系数达0.77±0.03;文献(Farila D,2004)分离非平稳肌电信号时分离分量与源信号波形相关系数约为0.70±0.09。对比相关分析矩阵,基于能量降噪函数、斜度降噪函数、峭度降噪函数的源分离方法的波形相关矩阵的对角系数分别为0.14与0.07、0.30与0.50、0.41与0.59,比较分析说明了其分离性能逐次提升;谱相关系数分别为0.61与0.64、0.69与0.72、0.78与0.80,从频谱分析角度表明了其分离性能也在逐次提升。基于正切降噪函数的源分离方法获得了更好的分离效果,波形相关系数分别达到0.67和0.72,谱相关系数分别达0.89与0.90,表明该方法在实际舰船振动噪声源分离与识别中准确有效。
为了进一步识别混合信号中主要成分来源,试验分析中对源信息中的8个比较显著特征频率成分进行标记跟踪。图12和图13分别是源信号(S9、S11)和分离分量(Y9、Y11)频谱标记跟踪图,显示了推进柴油机组源S9的8个重要频率成分被有效地分离,分别是231、342、590、850、980、1170、1360以及1999Hz,柴油发电机组源S11特征频率231、301、584、735、790、1000、1130以及1200Hz也得到有效地提取,表明本发明提出的降噪源分离方法可对舰船壳体混合信号中的源成分进行有效分离和识别。
Claims (5)
1.基于降噪源分离的舰艇振动噪声源分离与识别方法,其特征在于:包括以下步骤:
1)利用舰艇壳体结构观测振动混合信号X包含的分量的统计独立性,分析舰艇振动噪声的发生、传递和混合机理,建立舰艇壳体结构振动噪声源混合模型;
2)利用降噪源分离方法将舰艇壳体结构观测振动混合信号X分离为若干个独立源成分;其中降噪源分离方法为基于能量降噪函数的源分离方法、基于斜度降噪函数的源分离方法、基于峭度降噪函数的源分离方法或基于正切降噪函数的源分离方法;
3)利用舰艇壳体结构振源先验信息,采用时域和频域联合分析的方法,从独立源成分中识别出舰艇振动噪声源;
其中舰艇壳体结构振源先验信息是直接通过对舰艇壳体结构振源基座的测量获取的,或者根据振源运行状态理论分析获得的;
所述的舰艇壳体结构振源先验信息包括舰艇壳体结构振源波形、周期和特征频率的先验信息;
所述的采用时域和频域联合分析的方法具体是构造时域相关系数和频域相关系数;
实离散信号x(k)和y(k)的时域相关系数ρT和频域相关系数ρF分别表示为:
其中,k为离散数据点序号,T为数据点总数目,|X(k)|和|Y(k)|分别表示信号x(k)和y(k)傅立叶谱的模;
所述的从独立源成分中识别出舰艇振动噪声源是通过判断阈值确定的,具体为:
当ρT>0.65且ρF>0.8时,独立源成分与该振源对应,识别有效,该振源是舰艇振动噪声源;
当ρT<0.65且ρF<0.8时,独立源成分与该振源不对应,识别无效,该振源不是舰艇振动噪声源;
其它情况,识别门限模糊,需要重新识别。
2.根据权利要求1所述的基于降噪源分离的舰艇振动噪声源分离与识别方法,其特征在于:所述步骤1)的舰艇壳体结构振动噪声源混合模型为:
X=AS+N
其中:由n个信源sj(t)(j=1,…,n)组成的源信息S发出的源信号在舰艇壳体结构m个不同位置观测到的舰艇壳体结构观测信号xi(t)(i=1,…,m)组成舰艇壳体结构观测振动混合信号X,S={s1(t),s2(t),...,sn(t)},X={x1(t),x2(t),...,xm(t)},A为舰艇振源混合矩阵,N为噪声信号,t表示时间。
3.根据权利要求2所述的基于降噪源分离的舰艇振动噪声源分离与识别方法,其特征在于:所述的舰艇壳体结构观测信号xi(t)表示为:
其中:aij为混合系数,ni为第i个观测传感器的噪声。
4.根据权利要求1所述的基于降噪源分离的舰艇振动噪声源分离与识别方法,其特征在于:所述步骤2)中利用降噪源分离方法并通过非高斯性度量将舰艇壳体结构观测振动混合信号分离为若干个独立源成分,其中非高斯性度量采用的公式为:
Ng(y)∝[E{G(y)}-E{G(ygauss)}]2
式中,Ng(y)为概率密度函数为p(y)的信号y的负熵,ygauss为与y具有相同方差的高斯分布的随机量;E为均值运算,G表示非线性函数。
5.根据权利要求4所述的基于降噪源分离的舰艇振动噪声源分离与识别方法,其特征在于:所述的G表示的非线性函数为G(u)=lgcosh(u)或G(u)=-exp(-u2/2),其中u表示非线性函数的自变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310617296.7A CN103674230B (zh) | 2013-11-26 | 2013-11-26 | 基于降噪源分离的舰艇振动噪声源分离与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310617296.7A CN103674230B (zh) | 2013-11-26 | 2013-11-26 | 基于降噪源分离的舰艇振动噪声源分离与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103674230A CN103674230A (zh) | 2014-03-26 |
CN103674230B true CN103674230B (zh) | 2017-02-22 |
Family
ID=50312479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310617296.7A Active CN103674230B (zh) | 2013-11-26 | 2013-11-26 | 基于降噪源分离的舰艇振动噪声源分离与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103674230B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104075799A (zh) * | 2014-07-17 | 2014-10-01 | 中国电建集团中南勘测设计研究院有限公司 | 一种抽水蓄能电站地面低频振动主要噪声源判断方法 |
CN105043794A (zh) * | 2015-06-02 | 2015-11-11 | 遵义市立新机械有限责任公司 | 一种基于音频的破碎机智能监测方法 |
CN106706118B (zh) * | 2016-12-09 | 2019-12-24 | 西安交通大学 | 基于盲源分离技术的运行工况传递路径分析方法 |
CN109243483B (zh) * | 2018-10-17 | 2022-03-08 | 西安交通大学 | 一种含噪频域卷积盲源分离方法 |
CN110110619B (zh) * | 2019-04-22 | 2021-02-09 | 西安交通大学 | 一种基于稀疏盲源分离的卫星微振动源定量识别方法 |
CN110440909B (zh) * | 2019-07-31 | 2021-07-13 | 安徽智寰科技有限公司 | 一种基于噪声自适应识别的振动信号信噪比计算方法 |
CN111487063B (zh) * | 2020-03-20 | 2021-05-14 | 天津大学 | 一种参数自适应的内燃机噪声源分离方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110051952A1 (en) * | 2008-01-18 | 2011-03-03 | Shinji Ohashi | Sound source identifying and measuring apparatus, system and method |
-
2013
- 2013-11-26 CN CN201310617296.7A patent/CN103674230B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103674230A (zh) | 2014-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103674230B (zh) | 基于降噪源分离的舰艇振动噪声源分离与识别方法 | |
CN105067707B (zh) | 一种复合材料结构的损伤监测方法、装置和系统 | |
CN104793253A (zh) | 基于数学形态学的航空电磁数据去噪方法 | |
CN107358250A (zh) | 基于双波段雷达微多普勒融合的人体步态识别方法及系统 | |
CN106886044B (zh) | 一种基于剪切波与Akaike信息准则的微地震初至拾取方法 | |
CN110132403A (zh) | 一种基于eemd和小波阈值的真空泵振动信号降噪方法 | |
CN107607065A (zh) | 一种基于变分模态分解的冲击回波信号分析方法 | |
CN104215959B (zh) | 一种多机动目标径向初速度和径向加速度的估计方法 | |
CN107167802A (zh) | 一种基于超宽带雷达的呼吸信号检测算法 | |
CN107066736A (zh) | 一种基于压缩采样的模态分析及结构冲击监测方法 | |
CN103217213A (zh) | 基于响应信号时频联合分布特征的模态参数辨识方法 | |
CN105629233A (zh) | 一种基于isar图像的多散射点微动提取方法 | |
Mahajan et al. | Acoustic emission source localisation for structural health monitoring of rail sections based on a deep learning approach | |
CN103487786B (zh) | 基于二维线阵和空间滤波器的结构冲击无波速定位方法 | |
CN107390193A (zh) | 基于多距离单元融合的调频连续波雷达飞机目标分类方法 | |
Zhang et al. | A novel data-driven scheme for the ship wake identification on the 2-D dynamic sea surface | |
CN102889896B (zh) | 一种复合材料结构冲击监测数字序列的两级降噪方法 | |
CN106202919B (zh) | 一种基于震源参数的微震与爆破事件识别方法 | |
CN106595835B (zh) | 一种基于错位叠加算法的声信标信号提取方法及系统 | |
CN103577877A (zh) | 一种基于时频分析和bp神经网络的船舶运动预报方法 | |
CN106226077B (zh) | 一种基于时变奇异值分解的周期性暂态信号的检测方法 | |
Fang et al. | The analysis on fire Smoke exhausting robot vibration based on wavelet transform | |
Li et al. | Wavelet threshold methods used in lightning transient electrical signals denoising | |
CN104063606B (zh) | 基于四元数传递率的结构状态检测与识别方法 | |
Li | A simple som neural network based fault detection model for fault diagnosis of rolling bearings |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |