CN106249228B - 一种基于基频能量分布特征的周期振源距离智能检测方法 - Google Patents

一种基于基频能量分布特征的周期振源距离智能检测方法 Download PDF

Info

Publication number
CN106249228B
CN106249228B CN201610530164.4A CN201610530164A CN106249228B CN 106249228 B CN106249228 B CN 106249228B CN 201610530164 A CN201610530164 A CN 201610530164A CN 106249228 B CN106249228 B CN 106249228B
Authority
CN
China
Prior art keywords
feature
sequence
fundamental frequency
distance
fbep
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
Application number
CN201610530164.4A
Other languages
English (en)
Other versions
CN106249228A (zh
Inventor
曹九稳
商路明
王建中
曾焕强
王瑞荣
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201610530164.4A priority Critical patent/CN106249228B/zh
Publication of CN106249228A publication Critical patent/CN106249228A/zh
Application granted granted Critical
Publication of CN106249228B publication Critical patent/CN106249228B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/14—Systems for determining distance or velocity not using reflection or reradiation using ultrasonic, sonic, or infrasonic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • G01S5/30—Determining absolute distances from a plurality of spaced points of known location

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于基频能量分布特征的周期振源距离智能检测方法。本发明包括如下步骤：步骤1、基频检测得到周期振动信号的基频；步骤2、依据基频从周期振动信号中提取出一种反映基频能量分布的频带能量百分比特征，即FBEP特征；步骤3、依据已知距离的特征库，将提取出的未知距离的FBEP特征通过KNN法进行分析处理，得到振动信号距离的预测值。运用本发明后，单传感器节点可以实现检测距离，多传感器组合则可以实现交叉定位，并同时确保其精度与可靠性。此外，本发明具有无需事先学习距离特征的优点，从而使此距离检测具有更好的适应性。同时基于互相关法改进的基频检测步骤可以达到较好的距离检测效果。

Description

一种基于基频能量分布特征的周期振源距离智能检测方法
技术领域
本发明属于信号处理领域，涉及一种基于基频能量分布特征的周期振源距离智能检测方法。
背景技术
传统的振源距离检测依赖于多个传感器阵列节点实现的交叉定位方案，然而存在以下2个问题：
1.振动波在不同地表中传播时波速具有一定的差异，对依赖于精确的时延差的阵列定位法而言会造成极大的误差；
2.多个传感器阵列节点对传感器及配套电路要求较高，成本较大，不具有大面积推广的条件。
本发明基于振动信号的内在衰减规律，提出了一种针对周期振源的距离智能检测方法，可以实现单检测点下精度更高、稳定性更强的距离检测效果。
发明内容
本发明针对传统振源距离检测方案的不足，提出了一种基于基频能量分布特征的周期振源距离智能检测方法。本发明能够实现单传感器节点检测距离，多传感器组合实现交叉定位，并同时确保其精度与可靠性。
本发明的技术方案主要包括如下步骤：
步骤1、基频检测得到周期振动信号的基频；
步骤2、依据基频从周期振动信号中提取出一种反映基频能量分布的频带能量百分比特征，即FBEP特征；其中FBEP是Frequency Band Energy Percentage的缩写。
步骤3、依据已知距离的特征库，将提取出的未知距离的FBEP特征通过KNN法进行分析处理，得到振动信号距离的预测值。
所述步骤1的具体实现包括以下几个步骤：
1-1.将输入的单帧原始信号x(n)进行初步处理，得到上包络线序列xu(n)和下包络线序列xl(n)。
所述的初步处理是在x(n)的极大值或极小值序列间进行线性插值，从而分别得到与x(n)等长的上包络线和下包络线序列；
1-2.计算得到包络线均值序列xm(n)＝(xl(n)+xu(n))/2；
1-3.计算得到经过包络处理进行低频滤除后的信号X(n)＝x(n)-xm(n)；
1-4根据以下公式计算X(n)的互相关序列Rn(τ)；
1-5计算互相关序列Rn(τ)的平方并截取序列前80％长度为Lc:Lc＝0.8*Lf；
1-6求的不定长度为Lr的极大值序列P(n)以及极大值序列P(n)对应的索引序列Ip(n),极大值序列的筛选方法如下：
1-7将P(n)和Ip(n)依据P(n)降序排列，取排序后的Ip(n)序列的前Lp项进行升序排列得到索引升序序列Ia(n)；
1-8求索引升序序列Ia(n)中相邻元素的增量，将求得的增量组成长度为Lp-1的邻增量序列D(n)；
1-9将邻增量序列D(n)进行升序排序得到邻增量升序序列Da(n)；
1-10求邻增量升序序列Da(n)的前Ld项的中位数，得到的基频周期点数Td；
1-11从而获得基频ffd：ffd＝Fs/Td。
步骤1中需要注意如下3点：
(1)如果1-1中包络线存在无限值，则将其修正为0；
(2)如果1-6中的极大值不足Lr项，则P(n)与Ip(n)序列末尾补0元素；
(3)如果1-8中得到的序列D(n)部分元素小于最小邻差Dmin＝Fs/Fm，则丢弃此元素，此处Fm是周期振动信号基频检测设计的最大基频；
所述的步骤2依据基频从周期振动信号中提取出一种反映基频能量分布的频带能量百分比特征，具体实现流程如下：
2-1.求单帧原始信号x(n)的功率谱密度序列psd(f)；
2-2.将功率谱密度序列psd(f)依据基频分成Nb个频带,并对每个频带求和；
2-3.将各频带和组成的向量bi进行百分比归一化，得到FBEP特征向量Vdf，量vi是向量Vdf的第i个元素，即：
所述的步骤3依据已知距离的特征库，将提取出的FBEP特征通过kNN法进行分析处理，得到振动信号距离的预测值，具体分为已知距离特征库建立和未知距离特征基于kNN的距离预测两部分。
3-1.将已知距离的FBEP特征按距离d分类求均值Vdf_d，即
3-2.将未知距离的FBEP特征Vdf分别与各距离下的特征求欧式距离,特征间的欧式距离计算公式如下：
3-3.将求得的未知距离的FBEP特征向量Vdfx与各距离的均值特征间的欧式距离进行升序排序，其排序后对应的距离索引序列为de(n)
3-4.取de(n)的前Ned项索引，并通过其与长为Ned的权重向量wd(n)线性组合来预测此未知距离的FBEP特征Vdf所在的距离ddfx，即：
本发明有益效果如下：
运用此种基于基频能量分布特征的周期振源距离智能检测方法后，单传感器节点可以实现检测距离，多传感器组合则可以实现交叉定位，并同时确保其精度与可靠性。此外，由于本发明KNN方式实现距离预测，是通过直接与已知距离的距离特征库进行比对直接筛选出距离，所以具有无需事先学习距离特征的优点，从而使此距离检测具有更好的适应性。同时基于互相关法改进的基频检测步骤可以达到较好的距离检测效果。
附图说明
图1本发明距离检测流程图；
图2本发明基频检测流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作详细说明。
如图1和2所示，基于基频能量分布特征的周期振源距离智能检测方法，具体包括如下步骤：
1、基频检测得到周期振动信号的基频；
2、依据基频从周期振动信号中提取出一种反映基频能量分布的频带能量百分比特征，即FBEP特征；
3、依据已知距离的特征库，将提取出的未知距离FBEP特征通过KNN法进行分析处理，得到振动信号距离的预测值。
所述的步骤1，其具体实现需要细分为以下几个步骤：
1-1.将输入的单帧原始信号x(n)进行初步处理，得到上包络线序列xu(n)和下包络线序列xl(n)。
所述的初步处理是在x(n)的极大值或极小值序列间进行线性插值，从而分别得到与x(n)等长的上包络线和下包络线序列；
1-2.计算得到包络线均值序列xm(n)＝(xl(n)+xu(n))/2；
1-3.计算得到经过包络处理进行低频滤除后的信号X(n)＝x(n)-xm(n)；
1-4根据以下公式计算X(n)的互相关序列Rn(τ)；
1-5计算互相关序列Rn(τ)的平方并截取序列前80％长度为Lc:Lc＝0.8*Lf；
1-6求的不定长度为Lr的极大值序列P(n)以及极大值序列P(n)对应的索引序列Ip(n),极大值序列的筛选方法如下：
1-7将P(n)和Ip(n)依据P(n)降序排列，取排序后的Ip(n)序列的前Lp项进行升序排列得到索引升序序列Ia(n)；
1-8求索引升序序列Ia(n)中相邻元素的增量，将求得的增量组成长度为Lp-1的邻增量序列D(n)；
1-9将邻增量序列D(n)进行升序排序得到邻增量升序序列Da(n)；
1-10求邻增量升序序列Da(n)的前Ld项的中位数，得到的基频周期点数Td；
1-11从而获得基频ffd：ffd＝Fs/Td。
步骤1中需要注意如下3点：
(4)如果1-1中包络线存在无限值，则将其修正为0；
(5)如果1-6中的极大值不足Lr项，则P(n)与Ip(n)序列末尾补0元素；
(6)如果1-8中得到的序列D(n)部分元素小于最小邻差Dmin＝Fs/Fm，则丢弃此元素，此处Fm是周期振动信号基频检测设计的最大基频；
所述的步骤2依据基频从周期振动信号中提取出一种反映基频能量分布的频带能量百分比特征，具体实现流程如下：
2-1.求单帧原始信号x(n)的功率谱密度序列psd(f)；
2-2.将功率谱密度序列psd(f)依据基频分成Nb个频带,并对每个频带求和；
2-3.将各频带和组成的向量bi进行百分比归一化，得到FBEP特征向量Vdf，量vi是向量Vdf的第i个元素，即：
所述的步骤3依据已知距离的特征库，将提取出的FBEP特征通过kNN法进行分析处理，得到振动信号距离的预测值，具体分为已知距离特征库建立和未知距离特征基于kNN的距离预测两部分。
3-1.将已知距离的FBEP特征按距离d分类求均值Vdf_d，即
3-2.将未知距离的FBEP特征Vdf分别与各距离下的特征求欧式距离,特征间的欧式距离计算公式如下：
3-3.将求得的未知距离的FBEP特征向量Vdfx与各距离的均值特征间的欧式距离进行升序排序，其排序后对应的距离索引序列为de(n)
3-4.取de(n)的前Ned项索引，并通过其与长为Ned的权重向量wd(n)线性组合来预测此未知距离的FBEP特征Vdf所在的距离ddfx，即：
为了达到更好的距离检测效果，以下将从实际应用时参数的选择与设计方面展开介绍，以作为该发明用于其他应用的参考:
本方法是以帧为单位处理周期振动信号的，因此帧长的选择需要考虑设计需要检测的最低基频。这是因为基频检测的基本原理是时域的自相关法，如果一帧信号不能含有2～3个及以上的基频周期，则自相关谱无法有效地反映信号的周期性，则无法得到可靠的基频。推荐一帧信号保护5个以上的最小基频对应的最大周期。
此外在1-5步骤中，需要截取前80％长度的原因是自相关序列在偏差接近一帧的部分较不稳定，这是由于短帧自相关序列的计算原理决定的。而80％的值是实际实验时根据效果而保守选择的截取长度比例，可以在其他应用中选择更好的参数。
在1-7步骤中，长度Lp的选择可以为20左右。这个参数选择的考量是保证不丢失最关键的极大值部分的基础上，减少Lp，以减少后续步骤的排序等处理的工作量。
在1-10步骤中，长度Ld的选择可以为3，这是为了尽量避免出现得到基频周期的整数倍，从而导致误判的结果。根据实际效果看，选择3时，基频检测结果的稳定性相对较高。
本发明提出的FBEP特征是基于振动信号传播衰减规律提出的，本质上属于振动信号功率谱密度的压缩表示。而压缩的依据则是信号频域能量集中于基频整数倍附近的事实。

Claims (8)

1.一种基于基频能量分布特征的周期振源距离智能检测方法，其特征在于包括如下步骤：
步骤1、基频检测得到周期振动信号的基频；
步骤2、依据基频从周期振动信号中提取出一种反映基频能量分布的频带能量百分比特征，即FBEP特征；
步骤3、依据已知距离的特征库，将提取出的未知距离的FBEP特征通过KNN法进行分析处理，得到振动信号距离的预测值；
所述步骤1的具体实现包括以下几个步骤：
1-1.将输入的单帧原始信号x(n)进行初步处理，得到上包络线序列xu(n)和下包络线序列xl(n)；
所述的初步处理是在x(n)的极大值或极小值序列间进行线性插值，从而分别得到与x(n)等长的上包络线和下包络线序列；
1-2.计算得到包络线均值序列xm(n)＝(xl(n)+xu(n))/2；
1-3.计算得到经过包络处理进行低频滤除后的信号X(n)＝x(n)-xm(n)；
1-4根据以下公式计算X(n)的互相关序列Rn(τ)；
1-5计算互相关序列Rn(τ)的平方并截取序列前80％长度为Lc:Lc＝0.8*Lf；
1-6求的不定长度为Lr的极大值序列P(n)以及极大值序列P(n)对应的索引序列Ip(n),极大值序列的筛选方法如下：
1-7将P(n)和Ip(n)依据P(n)降序排列，取排序后的Ip(n)序列的前Lp项进行升序排列得到索引升序序列Ia(n)；
1-8求索引升序序列Ia(n)中相邻元素的增量，将求得的增量组成长度为Lp-1的邻增量序列D(n)；
1-9将邻增量序列D(n)进行升序排序得到邻增量升序序列Da(n)；
1-10求邻增量升序序列Da(n)的前Ld项的中位数，得到的基频周期点数Td；
1-11从而获得基频ffd：ffd＝Fs/Td。
2.根据权利要求1所述的一种基于基频能量分布特征的周期振源距离智能检测方法，其特征在于所述的步骤2依据基频从周期振动信号中提取出一种反映基频能量分布的频带能量百分比特征，具体实现流程如下：
2-1.求单帧原始信号x(n)的功率谱密度序列psd(f)；
2-2.将功率谱密度序列psd(f)依据基频分成Nb个频带,并对每个频带求和；
2-3.将各频带和组成的向量bi进行百分比归一化，得到FBEP特征向量Vdf，量vi是向量Vdf的第i个元素，即：
3.根据权利要求1所述的一种基于基频能量分布特征的周期振源距离智能检测方法，其特征在于所述的步骤3依据已知距离的特征库，将提取出的FBEP特征通过KNN法进行分析处理，得到振动信号距离的预测值，具体分为已知距离特征库建立和未知距离特征基于kNN的距离预测两部分；
3-1.将已知距离的FBEP特征按距离d分类求均值Vdf_d，即
3-2.将未知距离的FBEP特征Vdf分别与各距离下的特征求欧式距离,特征间的欧式距离计算公式如下：
3-3.将求得的未知距离的FBEP特征向量Vdfx与各距离的均值特征间的欧式距离进行升序排序，其排序后对应的距离索引序列为de(n)
3-4.取de(n)的前Ned项索引，并通过其与长为Ned的权重向量wd(n)线性组合来预测此未知距离的FBEP特征Vdf所在的距离ddfx，即：
4.根据权利要求1所述的一种基于基频能量分布特征的周期振源距离智能检测方法，其特征在于步骤1-1中，若包络线存在无限值，则将其修正为0。
5.根据权利要求1所述的一种基于基频能量分布特征的周期振源距离智能检测方法，其特征在于如果步骤1-6中的极大值不足Lr项，则P(n)与Ip(n)序列末尾补0元素。
6.根据权利要求1所述的一种基于基频能量分布特征的周期振源距离智能检测方法，其特征在于如果步骤1-8中得到的序列D(n)部分元素小于最小邻差Dmin＝Fs/Fm，则丢弃此元素，此处Fm是周期振动信号基频检测设计的最大基频。
7.根据权利要求1所述的一种基于基频能量分布特征的周期振源距离智能检测方法，其特征在于步骤1-7中，长度Lp的选择为20。
8.根据权利要求1所述的一种基于基频能量分布特征的周期振源距离智能检测方法，其特征在于步骤1-10中，长度Ld的选择为3。
CN201610530164.4A 2016-06-30 2016-06-30 一种基于基频能量分布特征的周期振源距离智能检测方法 Active CN106249228B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610530164.4A CN106249228B (zh) 2016-06-30 2016-06-30 一种基于基频能量分布特征的周期振源距离智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610530164.4A CN106249228B (zh) 2016-06-30 2016-06-30 一种基于基频能量分布特征的周期振源距离智能检测方法

Publications (2)

Publication Number Publication Date
CN106249228A CN106249228A (zh) 2016-12-21
CN106249228B true CN106249228B (zh) 2019-04-12

Family

ID=57613954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610530164.4A Active CN106249228B (zh) 2016-06-30 2016-06-30 一种基于基频能量分布特征的周期振源距离智能检测方法

Country Status (1)

Country Link
CN (1) CN106249228B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114624688B (zh) * 2022-03-15 2023-04-07 电子科技大学 一种基于多传感器联合的跟踪定位方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5369348A (en) * 1991-05-31 1994-11-29 Hutchinson S.A. Device for attenuating the periodic vibrations of a mechanical structure
CN102563360A (zh) * 2012-01-16 2012-07-11 北方工业大学 基于序贯概率比检测的管道安全预警系统的振动事件检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5369348A (en) * 1991-05-31 1994-11-29 Hutchinson S.A. Device for attenuating the periodic vibrations of a mechanical structure
CN102563360A (zh) * 2012-01-16 2012-07-11 北方工业大学 基于序贯概率比检测的管道安全预警系统的振动事件检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Pitch Extraction and Fundamental Frequency:History and Current Techniques;David Gerhard;《Technical Report,Dept.of Computer Science,University of Regina》;20031130;第1-22页 *
Robust Estimation and Tracking of Pitch Period Using an Efficient Bayesian Filter;Habib Hajimolahoseini等;《IEEE/ACM TRANSACTIONS ON AUDIO，SPEECH，AND LANGUAGE PROCESSING》;20160509;第24卷(第7期);第1219-1229页 *
基于光纤振动安全预警系统的振源识别算法研究;刘素杰等;《光学技术》;20160131;第42卷(第1期);第89-96页 *
基于小波变换的爆破振动信号能量分布特征分析;晏俊伟等;《爆炸与冲击》;20070930;第27卷(第5期);第405-410页 *

Also Published As

Publication number Publication date
CN106249228A (zh) 2016-12-21

Similar Documents

Publication Publication Date Title
US9075713B2 (en) Method for detecting anomalies in multivariate time series data
US9043921B2 (en) Determining software metrics
He et al. Fully automated precise operational modal identification
CN105205396A (zh) 一种基于深度学习的安卓恶意代码检测系统及其方法
CN103116957B (zh) 一种光纤周界安防系统屏蔽气候影响的方法
CN105959316A (zh) 网络安全性验证系统
CN104198999A (zh) 一种基于同构序列的脉冲分选方法
CN106934417A (zh) 一种面向混合属性的数据流自适应聚类方法
CN105954695A (zh) 一种基于同步的同质传感器突变参数识别方法与装置
CN115484112B (zh) 支付大数据安全防护方法、系统及云平台
CN106249228B (zh) 一种基于基频能量分布特征的周期振源距离智能检测方法
CN108335467B (zh) 一种基于突变点探测的火灾在线预警与快速分析方法
CN110736400A (zh) 一种考虑岩石内部构造的水下钻孔爆破振速计算方法
CN109254321A (zh) 一种地震激励下快速贝叶斯模态参数识别方法
CN113111585A (zh) 一种智能机柜故障预测方法、系统及智能机柜
CN115906624A (zh) 危化品气体光谱生成方法、终端设备及存储介质
CN110927338B (zh) 气体浓度数据补足方法及装置
Lin et al. The prediction algorithm of network security situation based on grey correlation entropy Kalman filtering
CN102034022A (zh) 一种基于倍频分析的信号处理方法及系统
Wang et al. Power system osciliation modes identification based on eigen system realization algorithm via empirical mode decomposition
CN108021876B (zh) 一种基于参数辨识的压气机故障诊断方法
Gholipour et al. An adaptive regression tree for non-stationary data streams
CN111695501A (zh) 一种基于操作系统内核调用数据的设备软故障检测方法
Gillich et al. Frequency and magnitude estimation in voltage unbalanced power systems
CN109784661A (zh) 一种热工过程稳态检测方法和系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant