CN107389367A - 一种基于最优信噪比的信号自适应解包络方法及计算设备 - Google Patents
一种基于最优信噪比的信号自适应解包络方法及计算设备 Download PDFInfo
- Publication number
- CN107389367A CN107389367A CN201710607183.7A CN201710607183A CN107389367A CN 107389367 A CN107389367 A CN 107389367A CN 201710607183 A CN201710607183 A CN 201710607183A CN 107389367 A CN107389367 A CN 107389367A
- Authority
- CN
- China
- Prior art keywords
- signal
- envelope
- mrow
- node
- noise ratio
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/004—Testing the effects of speed or acceleration
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于最优信噪比的信号自适应解包络方法,包括步骤:获取在旋转机械故障监测时以预定采样频率采样得到的包含故障信息的待处理信号;构建树形搜索结构,其中,树形搜索结构中每个节点对应的频带根据预定采样频率和每一层的节点数计算得到;根据每个节点的频带对待处理信号进行滤波处理,得到每个节点对应的滤波信号;对滤波信号进行包络解调处理,得到每个节点对应的解包络信号及其包络谱;根据包络谱计算每个解包络信号的信噪比,得到每个节点对应的信噪比;以及选取信噪比最大的节点对应的包络谱作为最优包络谱,以便对待处理信号的故障频率及谐波进行分析。本发明一并公开了用于执行该方法的计算设备。
Description
技术领域
本发明涉及机械故障诊断技术领域,特别涉及一种基于最优信噪比的信号自适应解包络方法及计算设备。
背景技术
旋转机械目前被广泛地应用在各种工业现场中,无论是齿轮还是轴承等,其运行质量将直接影响整台设备的工作性能。因此,相关设备的早期故障检测具有十分重要的意义。根据理论分析,当滚动轴承的工作表面出现缺陷时,由于缺陷被撞击,将以一定的通过频率产生一系列的宽带冲击。同时,这些宽带冲击将激励整个轴承系统产生相应的冲击衰减响应,这些冲击衰减响应中就包含了轴承对应的相关故障信息。
这种振动冲击响应的特征提取有很多方法,其中包络解调法可以将信号中所包含的故障信息从复杂的调幅振动信号中分离出来,也是目前应用最广泛的诊断方法之一。包络解调技术实际上就是利用前面提到的振动冲击响应信号,在其信号的共振带附近选取一定带宽进行带通滤波,对滤波后信号进行包络检波和频谱分析等,最终实现相应故障的类型判定和精密诊断。
然而,传统的包络解调方法具有明显的限制点,在计算过程中我们需要确定滤波中心频率和滤波带宽,而对这些参数的选择需要有先验知识,而且不同的设备环境其信号的共振带差别很大,这些参数的选取最终会对分析结果产生很大影响。在传统的方法中,一种是利用传感器谐振频率作为中心频率进行滤波,但传感器不同的安装方式和安装环境会对其实际谐振频率影响很大,而且传感器和监测部件的连接方式会影响信号的传递效果,实际中使用的传感器的谐振频率也很难准确获得。另一种是利用频谱曲线峰值或者谱峭度方法确定中心频率和带宽,但是在信号的频谱曲线峰值位置处,有时候会有大量的噪声信号存在,导致解调后的信号信噪比低;利用谱峭度方法又会引入短时傅里叶变换(STFT)过程中的两个新的参数加窗位置和窗口长度,相关参数选择困难,计算量也大。此外,在目前人工诊断过程当中,也需要诊断工程师人为地去选择不同的包络频段来观察包络效果,并进一步给出诊断结论,严重影响对信号的处理效率。
因此,需要一种能够有效地用于旋转机械故障信号处理的自适应包络解调方法。
发明内容
为此,本发明提供了一种基于最优信噪比的信号自适应解包络方法及计算设备,以力图解决或者至少缓解上面存在的至少一个问题。
根据本发明的一个方面,提供了一种基于最优信噪比的信号自适应解包络方法,包括步骤:获取在旋转机械故障监测时以预定采样频率采样得到的包含故障信息的待处理信号;构建树形搜索结构,其中,树形搜索结构中每个节点对应的频带根据预定采样频率和每一层的节点数计算得到;根据每个节点的频带对待处理信号进行滤波处理,得到每个节点对应的滤波信号;对滤波信号进行包络解调处理,得到每个节点对应的解包络信号及其包络谱;根据包络谱计算每个解包络信号的信噪比,得到每个节点对应的信噪比;以及选取信噪比最大的节点对应的包络谱作为最优包络谱,以便对待处理信号的故障频率及谐波进行分析。
可选地,在根据本发明的自适应解包络方法中,树形搜索结构中第i层的节点数Ni是:
其中,Nlevel表示该树形搜索结构的树层数。
可选地,在根据本发明的自适应解包络方法中,第i层第j个节点的频带Bandi,j为:[Fs/2/Ni·(j-1),Fs/2/Ni·j],其中,FS表示预定采样频率,Ni表示第i层的叶子节点数。
可选地,在根据本发明的自适应解包络方法中,对滤波信号进行包络解调处理得到每个叶子节点对应的解包络信号及其包络谱的步骤包括:利用希尔伯特变换方法对滤波信号进行包络解调处理,得到每个节点的解包络信号;以及利用傅里叶变换计算每个解包络信号的包络谱。
可选地,在根据本发明的自适应解包络方法中,根据包络谱计算每个解包络信号的信噪比的步骤包括:根据包络谱的峰值频率或指定目标频率计算信噪比。
可选地,在根据本发明的自适应解包络方法中,信噪比SNRf0为:
其中,f0为包络谱的峰值频率或指定目标频率,Px(f)为解包络信号的包络谱,Px(f0)为解包络信号在f0处的包络谱,mean(x)表示对序列x求均值,δ是频率调整参数。
可选地,在根据本发明的自适应解包络方法中,待处理信号的类型包括振动信号、声信号、声发射信号。
根据本发明的又一方面,提供了一种计算设备,包括:一个或多个处理器;存储器;和一个或多个程序,其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序包括用于执行如上所述方法中的任一方法的指令。
根据本发明的再一方面,提供了一种存储一个或多个程序的计算机可读存储介质,一个或多个程序包括指令,该指令当计算设备执行时,使得计算设备执行如上所述的方法中的任一方法。
根据本发明的基于最优信噪比的信号自适应解包络方法,构建了用于包络频段选择的树形搜索结构,避免传统全局搜索时存在的窗长选取问题,有效提高了搜索效率,并且能够避免非全局搜索时出现的局部最优解情况,具有更好的鲁棒性。另外,以输出信噪比为优化指标,使得计算结果更为直观。
综上,根据本发明的方案,能够有效避免传统包络解调时需要先验知识的限制,基于最优信噪比自适应地搜索最优包络频带,便于诊断人员对故障信号的分析,有利于更有效地得到诊断结论。
附图说明
为了实现上述以及相关目的,本文结合下面的描述和附图来描述某些说明性方面,这些方面指示了可以实践本文所公开的原理的各种方式,并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述,本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开,相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明的一个实施例的计算设备100的示意图;
图2示出了根据本发明一个实施例的基于最优信噪比的信号自适应解包络方法200的流程图;
图3A和图3B分别示出了待处理信号的时域波形图和对应的频谱图;
图4示出了根据本发明一个实施例的树形搜索结构的示意图;
图5示出了根据本发明一个实施例的树形结构的信噪比库的示意图;
图6A和图6B分别示出了根据本发明一个实施例的最优解包络信号及其最优解包络谱的示意图;
图7A和图7B分别示出了根据本发明另一个实施例的解包络信号及其解包络谱的示意图;以及
图8A示出了根据本发明另一实施例的待处理信号的时域波形和对应的频谱示意图;图8B示出了峰值频率模式下信噪比库示意图;图8C示出了峰值频率模式下最优解包络信号及其最优解包络谱示意图;图8D示出了指定频率模式下信噪比库示意图;图8E示出了指定频率模式下最优解包络信号及其最优解包络谱示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1是示例计算设备100的框图。在基本的配置102中,计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置,处理器104可以是任何类型的处理,包括但不限于:微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用,或者在一些实现中,存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置,系统存储器106可以是任意类型的存储器,包括但不限于:易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中,应用122可以布置为在操作系统上利用程序数据124进行操作。程序数据124包括指令,在根据本发明的计算设备100中,程序数据124包含用于执行信号自适应解包络方法200的指令。
计算设备100还可以包括有助于从各种接口设备(例如,输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156,它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如,键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160,其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块,并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号,它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例,通信介质可以包括诸如有线网络或者专线网络之类的有线介质,以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
计算设备100可以实现为服务器,例如文件服务器、数据库服务器、应用程序服务器和WEB服务器等,也可以实现为小尺寸便携(或者移动)电子设备的一部分,这些电子设备可以是诸如蜂窝电话、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。在一些实施例中,计算设备100被配置为执行根据本发明的信号自适应解包络方法。
本发明提出的基于最优信噪比的信号自适应解包络方法的应用对象是旋转机械故障监测时所采集的包含故障信息的数据信号。一般情况下,现场所采集的信号中包含大量的噪声,而其中的故障信息则被淹没在噪声中。如前文所述,常用的做法是采用包络解调来得到周期性冲击的特征频率,但是包络解调过程中需要有一个包络频段,该频段的选取直接关系着最终的处理结果和诊断结论。而根据本发明的方法能够自适应地选取最优的解包络频段,得到准确的包络谱和相应的诊断结论。结合图2,以下将详细阐述根据本发明实施例的基于最优信噪比的信号自适应解包络方法200。该方法200适于在如图1所示的计算设备100中执行。
该方法始于步骤S210,获取在旋转机械故障监测时以预定采样频率采样得到的包含故障信息的待处理信号。根据一种实现方式,这类信号可以是振动信号、声信号、声发射信号等。以振动信号为例,通过布置在待监测部件表面(如,滚动轴承的轴承座)的加速度传感器按一定采样频率来采集滚动轴承的振动信号,以用作后续处理。
设待处理信号为x(t)、预定采样频率为Fs。如图3A和3B分别示出了待处理信号x(t)的时域波形和对应的频谱,其中,图3A中的纵轴“加速度幅值”即加速度传感器采集到的幅度值。
随后在步骤S220中,构建树形搜索结构,其中,树形搜索结构中每个节点对应的频带根据预定采样频率Fs和每一层的节点数计算得到。根据本发明的一个实施例,该树形搜索结构中每一层的节点数通过如下方式计算:第i层的节点数Ni是:
其中,Nlevel表示树形搜索结构的树层数。即,第3层的节点数为3,第4层的节点数为4,第5层的节点数为6,第6层的节点数为8,……,以此类推。
而对应的每层的搜索频带范围均是[0,Fs/2],根据每一层的节点数、将每层的搜索频带平均分配到每个节点,即得到每个节点对应的频带。也就是说,第i层第j个节点的频带Bandi,j为:[Fs/2/Ni·(j-1),Fs/2/Ni·j],如图4示出了根据本发明实施例的树形搜索结构的一个示意图。最顶层为该树形搜索结构的第一层,该层只有1个节点且该节点的频带为[0,Fs/2],往下第2层有2个节点,且这2个节点对应的频带分别为[0,Fs/4]和[Fs/4,Fs/2],……,依次类推。
随后在步骤S230中,根据每个节点的频带对待处理信号进行滤波处理,得到每个节点对应的滤波信号。根据本发明的实施例,可以采用IIR滤波器或是FIR滤波器对待处理信号进行滤波,如,巴特沃斯滤波器、契比雪夫滤波器;另外,可以采用窗函数法、等波纹设计法、最小二乘法等方法来设计滤波器,本发明对此均不作限制。
随后在步骤S240中,分别对每个节点对应的滤波信号进行包络解调处理,得到每个节点对应的解包络信号及其包络谱。根据本发明的一个实施例,先利用希尔伯特变换方法对每个滤波信号进行包络解调处理,得到每个节点的解包络信号;再利用傅里叶变换计算每个解包络信号的包络谱。希尔伯特变换是数字信号处理领域一个较为常见的变换方法,此处不作展开介绍。当然,除希尔伯特变换方法之外,还可以采用最大值包络、相敏检波等其他的解包络算法对滤波信号进行包络解调处理,本发明对此不作限制。
随后在步骤S250中,根据包络谱计算每个解包络信号的信噪比,得到每个节点对应的信噪比。根据本发明的实施方式,可以选用包络谱的峰值频率或是指定目标频率两种模式计算解包络信号的信噪比。假设待处理信号x(t)经过带通滤波和希尔伯特变换及傅里叶变换后得到的其中一个包络谱为Px(f),待计算目标频率为f0,根据上述两种模式,f0可以是包络谱的峰值频率,也可以是指定目标频率,其对应的信噪比为:
上式中,Px(f0)为解包络信号在f0处的包络谱,mean(x)表示对序列x求均值,δ作为调整频率范围的参数,一般地,取δ=f0/2。
根据上述步骤对图3A中示出的待处理信号计算出每个节点对应的信噪比,即可以组成如图5所示的树形结构的信噪比库,图5中横轴表示频率,纵轴表示树形搜索结构的层数,而右侧的灰度条从下往上依次代表了信噪比值,即在图5中通过节点的灰度深浅代表该节点的信噪比值。
随后在步骤S260中,选取信噪比最大的节点(即图5中用椭圆框住的节点)对应的包络谱作为最优包络谱,可选地,根据节点所在层数i和节点索引号j可以定位到节点位置,就可以对应查找到该节点(i,j)对应的频带(即,滤波频带)、解包络信号及包络谱,诊断工程师根据该最优包络谱对待处理信号的故障频率及谐波进行分析。还是以图5中的信号为例,经计算,信噪比最大的节点的频带为[3200Hz,6400Hz],如图6A和图6B示出了信噪比最大的节点对应的最优解包络信号及其最优解包络谱。
作为对比,根据本发明的另一个实施例,计算图3A中待处理信号在[8533Hz,17070Hz]频带之间的解包络结果,如图7A和图7B示出了在[8533Hz,17070Hz]频带之间的解包络信号及其频谱(解包络谱),可以看出,其时域波形的冲击特征明显比图6A中的结果差很多,频谱中的故障频率成分也没有图6B明显,信噪比较低。
为进一步说明计算信噪比的两种模式:根据包络谱的峰值频率(以下简称“峰值频率模式”)和指定目标频率(以下简称“指定频率模式”),以下给出了根据本发明的又一实施例。如图8A示出了输入的待处理信号的时域波形和对应的频谱示意图。一般情况下,诊断工程师并不确定频率范围,此时,需要采用峰值频率模式计算信噪比,得到信噪比库如图8B所示,从中选出信噪比最大的节点(如图8B中用椭圆框住的部分)对应的包络谱如图8C所示,可以分析出此时的特征频率100Hz及其倍频均十分明显,不过,该频率分量也有可能是现场的某种干扰存在所导致的。在另一些情况下,如诊断工程师获知对应轴承外圈故障频率为137.5Hz,此时,可以采用指定频率模式计算信噪比,该指定目标频率即137.5Hz,得到信噪比库如图8D所示,从中选出信噪比最大的节点(如图8D中用椭圆框住的部分)对应的包络谱如图8E所示,可以看出在该包络频段的目标频率信噪比较高,说明在该包络频段下特征频率得到了很好地提取,反应了原始信号中所包含的外圈故障信息。在实际应用中,诊断工程师可以根据实际场景选取合适的模式计算信噪比,过程更加灵活。
根据本发明的基于最优信噪比的信号自适应解包络方法,构建了用于包络频段选择的树形搜索结构,避免传统全局搜索时存在的窗长选取问题,有效提高了搜索效率,并且能够避免非全局搜索时出现的局部最优解情况,具有更好的鲁棒性。另外,以输出信噪比为优化指标,使得计算结果更为直观。综上,根据本发明的方案,能够有效避免传统包络解调时需要先验知识的限制,基于最优信噪比自适应地搜索最优包络频带,便于诊断人员对故障信号的分析,有利于更有效地得到诊断结论。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中,或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被所述机器执行时,所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下,计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件),至少一个输入装置,和至少一个输出装置。其中,存储器被配置用于存储程序代码;处理器被配置用于根据该存储器中存储的所述程序代码中的指令,执行本发明的方法。
此外,所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此,具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外,装置实施例的在此所述的元素是如下装置的例子:该装置用于实施由为了实施该发明的目的的元素所执行的功能。
如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (9)
1.一种基于最优信噪比的信号自适应解包络方法,所述方法包括步骤:
获取在旋转机械故障监测时以预定采样频率采样得到的包含故障信息的待处理信号;
构建树形搜索结构,其中,所述树形搜索结构中每个节点对应的频带根据预定采样频率和每一层的节点数计算得到;
根据每个节点的频带对待处理信号进行滤波处理,得到每个节点对应的滤波信号;
对所述滤波信号进行包络解调处理,得到每个节点对应的解包络信号及其包络谱;
根据所述包络谱计算每个解包络信号的信噪比,得到每个节点对应的信噪比;以及
选取信噪比最大的节点对应的包络谱作为最优包络谱,以便对所述待处理信号的故障频率及谐波进行分析。
2.如权利要求1所述的方法,其中,所述树形搜索结构中第i层的节点数Ni是::
<mrow>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo><</mo>
<mn>4</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>2</mn>
<mo>*</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>4</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>N</mi>
<mi>l</mi>
<mi>e</mi>
<mi>v</mi>
<mi>e</mi>
<mi>l</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,Nlevel表示所述树形搜索结构的树层数。
3.如权利要求2所述的方法,其中,第i层第j个节点的频带Bandi,j为:[Fs/2/Ni·(j-1),Fs/2/Ni·j],
其中,FS表示预定采样频率,Ni表示第i层的叶子节点数。
4.如权利要求1-3中任一项所述的方法,其中,所述对滤波信号进行包络解调处理得到每个叶子节点对应的解包络信号及其包络谱的步骤包括:
利用希尔伯特变换方法对滤波信号进行包络解调处理,得到每个节点的解包络信号;以及
利用傅里叶变换计算每个解包络信号的包络谱。
5.如权利要求1-4中任一项所述的方法,其中,所述根据包络谱计算每个解包络信号的信噪比的步骤包括:
根据包络谱的峰值频率或指定目标频率计算信噪比。
6.如权利要求5所述的方法,其中,信噪比为:
<mrow>
<msub>
<mi>SNR</mi>
<msub>
<mi>f</mi>
<mn>0</mn>
</msub>
</msub>
<mo>=</mo>
<mn>20</mn>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mi>x</mi>
<mo>(</mo>
<mi>f</mi>
<mo>)</mo>
<mo>|</mo>
<msub>
<mi>f</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<mi>&delta;</mi>
<mo><</mo>
<mi>f</mi>
<mo><</mo>
<msub>
<mi>f</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mi>&delta;</mi>
<mo>,</mo>
<mi>f</mi>
<mo>&NotEqual;</mo>
<msub>
<mi>f</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中,f0为包络谱的峰值频率或指定目标频率,Px(f)为解包络信号的包络谱,Px(f0)为解包络信号在f0处的包络谱,mean(x)表示对序列x求均值,δ是频率调整参数。
7.如权利要求1-6中任一项所述的方法,其中,所述待处理信号的类型包括振动信号、声信号、声发射信号。
8.一种计算设备,包括:
一个或多个处理器;
存储器;和
一个或多个程序,其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行如权利要求1-7所述方法中的任一方法的指令。
9.一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当计算设备执行时,使得所述计算设备执行如权利要求1-7所述的方法中的任一方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710607183.7A CN107389367B (zh) | 2017-07-24 | 2017-07-24 | 一种基于最优信噪比的信号自适应解包络方法及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710607183.7A CN107389367B (zh) | 2017-07-24 | 2017-07-24 | 一种基于最优信噪比的信号自适应解包络方法及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107389367A true CN107389367A (zh) | 2017-11-24 |
CN107389367B CN107389367B (zh) | 2019-07-02 |
Family
ID=60336606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710607183.7A Active CN107389367B (zh) | 2017-07-24 | 2017-07-24 | 一种基于最优信噪比的信号自适应解包络方法及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107389367B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109724802A (zh) * | 2019-03-05 | 2019-05-07 | 西安交通大学 | 一种基于频谱图评价与优选的电机轴承微弱故障诊断方法 |
CN112763190A (zh) * | 2019-12-25 | 2021-05-07 | 武汉阿格斯科技有限公司 | 一种oct系统灵敏度测量方法以及测量装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995437A (zh) * | 2010-09-27 | 2011-03-30 | 江苏大学 | 一种拉深件裂纹声发射信号的特征提取方法 |
US8204732B1 (en) * | 2008-10-03 | 2012-06-19 | The Mathworks, Inc. | Modeling communication interfaces for multiprocessor systems |
CN104596756A (zh) * | 2015-02-02 | 2015-05-06 | 华北电力大学 | 用于旋转机械故障诊断的多频带包络谱阵 |
CN105067248A (zh) * | 2015-08-17 | 2015-11-18 | 安徽容知日新信息技术有限公司 | 设备转速和振动数据采集方法、装置和监测系统 |
CN106053070A (zh) * | 2016-06-30 | 2016-10-26 | 中国人民解放军国防科学技术大学 | 基于分离信号包络谱特征的轴承滚动体故障增强诊断方法 |
-
2017
- 2017-07-24 CN CN201710607183.7A patent/CN107389367B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8204732B1 (en) * | 2008-10-03 | 2012-06-19 | The Mathworks, Inc. | Modeling communication interfaces for multiprocessor systems |
CN101995437A (zh) * | 2010-09-27 | 2011-03-30 | 江苏大学 | 一种拉深件裂纹声发射信号的特征提取方法 |
CN104596756A (zh) * | 2015-02-02 | 2015-05-06 | 华北电力大学 | 用于旋转机械故障诊断的多频带包络谱阵 |
CN105067248A (zh) * | 2015-08-17 | 2015-11-18 | 安徽容知日新信息技术有限公司 | 设备转速和振动数据采集方法、装置和监测系统 |
CN106053070A (zh) * | 2016-06-30 | 2016-10-26 | 中国人民解放军国防科学技术大学 | 基于分离信号包络谱特征的轴承滚动体故障增强诊断方法 |
Non-Patent Citations (2)
Title |
---|
SHRAWAN CHITTOOR SURENDER: "Cross-layered resource allocation in UWB", 《EURASIP JOURNAL ON WIRELESS COMMUNICATIONS AND NETWORKING》 * |
赵洪山等: "基于最大信噪比的风电机组主轴承的故障特征提取", 《可再生能源》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109724802A (zh) * | 2019-03-05 | 2019-05-07 | 西安交通大学 | 一种基于频谱图评价与优选的电机轴承微弱故障诊断方法 |
CN112763190A (zh) * | 2019-12-25 | 2021-05-07 | 武汉阿格斯科技有限公司 | 一种oct系统灵敏度测量方法以及测量装置 |
CN112763190B (zh) * | 2019-12-25 | 2022-08-05 | 武汉阿格斯科技有限公司 | 一种oct系统灵敏度测量方法以及测量装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107389367B (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yi et al. | A fault diagnosis scheme for rolling bearing based on particle swarm optimization in variational mode decomposition | |
Shen et al. | Fault diagnosis of rotating machinery based on the statistical parameters of wavelet packet paving and a generic support vector regressive classifier | |
CN104807534B (zh) | 基于在线振动数据的设备固有振动模式自学习识别方法 | |
CN103792000B (zh) | 一种基于稀疏表示的信号中瞬态成分检测方法及装置 | |
CN103929706B (zh) | 用于测量声源产生的直达声的装置及方法 | |
Vashishtha et al. | An ameliorated African vulture optimization algorithm to diagnose the rolling bearing defects | |
CN104112072A (zh) | 基于小波阈值去噪的主成分分析的工作模态参数识别方法 | |
CN109765055A (zh) | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 | |
Tongguang et al. | An early fault diagnosis method based on the optimization of a variational modal decomposition and convolutional neural network for aeronautical hydraulic pipe clamps | |
CN105849804A (zh) | 过滤噪声的计算高效方法 | |
CN107909156A (zh) | 一种设备状态检测方法及计算设备 | |
Saravanakumar et al. | Hierarchical symbolic analysis and particle swarm optimization based fault diagnosis model for rotating machineries with deep neural networks | |
CN107491374A (zh) | 一种设备停机状态的判断方法及计算设备 | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
CN112013285B (zh) | 管道泄漏点的检测方法及装置、存储介质、终端 | |
CN113029559A (zh) | 一种齿轮箱故障诊断方法及系统 | |
CN107389367B (zh) | 一种基于最优信噪比的信号自适应解包络方法及计算设备 | |
Li et al. | Multi-fault diagnosis of rotating machinery via iterative multivariate variational mode decomposition | |
Lei | Fault diagnosis of rotating machinery based on empirical mode decomposition | |
CN115931359B (zh) | 一种涡轮泵轴承故障诊断方法及装置 | |
Yang et al. | Unknown fault diagnosis of planetary gearbox based on optimal rank nonnegative matrix factorization and improved stochastic resonance of bistable system | |
Medina et al. | Gearbox fault classification using dictionary sparse based representations of vibration signals | |
Ke et al. | Fault diagnosis method of weak vibration signal based on improved VMD and MCKD | |
CN114061947B (zh) | 基于稀疏时频分析的齿轮箱变转速故障诊断方法及系统 | |
Gu et al. | Evaluation on filter performance of variational mode decomposition and its application in separating closely spaced modes |
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 |