CN109272054B - 一种基于独立性的振动信号去噪方法及系统 - Google Patents
一种基于独立性的振动信号去噪方法及系统 Download PDFInfo
- Publication number
- CN109272054B CN109272054B CN201811194561.4A CN201811194561A CN109272054B CN 109272054 B CN109272054 B CN 109272054B CN 201811194561 A CN201811194561 A CN 201811194561A CN 109272054 B CN109272054 B CN 109272054B
- Authority
- CN
- China
- Prior art keywords
- signal
- phase
- mark
- data
- data set
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种基于独立性的振动信号去噪方法及系统。方法包括:获取信号的相位标记起始点位置和标记长度参数;根据基准信号、相位标记起始点位置创建基准数据;根据比对信号、相位标记起始点位置和标记长度参数创建移相数据集;对基准数据和移相数据集中的数据分别采用独立成分分析法进行处理,得到过程分离信号;获取过程分离信号的相位标记因子矩阵;根据相位标记因子矩阵的异常值信息确定相位信息;根据相位信息调整比对信号相位,与基准信号共同构造得到调整数据集;对调整数据集采用独立成分分析法进行处理,得到最终分离信号;根据最终分离信号的时频特征确定去噪信号。采用本发明能够有效去除振动信号噪声,实现振动信号的特征提取。
Description
技术领域
本发明涉及振动信号分析领域,特别是涉及一种基于独立性的振动信号去噪方法及系统。
背景技术
振动信号监测是机械设备状态监测与故障诊断的主要技术之一,其基本方法是通过测量机器设备上一些特殊部位的振动信号,对振动信号进行分析处理,从中提取反映故障的特征信息,根据故障特征信息对故障类型、部位、程度及其发展趋势做出诊断。提取振动信号特征需要对信号进行分析处理,去除与特征信号不相关的噪声信号是其中尤为关键的步骤之一。
独立成分分析是利用源信号统计独立特性仅通过传感器观测信号进行信号分离的一种信号处理方法,是盲源分离方法的一个重要分支。在无线通信、语音、图像、地震信号处理、生物医学等领域具有很大的应用潜力。振动信号中既包含与机械设备状态相关的特征信息,即振动源发生的信号,可将其称为源信号;也包含不利于判断振动特征的干扰信号,可将其统称为噪声信号。强噪声背景下,振动信号的去噪和振动特征的提取成为关键问题。利用噪声和源信号的统计独立性、噪声与噪声之间统计相关性,可应用独立成分分析将统计相关的噪声分离出来,其中采样通道越多,噪声分离性能越好。但在分离过程中,不同传感器采集到的数据存在一定的相位差,若不考虑相位差直接进行独立成分分析,会严重影响分离效果。一种常用的解决方式是对信号进行盲解卷积,将采样信号变换到频域,在频域内对信号进行复数独立成分分析,但复数独立成分分析存在幅度不确定性和排序不确定性的问题,解决排序问题过程复杂,得到分离结果并不理想。
发明内容
本发明的目的是提供一种基于独立性的振动信号去噪方法及系统,在考虑相位差的前提下进行独立成分分析,有效去除振动信号噪声,实现振动信号的特征提取。
为实现上述目的,本发明提供了如下方案:
一种基于独立性的振动信号去噪方法,所述方法包括:
选取N路测量信号,所述每路信号包含多个点,并随机选取一路信号作为基准信号,将剩余N-1路信号作为比对信号;
获取信号的相位标记起始点位置和标记长度参数;
根据所述基准信号、所述相位标记起始点位置创建基准数据;
根据所述比对信号、所述相位标记起始点位置和所述标记长度参数创建移相数据集;
对所述基准数据和移相数据集中的数据分别采用独立成分分析法进行处理,得到过程分离信号;
获取所述过程分离信号的相位标记因子矩阵;
根据所述相位标记因子矩阵的异常值信息确定相位信息;
根据所述相位信息调整比对信号相位,与基准信号共同构造得到调整数据集;
对所述调整数据集采用独立成分分析法进行处理,得到最终分离信号;
根据所述最终分离信号的时频特征确定去噪信号。
可选的,所述标记长度参数通过公式m≥FS/Fmax确定,其中,m为标记长度参数,FS为信号采样周期,Fmax为信号能量最大的波形的周期。
可选的,所述根据所述基准信号、所述相位标记起始点位置创建基准数据;根据所述比对信号、所述相位标记起始点位置和所述标记长度参数创建移相数据集,具体包括:
根据公式S=X0(t+τ0)创建基准数据,
其中,X0为基准信号,S为截取的基准数据,X为移相数据集,{X1,...,Xn-1}为N-1路比对信号上截取的数据,τ0为相位标记起始点位置,τi为第i个相位标记点。
可选的,所述对基准数据和移相数据集中的数据分别采用独立成分分析法进行处理,具体包括:
对基准数据S和移相数据集中数据Xj(t+τ0+τm)进行独立成分分析,得到两路过程分离信号S’ji和X’ji。
可选的,所述获取所述过程分离信号的相位标记因子矩阵,具体包括:
计算所述过程分离信号S’ji和X’ji的相位标记因子kji;
将所述相位标记因子进行排列,得到相位标记因子矩阵
一种基于独立性的振动信号去噪系统,所述系统包括:
选取模块,用于选取N路测量信号,所述每路信号包含多个点,并随机选取一路信号作为基准信号,将剩余N-1路信号作为比对信号;
第一获取模块,用于获取信号的相位标记起始点位置和标记长度参数;
基准数据创建模块,用于根据所述基准信号、所述相位标记起始点位置创建基准数据;
移相数据集创建模块,用于根据所述比对信号、所述相位标记起始点位置和所述标记长度参数创建移相数据集;
第一分析模块,用于对所述基准数据和移相数据集中的数据分别采用独立成分分析法进行处理,得到过程分离信号;
第二获取模块,用于获取所述过程分离信号的相位标记因子矩阵;
相位信息确定模块,用于根据所述相位标记因子矩阵的异常值信息确定相位信息;
调整模块,用于根据所述相位信息调整比对信号相位,与基准信号共同构造得到调整数据集;
第二分析模块,用于对所述调整数据集采用独立成分分析法进行处理,得到最终分离信号;
去噪信号确定模块,用于根据所述最终分离信号的时频特征确定去噪信号。
可选的,所述标记长度参数通过公式m≥FS/Fmax确定,其中,m为标记长度参数,FS为信号采样周期,Fmax为信号能量最大的波形的周期。
可选的,所述移相数据集创建模块,具体包括:
根据公式S=X0(t+τ0)创建基准数据,
其中,X0为基准信号,S为截取的基准数据,X为移相数据集,{X1,...,Xn-1}为N-1路比对信号上截取的数据,τ0为相位标记起始点位置,τi为第i个相位标记点。
可选的,所述第一分析模块,具体包括:
对基准数据S和移相数据集中数据Xj(t+τ0+τm)进行独立成分分析,得到两路过程分离信号S’ji和X’ji。
可选的,所述第二获取模块,具体包括:
计算所述过程分离信号S’ji和X’ji的相位标记因子kji;
将所述相位标记因子进行排列,得到相位标记因子矩阵
根据本发明提供的具体实施例,本发明公开了以下技术效果:
(1)本发明采用独立成分分析方法从信号的独立性出发对振动信号进行特征提取,采样通道越多,各通道信号噪声相关性越强、源信号与噪声间独立性越强,去噪能力越好,特征提取效果越好。
(2)本发明提出了一种基于相位标记因子的独立成分分析的振动信号去噪方法,利用相位标记因子来确定不同通道含噪信号相位差,解决了基于独立成分分析去噪过程中不同信道信号之间存在的相位差所引起的算法失效问题。通过该方法可有效去除振动信号噪声,实现振动信号的特征提取。
(3)根据信号与噪声之间的特征选取不同参量作为相位标记因子,能够更准确的确定不同通道之间源信号的相位差。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于独立性的振动信号去噪方法流程图;
图2为本发明实施例1源信号时域波形图;
图3为本发明实施例1含噪信号时域波形图;
图4为本发明实施例1中分离信号D的峭度差数据分布图;
图5为本发明实施例1分离信号时域波形图及包络谱;
图6为本发明实施例1去噪后信号时域波形图;
图7为本发明实施例2内圈故障信号和干扰信号的波形图及包络谱;
图8为本发明实施例2混合信号的波形图及包络谱;
图9为本发明实施例2中分离信号D的峭度差数据分布图;
图10为本发明实施例2中分离信号D的相关系数数据分布图;
图11为本发明实施例2分离信号时域波形图及包络谱图;
图12为本发明实施例基于独立性的振动信号去噪系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例基于独立性的振动信号去噪方法流程图。如图1所示,一种基于独立性的振动信号去噪方法,所述方法包括:
步骤101:选取N路测量信号,所述每路信号包含多个点,并随机选取一路信号作为基准信号,将剩余N-1路信号作为比对信号;
步骤102:获取信号的相位标记起始点位置和标记长度参数;
步骤103:根据所述基准信号、所述相位标记起始点位置创建基准数据;
步骤104:根据所述比对信号、所述相位标记起始点位置和所述标记长度参数创建移相数据集;
步骤105:对所述基准数据和移相数据集中的数据分别采用独立成分分析法进行处理,得到过程分离信号;
步骤106:获取所述过程分离信号的相位标记因子矩阵;
步骤107:根据所述相位标记因子矩阵的异常值信息确定相位信息;
步骤108:根据所述相位信息调整比对信号相位,与基准信号共同构造得到调整数据集;
步骤109:对所述调整数据集采用独立成分分析法进行处理,得到最终分离信号;
步骤110:根据所述最终分离信号的时频特征确定去噪信号。
所述标记长度参数通过公式m≥FS/Fmax确定,其中,m为标记长度参数,FS为信号采样周期,Fmax为信号能量最大的波形的周期。
步骤104,具体包括:
根据公式S=X0(t+τ0)创建基准数据,
其中,X0为基准信号,S为截取的基准数据,X为移相数据集,{X1,...,Xn-1}为N-1路比对信号上截取的数据,τ0为相位标记起始点位置,τi为第i个相位标记点。
步骤105,具体包括:
对基准数据S和移相数据集中数据Xj(t+τ0+τm)进行独立成分分析,得到两路过程分离信号S’ji和X’ji。
可选的,所述获取所述过程分离信号的相位标记因子矩阵,具体包括:
计算所述过程分离信号S’ji和X’ji的相位标记因子kji;
将所述相位标记因子进行排列,得到相位标记因子矩阵
所述步骤105中,所述计算所述过程分离信号中各信号的相位标记因子,具体包括:
当所述测量信号的噪声高斯性无法判断时,将所述两路过程分离信号的峭度差值作为相位标记因子:
kij=kurt(S'ij)-kurt(Dij)
其中峭度值计算如下:
kij=kurt(D)=E{D4}-3(E{D2})2
当所述测量信号中噪声与有用信号相关性较差时,将过程分离信号间的相似系数作为相位标记因子:
若对信号的特征具备相应的先验知识,可以直接利用一种相位标记因子确定相位信息,若对信号没有充足的先验知识或信号较复杂的情况下,可以计算两种相位标记因子,综合考虑确定相位信息。
具体实施例1:
应用加速度传感器采集的滚动轴承内圈故障数据s,如图2所示。对s加入15dB噪声生成六路含噪信号作为仿真信号,如图3所示,对这六路信号进行去噪处理。
步骤一:六路信号中取一路信号为基准信号X0,另外五路信号为比对信号X1={X1,X2,...,X5},每路信号取5000点;
步骤二:设置参数,选择第1000点的位置为相位标记起始点τ0,标记长度参数m=200,分别在相位标记起始点τ0左侧取200点,右侧取200点。
步骤三:根据基准信号X0创建基准数据S,S共1000点数据,根据不同相位起始点的信号创建移相数据集X2:
移相数据集中每路信号1000点,但每路信号的相位有所差异。
步骤四:对基准数据S和移相数据集中每一组数据Xj(t+τ0+τi)进行独立成分分析,得到两路过程分离信号S’ji和X’ji。
由于噪声为高斯噪声,分离出的噪声信号也具有一定的高斯性,峭度是衡量信号高斯性能的指标之一,故选取峭度差作为相位标记因子,利用峭度差作为相位标记因子,计算所述过程分离信号S’ji和X’ji的相位标记因子kji,并对相位标记因子进行排列,得到相位标记因子矩阵所求k如图4所示。
步骤七:对调整后的观测信号Y进行独立成分分析,得到六路分离信号Z={Z1,Z2,...,Z6},如图5所示。根据Z中各路信号的信号特征,提取最终去噪信号ZS,如图6所示。
用相关因子定量表达信号间的相似性,求取源信号s与六路含噪信号以及源信号s与去噪信号的相似系数,所得结果如表1所示。
表1去噪前与去噪后效果对比
具体实施例2:
应用加速度传感器采集滚动轴承内圈故障信号s,但测量值存在其他信号对其产生干扰,此干扰信号为s’,这两路信号如图7所示。因传感器位置不同,两种信号以如下混合矩阵混合:
根据公式X=H×(s,s’)’,得到两路混合信号X={X1,X2},如图8所示。为更准确的模拟采样信号,为混合信号X布置一定的相位差得到仿真信号S={S1,S2}。
步骤一:S为仿真得到的传感器采样数据,其中选取S1为基准数据,选取S2为比对数据,每路信号取5000点。
步骤二:选择第1000点的位置为相位标记起始点τ0,标记长度参数m=500,分别在相位标记起始点τ0左侧取500点,右侧取500点。
步骤三:根据基准信号S1创建基准数据S,S共3000点数据,根据比对信号S2和不同相位起始点创建移相数据集X:
X={S2(t+τ0-500),...,S2(t+τ0+τi),...,S2(t+τ0+500)}
移相数据集中每路信号3000点,但每路信号的相位有所差异。
步骤四:对基准数据S和移相数据集中每一组数据S2(t+τ0+τi)进行独立成分分析,得到两路过程分离信号S’i和X’i。
由于干扰信号与源信号相关程度不高,且信号的高斯性不同,故选取峭度差和相关因子共同作为相位标记因子,计算所述过程分离信号S’i和X’i的相位标记因子ki,并对相位标记因子进行排列,得到相位标记因子矩阵k={k1,(-500),...,k1i,...,k1,500},以峭度差作为相位标记因子所求k如图9所示;以相关系数作为相位标记因子所求k如图10所示。
步骤七:对调整后的观测信号Y进行独立成分分析,得到两路分离信号Z={Z1,Z2},如图11所示。根据Z中各路信号的信号特征及包络谱,提取最终去噪信号ZS为第一路信号Z1。
图12为本发明实施例基于独立性的振动信号去噪系统结构图。如图12所示,一种基于独立性的振动信号去噪系统,所述系统包括:
选取模块201,用于选取N路测量信号,所述每路信号包含多个点,并随机选取一路信号作为基准信号,将剩余N-1路信号作为比对信号;
第一获取模块202,用于获取信号的相位标记起始点位置和标记长度参数;
基准数据创建模块203,用于根据所述基准信号、所述相位标记起始点位置创建基准数据;
移相数据集创建模块204,用于根据所述比对信号、所述相位标记起始点位置和所述标记长度参数创建移相数据集;
第一分析模块205,用于对所述基准数据和移相数据集中的数据分别采用独立成分分析法进行处理,得到过程分离信号;
第二获取模块206,用于获取所述过程分离信号的相位标记因子矩阵;
相位信息确定模块207,用于根据所述相位标记因子矩阵的异常值信息确定相位信息;
调整模块208,用于根据所述相位信息调整比对信号相位,与基准信号共同构造得到调整数据集;
第二分析模块209,用于对所述调整数据集采用独立成分分析法进行处理,得到最终分离信号;
去噪信号确定模块210,用于根据所述最终分离信号的时频特征确定去噪信号。
所述标记长度参数通过公式m≥FS/Fmax确定,其中,m为标记长度参数,FS为信号采样周期,Fmax为信号能量最大的波形的周期。
所述移相数据集创建模块204,具体包括:
根据公式S=X0(t+τ0)创建基准数据,
其中,X0为基准信号,S为截取的基准数据,X为移相数据集,{X1,...,Xn-1}为N-1路比对信号上截取的数据,τ0为相位标记起始点位置,τi为第i个相位标记点。
所述第一分析模块205,具体包括:
对基准数据S和移相数据集中数据Xj(t+τ0+τm)进行独立成分分析,得到两路过程分离信号S’ji和X’ji。
可选的,所述第二获取模块,具体包括:
计算所述过程分离信号S’ji和X’ji的相位标记因子kji;
将所述相位标记因子进行排列,得到相位标记因子矩阵
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于独立性的振动信号去噪方法,其特征在于,所述方法包括:
选取N路测量信号,所述每路信号包含多个点,并随机选取一路信号作为基准信号,将剩余N-1路信号作为比对信号;
获取信号的相位标记起始点位置和标记长度参数;
根据所述基准信号、所述相位标记起始点位置创建基准数据;
根据所述比对信号、所述相位标记起始点位置和所述标记长度参数创建移相数据集;
对所述基准数据和移相数据集中的数据分别采用独立成分分析法进行处理,得到过程分离信号;
获取所述过程分离信号的相位标记因子矩阵;
根据所述相位标记因子矩阵的异常值信息确定相位信息;
根据所述相位信息调整比对信号相位,与基准信号共同构造得到调整数据集;
对所述调整数据集采用独立成分分析法进行处理,得到最终分离信号;
根据所述最终分离信号的时频特征确定去噪信号。
2.根据权利要求1所述的基于独立性的振动信号去噪方法,其特征在于,所述标记长度参数通过公式m≥FS/Fmax确定,其中,m为标记长度参数,FS为信号采样周期,Fmax为信号能量最大的波形的周期。
4.根据权利要求1所述的基于独立性的振动信号去噪方法,其特征在于,所述对基准数据和移相数据集中的数据分别采用独立成分分析法进行处理,具体包括:
对基准数据S和移相数据集中数据Xj(t+τ0+τm)进行独立成分分析,得到两路过程分离信号S’ji和X’ji。
6.一种基于独立性的振动信号去噪系统,其特征在于,所述系统包括:
选取模块,用于选取N路测量信号,所述每路信号包含多个点,并随机选取一路信号作为基准信号,将剩余N-1路信号作为比对信号;
第一获取模块,用于获取信号的相位标记起始点位置和标记长度参数;
基准数据创建模块,用于根据所述基准信号、所述相位标记起始点位置创建基准数据;
移相数据集创建模块,用于根据所述比对信号、所述相位标记起始点位置和所述标记长度参数创建移相数据集;
第一分析模块,用于对所述基准数据和移相数据集中的数据分别采用独立成分分析法进行处理,得到过程分离信号;
第二获取模块,用于获取所述过程分离信号的相位标记因子矩阵;
相位信息确定模块,用于根据所述相位标记因子矩阵的异常值信息确定相位信息;
调整模块,用于根据所述相位信息调整比对信号相位,与基准信号共同构造得到调整数据集;
第二分析模块,用于对所述调整数据集采用独立成分分析法进行处理,得到最终分离信号;
去噪信号确定模块,用于根据所述最终分离信号的时频特征确定去噪信号。
7.根据权利要求6所述的基于独立性的振动信号去噪系统,其特征在于,所述标记长度参数通过公式m≥FS/Fmax确定,其中,m为标记长度参数,FS为信号采样周期,Fmax为信号能量最大的波形的周期。
9.根据权利要求7所述的基于独立性的振动信号去噪系统,其特征在于,所述第一分析模块,具体包括:
对基准数据S和移相数据集中数据Xj(t+τ0+τm)进行独立成分分析,得到两路过程分离信号S’ji和X’ji。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811194561.4A CN109272054B (zh) | 2018-10-15 | 2018-10-15 | 一种基于独立性的振动信号去噪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811194561.4A CN109272054B (zh) | 2018-10-15 | 2018-10-15 | 一种基于独立性的振动信号去噪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109272054A CN109272054A (zh) | 2019-01-25 |
CN109272054B true CN109272054B (zh) | 2020-10-02 |
Family
ID=65196655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811194561.4A Active CN109272054B (zh) | 2018-10-15 | 2018-10-15 | 一种基于独立性的振动信号去噪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272054B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116441031B (zh) * | 2023-06-20 | 2023-08-25 | 广东绿富域资源再生科技有限公司 | 一种焚烧垃圾炉渣的智能化破碎系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101825489A (zh) * | 2010-01-29 | 2010-09-08 | 浙江大学 | 电力变压器有载分接开关振动信号分离方法 |
CN104215324A (zh) * | 2014-08-18 | 2014-12-17 | 国家电网公司 | 电力变压器有载分接开关振动信号提取方法 |
CN107025446A (zh) * | 2017-04-12 | 2017-08-08 | 北京信息科技大学 | 一种振动信号联合降噪方法 |
CN107559228A (zh) * | 2017-08-08 | 2018-01-09 | 浙江上风高科专风实业有限公司 | 基于双频谱数据检测和诊断风机故障的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090264786A1 (en) * | 2008-04-21 | 2009-10-22 | Brainscope Company, Inc. | System and Method For Signal Denoising Using Independent Component Analysis and Fractal Dimension Estimation |
US20130262037A1 (en) * | 2012-04-03 | 2013-10-03 | King Fahd University Of Petroleum And Minerals | Partial discharge noise separation method |
-
2018
- 2018-10-15 CN CN201811194561.4A patent/CN109272054B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101825489A (zh) * | 2010-01-29 | 2010-09-08 | 浙江大学 | 电力变压器有载分接开关振动信号分离方法 |
CN104215324A (zh) * | 2014-08-18 | 2014-12-17 | 国家电网公司 | 电力变压器有载分接开关振动信号提取方法 |
CN107025446A (zh) * | 2017-04-12 | 2017-08-08 | 北京信息科技大学 | 一种振动信号联合降噪方法 |
CN107559228A (zh) * | 2017-08-08 | 2018-01-09 | 浙江上风高科专风实业有限公司 | 基于双频谱数据检测和诊断风机故障的方法 |
Non-Patent Citations (4)
Title |
---|
Adaptive Step Size Gradient Ascent ICA Algorithm for Wireless MIMO Systems;Zahoor Uddin 等;《Hindawi Mobile Information Systems》;20180502;第1-9页 * |
The Improved Fast ICA Algorithm in the Application of Vibration Signal Analysis Research;Xiaofeng Yue 等;《2015 7th International Conference on Intelligent Human-Machine Systems and Cybernetics》;20151123;第173-176页 * |
基于独立分量分析的振动信号中工频干扰消除;毕新强 等;《昆明理工大学学报(理工版)》;20090630;第34卷(第3期);第24-28页 * |
基于盲源分离去噪和HHT的旋转机械故障诊断;孟宗 等;《计量学报》;20130531;第34卷(第3期);第242-246页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109272054A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Intrinsic chirp component decomposition by using Fourier series representation | |
CN109243483B (zh) | 一种含噪频域卷积盲源分离方法 | |
Cong et al. | Short-time matrix series based singular value decomposition for rolling bearing fault diagnosis | |
CN110702411B (zh) | 一种基于时频分析的残差网络滚动轴承故障诊断方法 | |
AU2021103898A4 (en) | Bridge time series displacement signal denoising method | |
CN112487604B (zh) | 海洋重力仪输出数据长时间非线性漂移补偿方法 | |
CN111160317B (zh) | 微弱信号盲提取方法 | |
CN109214469B (zh) | 一种基于非负张量分解的多源信号分离方法 | |
CN104849590B (zh) | 一种混合噪声干扰下微弱脉冲信号检测方法 | |
CN109598175B (zh) | 一种基于多小波基函数和超正交前向回归的时频分析方法 | |
CN110927543A (zh) | 一种电力设备局部放电超声信号时差估计方法 | |
CN111863014A (zh) | 一种音频处理方法、装置、电子设备和可读存储介质 | |
Jia et al. | Multiwindow nonharmonic analysis method for gravitational waves | |
CN109272054B (zh) | 一种基于独立性的振动信号去噪方法及系统 | |
CN111736222A (zh) | 单炮数据信噪比确定方法及装置 | |
CN107941324A (zh) | 一种消费级惯性传感单元环境噪声的估计方法 | |
Jia et al. | Time–frequency-based non-harmonic analysis to reduce line-noise impact for LIGO observation system | |
WO2022233110A1 (zh) | 一种阶梯叠加式傅里叶变换微分方法 | |
Yan et al. | Feature extraction by enhanced time–frequency analysis method based on Vold-Kalman filter | |
CN106980722B (zh) | 一种脉冲响应中谐波成分的检测和去除方法 | |
Guo et al. | Order-crossing removal in Gabor order tracking by independent component analysis | |
Draganie et al. | A software tool for compressive sensing based time-frequency analysis | |
CN103040459B (zh) | 一种多通道微弱生理信息记录系统中工频干扰的高保真滤除方法 | |
CN112817056B (zh) | 一种大地电磁信号去噪方法及系统 | |
Qin et al. | A new method for multicomponent signal decomposition based on self-adaptive filtering |
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 |