CN109460736A - 一种混合信号分离方法 - Google Patents

一种混合信号分离方法 Download PDF

Info

Publication number
CN109460736A
CN109460736A CN201811340634.6A CN201811340634A CN109460736A CN 109460736 A CN109460736 A CN 109460736A CN 201811340634 A CN201811340634 A CN 201811340634A CN 109460736 A CN109460736 A CN 109460736A
Authority
CN
China
Prior art keywords
signal
steady
fault
frequency
modulated 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.)
Granted
Application number
CN201811340634.6A
Other languages
English (en)
Other versions
CN109460736B (zh
Inventor
焦新涛
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.)
South China Normal University
Original Assignee
South China Normal 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 South China Normal University filed Critical South China Normal University
Priority to CN201811340634.6A priority Critical patent/CN109460736B/zh
Publication of CN109460736A publication Critical patent/CN109460736A/zh
Application granted granted Critical
Publication of CN109460736B publication Critical patent/CN109460736B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种混合信号分离方法，其包括：获取齿轮箱的故障信号；通过对故障信号进行频谱分析，获取频谱特征参数；根据频谱特征参数和预设的波动范围和波动步长，生成平稳调制基函数集合；对平稳调制基函数集合与故障信号进行相关运算，提取出与故障信号最相关的平稳调制分量；从故障信号中减去上一步骤中提取出来的平稳调制分量，将两者差值记为剩余项；比较故障信号与剩余项的差值，若小于预设值，则执行下一步骤；否则以剩余项作为故障信号，重复执行上两个步骤；将提取出的所有平稳调制分量相加，获得平稳调制信号；对剩余项进行小波变换，提取其中的冲击调制信号。本发明能够将混合在一起的平稳调制信号与冲击调制信号分离。

Description

一种混合信号分离方法
技术领域
本发明涉及齿轮箱故障诊断技术领域，尤其涉及一种混合信号分离方法。
背景技术
齿轮箱是一种机械设备中用来传递运动和动力的重要部件。齿轮箱一旦发生故障，其带来的后果将非常严重。由于在齿轮箱中出现如点蚀、断齿、疲劳剥落等故障时，会产生周期性的脉冲冲击力，从而产生振动信号的冲击调制现象，经过调制的振动信号中包括冲击调制信号，在频谱上表现为啮合频率或固有频率两侧出现间隔均匀的调制边频带，因此目前对于齿轮箱故障的诊断方法大多都是通过收集齿轮箱中经过调制的振动信号，识别其中的冲击调制信号。
然而，某些齿轮箱在运作的过程中由于器件之间的配合、非完全刚性支撑等因素的影响，振动信号除了发生冲击调制之外还包括另一种调制，称为平稳调制，平稳调制信号会在频谱上表现出与冲击调制信号相似的频谱特征，从而对冲击调制信号的提取和识别造成干扰，使得现有的齿轮箱故障诊断方法不能有效、准确地提取和识别冲击调制信号，导致齿轮箱故障诊断的结果不够准确。
发明内容
本发明的目的在于提供一种混合信号分离方法，所述混合信号分离方法能够在故障诊断之前将混合在一起的平稳调制信号与冲击调制信号分离开来，使得故障诊断的结果更准确。
本发明是通过以下技术方案实现的：
一种混合信号分离方法，包括如下步骤：
获取齿轮箱的故障信号；
通过对故障信号进行频谱分析，获取频谱特征参数；
根据频谱特征参数和预设的波动范围和波动步长，生成平稳调制基函数集合；
对平稳调制基函数集合与故障信号进行相关运算，提取出与故障信号最相关的平稳调制分量；
从故障信号中减去上一步骤中提取出来的平稳调制分量，将两者差值记为剩余项；
比较故障信号与剩余项的差值，若小于预设值，则执行下一步骤，否则以剩余项作为故障信号，重复执行上两个步骤；
将提取出的所有平稳调制分量相加，获得平稳调制信号；
对剩余项进行小波变换，提取其中的冲击调制信号。
相对于现有技术，本发明充分考虑到齿轮箱的振动信号，也即故障信号中会混合有冲击调制信号和平稳调制信号，通过从故障信号中提取频谱特征参数，在频谱特征参数的波动范围内按照波动步长进行多次的平稳调制信号模拟，生成平稳调制基函数集合，并不断从故障信号中减去与故障信号最相关的平稳调制分量，取故障信号与剩余项的差值作为跳出循环的控制条件或进行误差控制，将提取出的所有平稳调制分量相加，获得平稳调制信号，再从剩余项中提取冲击调制信号，从而在故障诊断之前从混合信号的故障信号中分离出平稳调制信号和冲击调制信号，使得故障诊断的结果更准确。
进一步，所述频谱特征参数包括平稳调制的载波频率、调制频率及倍频的次数；其中，所述载波频率为齿轮箱啮合频率及其倍频，所述调制频率为齿轮所在轴的转频及其倍频。
进一步，所述根据频谱特征参数和预设的波动范围和波动步长，生成平稳调制基函数集合的步骤，包括如下步骤：
在频谱特征参数的波动范围内，按照波动步长计算获得包括载波频率、调制频率及倍频的次数在内的波动参数集合；
将波动参数集合代入平稳调制信号模型生成平稳调制基函数集合；其中，fn是调制频率，fz是载波频率，k和m分别是调制频率和载波频率的倍频的次数，和分别是调制频率和载波频率的初始相位。
通过建立的平稳调制信号模型对应地采集模型所需的参数，使得通过平稳调制信号模型获得的平稳调制基函数集合更接近真实的平稳调制信号，有利于最大程度地从故障信号中分离出平稳调制信号，从而使得故障诊断的结果更为准确。
对提取了平稳调制信号之后的故障信号剩余项，进行小波变换分析，提取冲击调制分量。在此基础上进行齿轮箱故障诊断使得诊断结果更准确。
本发明还提供一种计算机可读储存介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上所述的混合信号分离方法的步骤。
本发明还提供一种计算机设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的混合信号分离方法的步骤。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1是本发明的混合信号分离方法的流程图；
图2是本发明的步骤S3的子步骤流程图；
图3是仿真信号中未添加噪声时的时域仿真信号波形图；
图4是向仿真信号中添加高斯白噪声后的时域含噪仿真信号波形图；
图5a是直接采用用小波包变换算法从无噪声仿真信号提取冲击调制信号的波形图；
图5b是直接采用用小波包变换算法从含噪仿真信号提取冲击调制信号的波形图；
图6a是利用本发明提出的方法从无噪声仿真信号提取出的平稳调制信号分量波形图；
图6b是利用本发明提出的方法从无噪声仿真信号提取出的冲击调制信号分量波形图；
图7a是利用本发明提出的方法从含噪仿真信号提取出的平稳调制信号分量波形图；
图7b是利用本发明提出的方法从含噪仿真信号提取出的冲击调制信号分量波形图。
具体实施方式
当齿轮箱故障信号中同时存在平稳调制信号和冲击调制信号时，故障诊断将变得复杂，直接进行故障诊断将可能导致诊断结果不准确、不可靠。基于此，本发明提出一种混合信号分离方法，充分分析故障信号中各类信号的产生原因和频谱特征，建立信号的模型，从故障信号中获得的频谱特征参数模拟或仿真出平稳调制信号，再从故障信号中减去提取出来的信号，继而通过小波变换获得冲击调制信号，进行故障诊断使得诊断结果更为准确。
在某些机械设备中，由于齿轮箱与主机架之间的支撑是弹性的或者不是完全刚性的，在运行过程中将造成齿轮箱旋转轴之间出现不平行，这种不平行在振动信号中体现为平稳调制，在频谱上体现出与冲击调制信号类似的特征，并且实际上这种平稳调制现象在该类齿轮箱运行过程中一直存在，因此会对冲击调制信号的提取产生干扰。
为了从故障信号中分离上述的平稳调制信号和冲击调制信号，请参阅图1，本发明的混合信号分离方法,包括如下步骤：
S1：获取齿轮箱的故障信号；
S2：通过对故障信号进行频谱分析，获取频谱特征参数；
S3：根据频谱特征参数和预设的波动范围和波动步长，生成平稳调制基函数集合；
S4：对平稳调制基函数集合与故障信号进行相关运算，提取出与故障信号最相关的平稳调制分量；
S5：从故障信号中减去上一步骤中提取出来的平稳调制分量，将两者差值记为剩余项；
S6：比较故障信号与剩余项的差值，若小于预设值，则执行下一步骤，否则以剩余项作为故障信号，重复执行上两个步骤；
S7：将提取出的所有平稳调制分量相加，获得平稳调制信号；
S8：对剩余项进行小波变换，提取其中的冲击调制信号。
在步骤S1中，所述获取齿轮箱的故障信号是在齿轮箱运行状态下，以预先设定的采样频率和采样时间，通过加速度传感器采集齿轮箱振动信号。
在一个实施例中，所述频谱特征参数包括平稳调制的载波频率、调制频率及倍频的次数。如上所述，由于齿轮箱与主机架之间的支撑是弹性的或者不是完全刚性的，在运行过程中将造成齿轮箱旋转轴之间出现不平行，这种不平行在振动信号中体现为平稳调制。因此，平稳调制信号必然与齿轮箱啮合频率及其倍频，齿轮所在轴的转频及其倍频有关，进一步地，在齿轮箱中，平稳调制信号还可以表达为载波频率为齿轮箱啮合频率及其倍频，调制频率为齿轮所在轴的转频及其倍频的啮合频率调制信号。
进一步，请参阅图2，所述根据频谱特征参数和预设的波动范围和波动步长，生成平稳调制基函数集合的步骤S3，包括如下步骤：
S31在频谱特征参数的波动范围内，按照波动步长计算获得包括载波频率、调制频率及倍频的次数在内的波动参数集合；
S32将波动参数集合代入平稳调制信号模型生成平稳调制基函数集合；其中，fn是调制频率，fz是载波频率，k和m分别是调制频率和载波频率的倍频的次数，和分别是调制频率和载波频率的初始相位。
由上述分析可知，在齿轮箱中，平稳调制信号可以表达为载波频率为齿轮箱啮合频率及其倍频，调制频率为齿轮所在轴的转频及其倍频的啮合频率调制信号。该平稳调制信号模型正是反映了啮合频率的调制过程，使得通过平稳调制信号模型获得的平稳调制基函数集合更接近真实的平稳调制信号，有利于最大程度地从故障信号中分离出平稳调制信号，从而使得故障诊断的结果更为准确。
在步骤S8中，对提取了平稳调制信号的故障信号剩余项进行小波变换提取出冲击分量，进行齿轮箱故障位置的定位。其中，进行小波变换的步骤包括根据故障信号的时频域特征，选择合适的小波基函数，确定合理的小波变换层数。
实施例1
以下以具体的仿真实验进行详细说明和验证：
构造如式(1)所示的仿真信号，也即故障信号
式(1)中，x1(t)是一平稳调制信号，fm＝10Hz，fz＝600Hz；x2(t)为冲击调制信号，h(t)为单个冲击分量，kT+T0为第k个分量的时间中心，T0＝0.02s，T＝0.1s。h(t)的数学表达式为
其中，ζ＝0.1，f0＝600Hz。Ck为第k个分量的幅值系数，为了充分地验证算法的有效性，其值都是随机设定的，在本实施例中，设定：
Ck＝{2,1.2,3.5,0.9,4,1,1.8,3.5,0.5,6} k＝0,1,…,9 (3)
在仿真分析中，采样频率为4000Hz，数据长度为4000点。
请同时参阅图3，其为仿真信号中未添加噪声n(t)时的时域仿真信号波形图。仿真信号中，由于冲击调制信号x2(t)的幅值系数Ck相对较小，该冲击调制信号x2(t)基本被平稳调制信号x1(t)淹没了，从图3的仿真信号波形图中很难清晰地辨别出其中的冲击调制信号x2(t)。
请同时参阅图4，其分别为向仿真信号中添加高斯白噪声n(t)后的时域含噪仿真信号波形图和频域含噪仿真信号波形图。对比图3和图4中两种仿真信号，加入高斯白噪声n(t)后冲击调制信号x2(t)进一步被淹没了，更难从信号中直接辨识了。
请参阅图5a和图5b，其为直接采用小波包变换算法提取冲击调制信号的无噪仿真信号分析结果和含噪仿真信号分析结果。图5a和图5b是采用母小波为db4，采用小波包变换算法对无噪仿真信号和含噪仿真信号分别进行三层小波包变换分析各节点重构信号波形。由于冲击调制信号的频谱是分布在整个频率轴上的，由图5a无噪仿真信号结果可见，经小波包变换后在每个节点上都有冲击调制信号；图5a中在仿真信号中心频带所处的节点d2上可清晰看到平稳调制分量和冲击调制分量是同时存在的，此结果表明直接利用小波包变换算法无法将仿真信号中心频率重合的平稳调制分量和冲击调制分量分离开来，导致故障诊断的结果不准确。图5b所示是直接利用小波包变换算法对含噪仿真信号进行分析的结果。由于仿真信号中噪声的影响，除节点d2外的其他节点中冲击调制分量被噪声淹没，无法辨别出来；在节点d2中，平稳调制分量和冲击调制分量依然混在一起，无法分离开来。
请参阅图6a和图6b，其为利用本发明提出的方法步骤S1～S8，对图3中无噪声仿真信号进行信号分离结果。对比图6a和图3，提取出的平稳调制信号已经看不到明显的冲击调制分量，与原始信号具有较好的一致性。对比图6b和图5a可见提取出的冲击调制信号波形更突出，特征更明显。利用本发明提出的方法能有效提取、分离故障信号中的平稳调制信号和冲击调制信号。
请参阅图7a和图7b，其为利用本发明的方法步骤S1～S8，对图4中中含有噪声的仿真信号进行处理的结果。对比图7a和图3，可清晰看到提取出的平稳调制信号与原始信号具有较好的一致性。图7b所示节点d2中，较好地确定了各冲击分量的位置。由于含噪声仿真信号中，冲击调制分量受噪声的影响非常大，所以导致提取出的冲击调制分量与原始分量在幅值上存在一定的偏差，但这种偏差不影响后续确定齿轮箱故障位置。
透过实施例1的仿真实验，对比分析了直接采用小波变换提取冲击调制信号和分离混合信号后再采用小波变换提取冲击调制信号两种不同方法的结果，清晰地揭示了通过本发明的混合信号分离方法能够在故障诊断之前将混合在一起的平稳调制信号与冲击调制信号分离开来，使得故障诊断的结果更准确，有利于齿轮箱故障位置的定位。
对于现有技术，本发明充分考虑到齿轮箱的故障信号中会混合有由于故障造成的冲击调制信号和平稳调制信号，通过从故障信号中提取频谱特征参数，在频谱特征参数的波动范围内按照波动步长进行多次的平稳调制信号模拟，生成平稳调制基函数集合，并不断从故障信号中减去与故障信号最相关的平稳调制分量，取故障信号与剩余项的差值作为跳出循环的控制条件或进行误差控制，将提取出的所有平稳调制分量相加，获得平稳调制信号，再从剩余项中提取冲击调制信号，从而在故障诊断之前从混合信号的故障信号中分离出平稳调制信号和冲击调制信号，使得故障诊断的结果更准确。
本发明还提供一种计算机可读储存介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的混合信号分离方法的步骤。
本发明可采用在一个或多个其中包含有程序代码的储存介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的储存介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
本发明还提供一种计算机设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的混合信号分离方法的步骤。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (5)

1.一种混合信号分离方法，其特征在于，包括如下步骤：
获取齿轮箱的故障信号；
通过对故障信号进行频谱分析，获取频谱特征参数；
根据频谱特征参数和预设的波动范围和波动步长，生成平稳调制基函数集合；
对平稳调制基函数集合与故障信号进行相关运算，提取出与故障信号最相关的平稳调制分量；
从故障信号中减去上一步骤中提取出来的平稳调制分量，将两者差值记为剩余项；
比较故障信号与剩余项的差值，若小于预设值，则执行下一步骤；否则以剩余项作为故障信号，重复执行上两个步骤；
将提取出的所有平稳调制分量相加，获得平稳调制信号；
对剩余项进行小波变换，提取其中的冲击调制信号。
2.根据权利要求1所述的混合信号分离方法，其特征在于：所述频谱特征参数包括平稳调制的载波频率、调制频率及倍频的次数；其中，所述载波频率为齿轮箱啮合频率及其倍频，所述调制频率为齿轮所在轴的转频及其倍频。
3.根据权利要求2所述的混合信号分离方法，其特征在于：所述根据频谱特征参数和预设的波动范围和波动步长，生成平稳调制基函数集合的步骤，包括如下步骤：
在频谱特征参数的波动范围内，按照波动步长计算获得包括载波频率、调制频率及倍频的次数在内的波动参数集合；
将波动参数集合代入平稳调制信号模型生成平稳调制基函数集合；其中，fn是调制频率，fz是载波频率，k和m分别是调制频率和载波频率的倍频的次数，和分别是调制频率和载波频率的初始相位。
4.一种计算机可读储存介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至3中任意一项所述的混合信号分离方法的步骤。
5.一种计算机设备，其特征在于，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至3中任意一项所述的混合信号分离方法的步骤。
CN201811340634.6A 2018-11-12 2018-11-12 一种混合信号分离方法 Active CN109460736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811340634.6A CN109460736B (zh) 2018-11-12 2018-11-12 一种混合信号分离方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811340634.6A CN109460736B (zh) 2018-11-12 2018-11-12 一种混合信号分离方法

Publications (2)

Publication Number Publication Date
CN109460736A true CN109460736A (zh) 2019-03-12
CN109460736B CN109460736B (zh) 2022-04-05

Family

ID=65610063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811340634.6A Active CN109460736B (zh) 2018-11-12 2018-11-12 一种混合信号分离方法

Country Status (1)

Country Link
CN (1) CN109460736B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110149719A1 (en) * 2009-12-18 2011-06-23 Electronics And Telecommunications Research Institute Method for separating blind signal and apparatus for performing the same
CN104316163A (zh) * 2014-06-23 2015-01-28 华南理工大学 基于内积变换和相关滤波的齿轮箱耦合调制信号分离方法
CN105424359A (zh) * 2015-11-25 2016-03-23 华南理工大学 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法
CN106644467A (zh) * 2016-12-27 2017-05-10 华南理工大学 一种齿轮箱非平稳信号故障特征提取方法
CN107271181A (zh) * 2017-06-19 2017-10-20 苏州微著设备诊断技术有限公司 一种行星齿轮箱弱冲击成分提取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110149719A1 (en) * 2009-12-18 2011-06-23 Electronics And Telecommunications Research Institute Method for separating blind signal and apparatus for performing the same
CN104316163A (zh) * 2014-06-23 2015-01-28 华南理工大学 基于内积变换和相关滤波的齿轮箱耦合调制信号分离方法
CN105424359A (zh) * 2015-11-25 2016-03-23 华南理工大学 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法
CN106644467A (zh) * 2016-12-27 2017-05-10 华南理工大学 一种齿轮箱非平稳信号故障特征提取方法
CN107271181A (zh) * 2017-06-19 2017-10-20 苏州微著设备诊断技术有限公司 一种行星齿轮箱弱冲击成分提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PENGJU HE ETAL: "Single channel blind source separation on the instantaneous", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING 》 *
何国林 等: "基于匹配追踪的齿轮箱耦合调制振动信号分离方法研究", 《机械工程学报》 *

Also Published As

Publication number Publication date
CN109460736B (zh) 2022-04-05

Similar Documents

Publication Publication Date Title
CN104483127B (zh) 一种行星齿轮微弱故障特征信息提取方法
Yeager et al. A decadal prediction case study: Late twentieth-century North Atlantic Ocean heat content
Guo et al. Envelope order tracking for fault detection in rolling element bearings
CN108549100B (zh) 基于非线性高次拓频的时间域多尺度全波形反演方法
CN110491403A (zh) 音频信号的处理方法、装置、介质和音频交互设备
CN102116868B (zh) 一种地震波分解方法
CN105637331B (zh) 异常检测装置、异常检测方法
CN102879817B (zh) 基于地面地震数据获取地下裂缝信息的控制方法
CN112326245B (zh) 一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法
Wang et al. Modeling and simulation of nonstationary processes utilizing wavelet and Hilbert transforms
Liu et al. Successive multivariate variational mode decomposition based on instantaneous linear mixing model
US20210142815A1 (en) Generating synthetic acoustic impulse responses from an acoustic impulse response
CN105928702A (zh) 基于形态分量分析的变工况齿轮箱轴承故障诊断方法
CN112712816B (zh) 语音处理模型的训练方法和装置以及语音处理方法和装置
CN108226934A (zh) 一种基于压缩感知的水下动目标检测方法
CN106125134A (zh) 基于双曲时窗的地震数据信噪比计算方法
CN105044769B (zh) 提高地震信号的分辨率的方法
You et al. Attenuation of seismic swell noise using convolutional neural networks in frequency domain and transfer learning
Wang et al. Radar HRRP target recognition in frequency domain based on autoregressive model
CN111694053A (zh) 初至拾取方法及装置
CN109460736A (zh) 一种混合信号分离方法
Li et al. A new method for weak fault feature extraction based on improved MED
RODRIGUEZ ALGARRA et al. Analysing scattering-based music content analysis systems: where's the music?
CN109856672B (zh) 基于深度波数谱的瞬变波包提取方法、存储介质与终端
Bartelmus et al. Gearbox vibration signal pre-processing and input values choice for neural network training

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