CN109840495A - 一种低信噪比条件下的轴频线谱增强方法 - Google Patents

一种低信噪比条件下的轴频线谱增强方法 Download PDF

Info

Publication number
CN109840495A
CN109840495A CN201910084868.7A CN201910084868A CN109840495A CN 109840495 A CN109840495 A CN 109840495A CN 201910084868 A CN201910084868 A CN 201910084868A CN 109840495 A CN109840495 A CN 109840495A
Authority
CN
China
Prior art keywords
spectrum
frequency
signal
under
noise
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
CN201910084868.7A
Other languages
English (en)
Other versions
CN109840495B (zh
Inventor
初宁
童威棋
宋永鑫
唐川荃
吴大转
曹琳琳
李诗徉
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910084868.7A priority Critical patent/CN109840495B/zh
Publication of CN109840495A publication Critical patent/CN109840495A/zh
Application granted granted Critical
Publication of CN109840495B publication Critical patent/CN109840495B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种低信噪比条件下的轴频线谱增强方法，包括：(1)采集水下螺旋桨的噪声信号数据；(2)将采集的噪声信号数据导入程序，使用快速循环平稳特征函数计算，得到循环密度谱；(3)对得到的循环密度谱进行归一化，得到循环相干谱，并构建对数坐标下的增强包络谱；(4)根据得到的增强包络谱判断特征频率，选择特征频率对应时间周期的整数倍，对原始信号数据进行改进的时域平均；(5)将时域平均后的信号数据，重复一次步骤(2)和步骤(3)，得到降噪后的增强包络谱；(6)根据先验信息和降噪后的增强包络谱估计轴频和叶频信息，提取出低信噪比条件下的低频特征。利用本发明，能够更准确的得到低信噪比下的低频特征。

Description

一种低信噪比条件下的轴频线谱增强方法
技术领域
本发明属于信号处理和特征提取领域，尤其是涉及一种低信噪比条件下的轴频线谱增强方法。
背景技术
螺旋桨噪声是水面舰船、潜艇、鱼雷等水声目标的主要噪声源。由于螺旋桨空化噪声常常会产生幅度调制，带来二阶的循环平稳性，通过循环平稳分析计算出的增强包络谱中存在着许多离散线谱，其位置对应螺旋桨的轴频、叶频及其谐波。因而利用这些离散线谱估计螺旋桨的轴频和叶片数为被动声纳目标检测和分类识别提供了有力的工具。
循环平稳信号处理是近来兴起的信号处理的一种新兴技术。循环平稳信号即信号中包含着隐藏的周期信息的信号。循环平稳信号是非平稳信号的一种，相比于传统检测方式，更接近实际信号，尤其是旋转机械产生的信号。
目前信号处理领域常用的旋转机械故障检测方法主要有傅立叶变换、短时傅立叶变换、小波变换、第二代小波变换和多小波变换等，可以说都是基于内积原理的特征波形基函数信号分解，旨在灵活运用与特征波形相匹配的基函数去更好地处理信号，提取故障特征，从而实现故障诊断。
但是，现有技术中存在以下缺点和不足：傅立叶变换、短时傅立叶变换、小波变换、第二代小波变换和多小波变换等故障检测的方法都建立在假设信号是平稳信号的基础上，而现实中往往是非平稳信号，从而这些检测方法都有不合理的地方，不合实际。同时，这些传统检测方法由于理论上的限制，很难检测到旋转机械的一些重要特征，如叶片通过频率BPF、叶片比频率BRF等，有很大的局限性。由于大部分螺旋桨信号中的轴频相较于叶频不明显，在低信噪比条件下提取轴频就成为了目标识别的基础。
发明内容
本发明提供了一种低信噪比条件下的轴频线谱增强方法，能将螺旋桨在低信噪比条件下的轴频特征表现出来，得到特征频率的估计更加准确。
本发明的技术方案如下：
一种低信噪比条件下的轴频线谱增强方法，包括以下步骤：
(1)采集水下螺旋桨的噪声信号数据；
(2)将采集的噪声信号数据导入程序，使用快速循环平稳特征函数计算，得到循环密度谱；
(3)对得到的循环密度谱进行归一化，得到循环相干谱，并进行积分平均构建对数坐标下的增强包络谱；
(4)根据得到的增强包络谱判断特征频率，选择特征频率对应时间周期的整数倍，对原始信号数据进行改进的时域平均；
(5)将时域平均后的信号数据，重复一次步骤(2)和步骤(3)，得到降噪后的增强包络谱，
(6)根据先验信息和降噪后的增强包络谱估计轴频和叶频信息，提取出低信噪比条件下的低频特征。
本发明的方法能将螺旋桨在低信噪比条件下的轴叶频等特征表现出来，得到的特征频率更加贴近螺旋桨噪声的本质，通过得到的轴叶比，可以实现初步的目标识别和分类。
时域平均方法，能够将信号的周期包络信息提取一部分，并剔除其影响。因此，采用时域平均的技术能有效地改善循环平稳解调信号低频段的特征提取。而基于循环平稳的周期估计会使时域平均的效果更准确，而整数倍的处理使得分辨率得到了保证，同时，时域平均的结果再一次作为原信号做循环平稳处理，更准确的得到低信噪比下的低频特征。
步骤(2)中，所述的循环平稳特征函数为：
其中，α为循环频率、f为频谱频率；x为待测信号；X为信号x的频谱；X*表示的X共轭复数。
其中，x的调幅模型的数学表达为：
Ai为各特征频率对应的幅度；αi为特征频率的2倍；t为表示时间；N表示数目。
步骤(3)中，所述的循环相干谱的数学表达式为：
其中，为循环相干谱，为循环密度谱，为循环频率为0的循环密度谱。
构建对数坐标下的增强包络谱的详细步骤为：
(3-1)计算增强包络谱各个循环频率对应的函数值；所述的增强包络谱的数学表达式为：
其中，为循环相干谱。
(3-2)将函数值通过取10的对数计算得到声压级，根据得到的对数函数值范围，设置取值区间，将剩余的对数函数值赋值为对应的最值；
(3-3)根据对应的坐标点和函数值，构建对数坐标下的增强包络谱。
步骤(4)中，改进的时域平均的输出如下：
其中，x(n)为以时间间隔Δt离散采样得到的时间信号，N为平均周期段数目，M为一个周期中的采样点数，y(n)为改进的时域平均后得到的信号。
时间周期的估计，来自于步骤(3)中的增强包络谱对应的线谱，一般采用幅值最高的线谱对应的频率作为特征频率。
然后，选择估计的特征频率的整数倍作为改进的时域平均的长度。时间周期长度的选择需要满足两方面的需求：一是循环频率分辨率的要求，其值Δα≈1/T，其中T＝M/Fs，为时间周期，Fs为采样频率，例如要求循环频率分辨率达到0.1Hz时，所需的T大约为10S；二是平均周期段数目N的要求，在满足分辨率要求和计算效率允许的条件下，N越大降噪越明显。
步骤(6)中，判断轴频和轴叶比的先验信息主要来自于常见的舰船轴叶比和频谱信息等。
本发明按照调幅模型得到的特征频率更贴近螺旋桨噪声的本质，能在一定程度上还原螺旋桨噪声信号；基于循环平稳的周期估计会使时域平均的效果更准确，而整数倍的处理使得分辨率得到了保证，同时，时域平均的结果再一次作为原信号做循环平稳处理，更准确的得到低信噪比下的低频特征，即轴频的提取更准确，对进一步的信号处理和目标识别和分类都具有现实的指导意义。
附图说明
图1为本发明一种低信噪比条件下的轴频线谱增强方法流程示意图；
图2为本发明实施例中四叶螺旋桨的频谱图；
图3为本发明实施例中四叶螺旋桨的增强包络谱；
图4为本发明实施例中四叶螺旋桨改进的时域平均去噪后的增强包络谱；
图5为本发明实施例中五叶螺旋桨的频谱图；
图6为本发明实施例中五叶螺旋桨的增强包络谱；
图7为本发明实施例中五叶螺旋桨改进的时域平均去噪后的增强包络谱。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，一种低信噪比条件下的轴频线谱增强方法，包括以下步骤：
S01，使用水听器采集水下螺旋桨的噪声，其中，低频段具有低信噪比。
S02，在程序中设定好相应的参数，将采集到的信号导入到程序中，计算循环密度谱：
其中：α为循环频率、f为频谱频率；x为待测信号；X为信号x的频谱；X*表示的X共轭复数。
其中x的调幅模型的数学表达为：
其中：Ai为各特征频率对应的幅度；αi为特征频率的2倍；t为表示时间；N表示数目。
S03，由S02中循环平稳特征函数计算得到的循环密度函数，根据下述公式计算增强包络谱各个循环频率对应的函数值：
S04，将函数值通过取10的对数计算等得到声压级，根据得到的对数函数值范围，设置最值限制，根据对应的坐标点和函数值，构建对数坐标下的增强包络谱。
S05，根据得到的增强包络谱，将最高峰对应的频率估计为特征频率，用其对应的时间周期，选择合适的整数倍，对源数据进行改进的时域平均。改进的时域平均的输出如下：
其中，x(n)为以时间间隔Δt离散采样得到的时间信号，N为平均的周期段数目，M为一个周期中的采样点数，y(n)为改进的时域平均后得到的信号。
时间周期的估计，来自于步骤S04中的增强包络谱对应的线谱，一般采用幅值最高的线谱对应的频率作为特征频率。
然后，选择估计的特征频率的整数倍作为改进的时域平均的长度。时间周期长度的选择需要满足两方面的需求：一是循环频率分辨率的要求，其值Δα≈1/T，其中T＝M/Fs，为时间周期，Fs为采样频率，例如要求循环频率分辨率达到0.1Hz时，所需的T大约为10S；二是平均段数的要求，在满足分辨率要求和计算效率允许的条件下，N越大降噪越明显。
S06，对改进的时域平均后的信号y(n)重复一次步骤S02—S04，得到y(n)对应的对数坐标下的增强包络谱。
S07，根据S06得到的增强包络谱，对比常见的轴叶比上的峰值，选择最强的最明显的频率作为估计的轴频，从而得到轴叶比。
为了具体表现本方法在低噪声条件下螺旋桨噪声轴频检测领域的优势和特征，采用两组四叶和五叶的商船螺旋桨噪声进行分析。
本实施例采用的四叶桨的转速为83转每分左右，先对螺旋桨噪声信号进行了傅里叶变换处理，频谱图如图2所示，可以看出，使用传统的快速傅立叶变换，特征频率及某些倍频检测效果不好，存在偏差，最大的问题在于轴叶频及叶数无法确定。
经过循环平稳处理后的得到的增强包络谱如图3所示，得到的图形符合对螺旋桨旋转机械属性的预期，检测出了叶频5.55Hz，以及几个最有可能的轴频，及其谐波频率等。经过改进时域平均去噪后的处理如图4，低频段轴频所在的峰值明显突出了，从而确定了轴叶比，通过图3和图4的对比，可以看出改进的时域平均对于低频段的降噪有明显效果。
本实施例采用的五叶桨的转速为111转每分左右，先对螺旋桨噪声信号进行了傅里叶变换处理，频谱图如图5所示，可以看出，使用传统的快速傅立叶变换，特征频率及某些倍频检测效果不好，几乎不存在低频信息。经过循环平稳处理后的得到的增强包络谱如图6所示，得到的图形符合对螺旋桨旋转机械属性的预期，检测出了叶频6Hz，以及几个最有可能的轴频，及其谐波频率等。经过改进时域平均去噪后的处理如图7，低频段轴频所在的峰值明显突出了，从而确定了轴叶比。
通过图6和图7的对比，可以看出改进的时域平均对于低频段的降噪有明显效果。相较于传统的方法，基于循环平稳的周期估计会是时域平均的效果更准确，而整数倍的处理使得分辨率得到了保证，同时，时域平均的结果再一次作为原信号做循环平稳处理，更准确的得到低信噪比下的低频特征。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (8)

1.一种低信噪比条件下的轴频线谱增强方法，其特征在于，包括：
(1)采集水下螺旋桨的噪声信号数据；
(2)将采集的噪声信号数据导入程序，使用快速循环平稳特征函数计算，得到循环密度谱；
(3)对得到的循环密度谱进行归一化，得到循环相干谱，并进行积分平均构建对数坐标下的增强包络谱；
(4)根据得到的增强包络谱判断特征频率，选择特征频率对应时间周期的整数倍，对原始信号数据进行改进的时域平均；
(5)将时域平均后的信号数据，重复一次步骤(2)和步骤(3)，得到降噪后的增强包络谱；
(6)根据先验信息和降噪后的增强包络谱估计轴频和叶频信息，提取出低信噪比条件下的低频特征。
2.根据权利要求1所述的低信噪比条件下的轴频线谱增强方法，其特征在于，步骤(2)中，所述的循环平稳特征函数为：
其中，α为循环频率、f为频谱频率；x为待测信号；X为信号x的频谱；X*表示的X共轭复数。
3.根据权利要求1所述的低信噪比条件下的轴频线谱增强方法，其特征在于，步骤(3)中，所述的循环相干谱的数学表达式为：
其中，为循环相干谱，为循环密度谱，为循环频率为0的循环密度谱。
4.根据权利要求1所述的低信噪比条件下的轴频线谱增强方法，其特征在，步骤(3)中，构建对数坐标下的增强包络谱的具体步骤为：
(3-1)计算增强包络谱各个循环频率对应的函数值；所述的增强包络谱的数学表达式为：
其中，为循环相干谱。
(3-2)将函数值通过取10的对数计算得到声压级，根据得到的对数函数值范围，设置取值区间，将剩余的对数函数值赋值为对应的最值；
(3-3)根据对应的坐标点和函数值，构建对数坐标下的增强包络谱。
5.根据权利要求1所述的低信噪比条件下的轴频线谱增强方法，其特征在，步骤(4)中，选择增强包络谱中幅值最高的线谱对应的频率作为特征频率。
6.根据权利要求1所述的低信噪比条件下的轴频线谱增强方法，其特征在，步骤(4)中，所述改进的时域平均的公式如下：
其中，x(n)为以时间间隔Δt离散采样得到的时间信号，N为平均的周期段数目，M为一个周期中的采样点数，y(n)为改进的时域平均后得到的信号。
7.根据权利要求6所述的低信噪比条件下的轴频线谱增强方法，其特征在，平均的周期段数目N在满足循环频率分辨率和计算效率的条件下取最大值，所述循环频率分辨率为时间周期的倒数。
8.根据权利要求1所述的低信噪比条件下的轴频线谱增强方法，其特征在，步骤(6)中，所述的先验信息为现有的舰船轴叶比和频谱信息。
CN201910084868.7A 2019-01-29 2019-01-29 一种低信噪比条件下的轴频线谱增强方法 Active CN109840495B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910084868.7A CN109840495B (zh) 2019-01-29 2019-01-29 一种低信噪比条件下的轴频线谱增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910084868.7A CN109840495B (zh) 2019-01-29 2019-01-29 一种低信噪比条件下的轴频线谱增强方法

Publications (2)

Publication Number Publication Date
CN109840495A true CN109840495A (zh) 2019-06-04
CN109840495B CN109840495B (zh) 2020-09-18

Family

ID=66884296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910084868.7A Active CN109840495B (zh) 2019-01-29 2019-01-29 一种低信噪比条件下的轴频线谱增强方法

Country Status (1)

Country Link
CN (1) CN109840495B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738115A (zh) * 2019-09-12 2020-01-31 浙江大学 一种基于脉冲频率特征模式识别的螺旋桨空化程度识别方法
CN110929694A (zh) * 2019-12-13 2020-03-27 电子科技大学 一种用于分类识别的线谱增强及特征提取方法
CN111220265A (zh) * 2019-12-10 2020-06-02 哈尔滨工程大学 一种船舶辐射噪声谐波线谱增强方法
CN112364767A (zh) * 2020-11-11 2021-02-12 大连理工大学 一种基于快速谱相关的高压循环泵机械信号特征提取方法
CN114646384A (zh) * 2022-01-28 2022-06-21 中国空气动力研究与发展中心低速空气动力研究所 基于频谱相干分解方法的远场直升机被动声音检测方法
CN114757242A (zh) * 2022-06-16 2022-07-15 中国空气动力研究与发展中心低速空气动力研究所 基于循环维纳滤波的直升机噪声增强方法以及检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104236908A (zh) * 2014-09-23 2014-12-24 石家庄铁道大学 基于mid算法的组合切片轴承故障诊断方法
CN108548957A (zh) * 2018-05-23 2018-09-18 西北工业大学 基于循环调制频谱和分段互相关相结合的双谱分析方法
CN108921014A (zh) * 2018-05-21 2018-11-30 西北工业大学 一种基于改进噪声包络信号识别的螺旋桨轴频搜索方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104236908A (zh) * 2014-09-23 2014-12-24 石家庄铁道大学 基于mid算法的组合切片轴承故障诊断方法
CN108921014A (zh) * 2018-05-21 2018-11-30 西北工业大学 一种基于改进噪声包络信号识别的螺旋桨轴频搜索方法
CN108548957A (zh) * 2018-05-23 2018-09-18 西北工业大学 基于循环调制频谱和分段互相关相结合的双谱分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YONGXING SONG，NING CHU 等: "Robust passive underwater acoustic detection method for propeller", 《RESEARCHGATE》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738115A (zh) * 2019-09-12 2020-01-31 浙江大学 一种基于脉冲频率特征模式识别的螺旋桨空化程度识别方法
CN110738115B (zh) * 2019-09-12 2022-11-15 浙江大学 一种基于脉冲频率特征模式识别的螺旋桨空化程度识别方法
CN111220265A (zh) * 2019-12-10 2020-06-02 哈尔滨工程大学 一种船舶辐射噪声谐波线谱增强方法
CN110929694A (zh) * 2019-12-13 2020-03-27 电子科技大学 一种用于分类识别的线谱增强及特征提取方法
CN112364767A (zh) * 2020-11-11 2021-02-12 大连理工大学 一种基于快速谱相关的高压循环泵机械信号特征提取方法
CN112364767B (zh) * 2020-11-11 2022-09-20 大连理工大学 一种基于快速谱相关的高压循环泵机械信号特征提取方法
CN114646384A (zh) * 2022-01-28 2022-06-21 中国空气动力研究与发展中心低速空气动力研究所 基于频谱相干分解方法的远场直升机被动声音检测方法
CN114757242A (zh) * 2022-06-16 2022-07-15 中国空气动力研究与发展中心低速空气动力研究所 基于循环维纳滤波的直升机噪声增强方法以及检测方法
CN114757242B (zh) * 2022-06-16 2022-09-23 中国空气动力研究与发展中心低速空气动力研究所 基于循环维纳滤波的直升机噪声增强方法以及检测方法

Also Published As

Publication number Publication date
CN109840495B (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
CN109840495B (zh) 一种低信噪比条件下的轴频线谱增强方法
CN108919240B (zh) 一种基于组稀疏结构的水声目标辐射噪声调制谱重构方法
CN110738115B (zh) 一种基于脉冲频率特征模式识别的螺旋桨空化程度识别方法
CN110186682A (zh) 基于分数阶变分模态分解的滚动轴承故障诊断方法
CN108921014A (zh) 一种基于改进噪声包络信号识别的螺旋桨轴频搜索方法
CN110855374B (zh) 一种水声目标辐射噪声调制特征提取方法
CN117388833A (zh) 一种船舶辐射噪声解调谱相位差特征提取方法及系统
CN112067297A (zh) 一种轴承故障特征提取方法
Gao et al. Automatic detection of underwater propeller signals using cyclostationarity analysis
CN112835003B (zh) 基于重采样预处理的雷达重频变化稳健目标识别方法
CN110160642B (zh) 一种小样本条件下的螺旋桨噪声线谱重构方法
CN115235610A (zh) 一种基于加权增强包络谱的推进泵调制频率提取方法
CN109323757B (zh) 一种估计气泡群对螺旋桨声源特征频率抑制作用的方法
CN112364767B (zh) 一种基于快速谱相关的高压循环泵机械信号特征提取方法
Tong et al. Adaptive Weighted Envelope Spectrum: A robust spectral quantity for passive acoustic detection of underwater propeller based on spectral coherence
CN115014765A (zh) 一种通过声信号提取滚动轴承保持架故障特征的方法
CN111896256B (zh) 基于深度核处理的轴承故障诊断方法
CN112505640B (zh) 基于参数自适应的扩展b分布脉冲信号时频分析方法
CN109085763B (zh) 基于复杂调幅模型的循环平稳方法对风机振动特征的提取
CN106997766A (zh) 一种基于宽带噪声的同态滤波语音增强方法
CN110765867A (zh) 一种螺旋桨辐射噪声低频特征提取方法
CN106949959B (zh) 一种脉冲响应信号声强测量的方法
CN113358927B (zh) 一种基于区域核函数的多分量线性调频信号时频分析方法
CN117033972A (zh) 一种基于自适应加权包络谱的旋转机械调制特征提取方法
Zhou et al. Propeller shaft frequency extraction based on the improved cyclic modulation spectrum

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