CN110149104A - 一种机器人零相移实时滤波方法 - Google Patents

一种机器人零相移实时滤波方法 Download PDF

Info

Publication number
CN110149104A
CN110149104A CN201910329410.3A CN201910329410A CN110149104A CN 110149104 A CN110149104 A CN 110149104A CN 201910329410 A CN201910329410 A CN 201910329410A CN 110149104 A CN110149104 A CN 110149104A
Authority
CN
China
Prior art keywords
data
fir filter
phase
robot
filtering method
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
CN201910329410.3A
Other languages
English (en)
Other versions
CN110149104B (zh
Inventor
邢祺琪
储昭琦
葛景国
毛大超
文潇
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.)
Eft Intelligent Equipment Ltd By Share Ltd
Original Assignee
Eft Intelligent Equipment Ltd By Share Ltd
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 Eft Intelligent Equipment Ltd By Share Ltd filed Critical Eft Intelligent Equipment Ltd By Share Ltd
Priority to CN201910329410.3A priority Critical patent/CN110149104B/zh
Publication of CN110149104A publication Critical patent/CN110149104A/zh
Application granted granted Critical
Publication of CN110149104B publication Critical patent/CN110149104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0219—Compensation of undesirable effects, e.g. quantisation noise, overflow
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H2017/0072—Theoretical filter design
    • H03H2017/0081—Theoretical filter design of FIR filters
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0219—Compensation of undesirable effects, e.g. quantisation noise, overflow
    • H03H2017/0222—Phase error
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/40—Arrangements for reducing harmonics

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Numerical Control (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及工业机器人数字信号处理系统中的滤波器领域，具体是一种机器人零相移实时滤波方法，其具体步骤如下：S1：采集数据，分析频率；S2：设计FIR滤波器系数和阶数；S3：计算滤波数据；S4：确定实际数据与延拓数据比重关系；本发明充分利用FIR滤波器的线性相位性质，在滤波时不会产生频谱混叠，剔除噪声干扰的同时，又尽可能的保留了实际数据，减少了人工记录可能出现错误的可能；由于滤波后的数据不会有相位滞后，在实际人机协作过程中，如果发生碰撞，信号会在当前时刻发生变化，可以使机器人立马启动安全措施，不会对人造成进一步的伤害，提高了使用者的安全性。

Description

一种机器人零相移实时滤波方法
技术领域
本发明涉及工业机器人数字信号处理系统中的滤波器领域，具体是一种机器人零相移实时滤波方法。
背景技术
目前工业机器人应用领域从汽车、电子电器、机械类行业逐步向其他应用领域扩展，机器人能够高效的完成人们设计的具体任务，但同时出于安全考虑，机器人被防护栏包围，并被涂上醒目的颜色警告危险。这些低效率的行为催生了更加智能、安全的防护机器人。协作机器人不仅能够稳定的进行重复劳动，还能与人协同工作。
协作机器人必须保证人机协作时操作人员的安全，因此安全性成为衡量协作机器人性能的重要指标，碰撞检测技术则是机器人安全性的标志。碰撞检测技术通常是根据机器人理论受力与实际受力之间的差值与设定的阈值做比较，大于阈值时认为发生了碰撞，然而在实际机器人运行时，会有各种噪声对检测信号造成干扰，使得机器人在没有发生碰撞时依然出现理论受力与实际受力之差大于设定阈值的情况，造成机器人的误判。
对于噪声干扰，通常需要选择滤波器来去除噪声的干扰，然而经过滤波后的数据通常会产生相位滞后，在实际发生碰撞时只能在几个时刻周期之后才能判断出发生了碰撞，这几个时刻周期机器人会按照原有运行轨迹运行，对人造成进一步的伤害。根据FIR滤波器的线性相位特点，将滤波数据进行右延拓，就可以得到没有延迟的滤波信号，同时不会产生频谱信号的混叠。
对信号进行FIR滤波时，如果噪声频率位于通带范围内，则无法滤除，当前时刻的待滤波数据如果有噪声干扰，会造成滤波后信号的振荡，这同样会使机器人发生误判的情况，因此为保证滤波后数据的平滑性，将滤波的数据的均值与方差不断循环更新的方法保证滤波后数据的平滑性。
发明内容
为了解决上述问题，本发明提出一种机器人零相移实时滤波方法。
一种机器人零相移实时滤波方法,其具体步骤如下：
S1：采集数据，分析频率：采集机械臂运行数据，进行频谱分析，确定RIR滤波器的截止频率：
a：根据Kaiser方程确认FIR滤波器阶数：
b：确定FIR滤波器系数；
S2：设计FIR滤波器系数和阶数：根据截止频率，设计FIR滤波器的系数和阶数，为保证滤波后数据的零相移特性，对滤波数据进行右延拓；
S3：计算滤波数据：计算数据通过FIR滤波器后的滤波数据，为保证滤波后数据的平滑性，将滤波后数据分为两部分；
S4：确定实际数据与延拓数据比重关系：a：计算采集的实际数据与期望数据的变化趋势；
b：计算高斯分布的均值与方差；
c：计算初始协方差矩阵P；
d：计算观测值协方差R。
所述的步骤S1的FIR滤波器选用第一类线性相位FIR滤波器。
所述的步骤S1的a的计算公式为：
其中，N为设计FIR滤波器的阶数，δp为通带最大衰减，δs为阻带最小衰减，wp通带截止频率，ws阻带起始频率。
所述的步骤S1的b的计算公式为：
其中wc为滤波器的截止频率，n为FIR滤波器系数的序号。
所述的步骤S2的对滤波数据进行右延拓的具体方法为将待滤波数据右延拓长度为(N-1)/2，延拓依次数据为：
aexpected(t-delay+i)1≤i≤(N-1)/2
其中aexpected为机械臂的期望值，t为滤波的当前时刻，delay为期望数据与延拓数据之间相差时刻的差值。
所述的步骤S3的计算公式为：
其中，aactive为机械臂的实际采样值，N阶FIR滤波器的前(N-1)/2+1系数与实际对应时刻数据的乘积的和mid1，后(N-1)/2+1系数与对应时刻期望数据乘积的和mid2。
所述的步骤S4的a的计算公式为：
其中，为机械臂的期望值的变化趋势，为机械臂的实际采样值的变化趋势。
所述的步骤S4的b计算mid1与mid2各自服从高斯分布的均值与方差，并将两个高斯分布函数相乘，得到新的高斯分布的均值与方差，同时更新mid1所对应的高斯分布的均值与方差，如此不断循环，其公式为：
其中状态矩阵选择误差矩阵误差矩阵可以根据应用场景的不同自行调整，观测矩阵H＝[1 0]，计算aexpected的变化速度
所述的步骤S4的c初始协方差矩阵P的计算公式为：
所述的步骤S4的d观测值协方差R的计算公式为：
R＝Cov(aactive,aactive)
其中eye(2)为2阶单位矩阵，aactive(t)为t时刻的滤波后数据。
本发明的有益效果是：
1、本发明充分利用FIR滤波器的线性相位性质，在滤波时不会产生频谱混叠，剔除噪声干扰的同时，又尽可能的保留了实际数据，减少了人工记录可能出现错误的可能；
2、由于滤波后的数据不会有相位滞后，在实际人机协作过程中，如果发生碰撞，信号会在当前时刻发生变化，可以使机器人立马启动安全措施，不会对人造成进一步的伤害，提高了使用者的安全性；
3、在本发明中采用了动态循环更新滤波数据均值与方差的方法，即保留了h((N-1)/2+1)所对应的采样数据的影响，确保了滤波后数据的数据反映真实机械臂的变化趋势，又保证了滤波后数据的平滑性，避免了实际人机协作过程中，由于通频带内噪声的干扰，造成人机碰撞判断的误判，提高了人机协作机器人的鲁棒性。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明的流程图；
图2为本发明的FIR滤波器结构示意图；
图3为本发明的FIR滤波器频率响应特性；
图4为本发明的两个高斯分布函数确定新的高斯分布函数示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面对本发明进一步阐述。
如图1至图4所示，一种机器人零相移实时滤波方法,其具体步骤如下：
S1：采集数据，分析频率：采集机械臂运行数据，进行频谱分析，确定RIR滤波器的截止频率：
a：根据Kaiser方程确认FIR滤波器阶数：
b：确定FIR滤波器系数；
S2：设计FIR滤波器系数和阶数：根据截止频率，设计FIR滤波器的系数和阶数，为保证滤波后数据的零相移特性，对滤波数据进行右延拓；
S3：计算滤波数据：计算数据通过FIR滤波器后的滤波数据，为保证滤波后数据的平滑性，将滤波后数据分为两部分；
S4：确定实际数据与延拓数据比重关系：a：计算采集的实际数据与期望数据的变化趋势；
b：计算高斯分布的均值与方差；
c：计算初始协方差矩阵P；
d：计算观测值协方差R。
本发明充分利用FIR滤波器的线性相位性质，在滤波时不会产生频谱混叠，剔除噪声干扰的同时，又尽可能的保留了实际数据，减少了人工记录可能出现错误的可能。
图2为FIR滤波器结构示意图，说明FIR滤波器的滤波过程，其公式为：
y[n]＝h[1]*x[n]+h[2]*x[n-1]+…+h[n]*x[n-(N-1)]
其中，x[n]为n时刻的待滤波数据，y[n]为滤波后数据，N为设计的FIR滤波器的阶数。
所述的步骤S1的FIR滤波器选用第一类线性相位FIR滤波器。
所述的步骤S1的a的计算公式为：
其中，N为设计FIR滤波器的阶数，δp为通带最大衰减，δs为阻带最小衰减，wp通带截止频率，ws阻带起始频率。
所述的步骤S1的b的计算公式为：
其中wc为滤波器的截止频率，n为FIR滤波器系数的序号。
图3为FIR滤波器频率响应特性，由图中可以看到设计的FIR滤波器具有线性相位的特点，避免滤波后出现频谱混叠，所以需要对滤波数据进行右延拓。
所述的步骤S2的对滤波数据进行右延拓的具体方法为将待滤波数据右延拓长度为(N-1)/2，延拓依次数据为：
aexpected(t-delay+i)1≤i≤(N-1)/2
其中aexpected为机械臂的期望值，t为滤波的当前时刻，delay为期望数据与延拓数据之间相差时刻的差值。
由于滤波后的数据不会有相位滞后，在实际人机协作过程中，如果发生碰撞，信号会在当前时刻发生变化，可以使机器人立马启动安全措施，不会对人造成进一步的伤害，提高了使用者的安全性。
所述的步骤S3的计算公式为：
其中，aactive为机械臂的实际采样值，N阶FIR滤波器的前(N-1)/2+1系数与实际对应时刻数据的乘积的和mid1，后(N-1)/2+1系数与对应时刻期望数据乘积的和mid2。
图4反映了两个符合高斯分布的函数相乘，可以确定出一个新的高斯分布函数，这就是动态更新mid1与mid2各自所占权重的基本原理，所述的步骤S4的a的计算公式为：
其中，为机械臂的期望值的变化趋势，为机械臂的实际采样值的变化趋势。
所述的步骤S4的b计算mid1与mid2各自服从高斯分布的均值与方差，并将两个高斯分布函数相乘，得到新的高斯分布的均值与方差，同时更新mid1所对应的高斯分布的均值与方差，如此不断循环，其公式为：
其中状态矩阵选择误差矩阵误差矩阵可以根据应用场景的不同自行调整，观测矩阵H＝[1 0]，计算aexpected的变化速度
在本发明中采用了动态循环更新滤波数据均值与方差的方法，即保留了h((N-1)/2+1)所对应的采样数据的影响，确保了滤波后数据的数据反映真实机械臂的变化趋势，又保证了滤波后数据的平滑性，避免了实际人机协作过程中，由于通频带内噪声的干扰，造成人机碰撞判断的误判，提高了人机协作机器人的鲁棒性。
所述的步骤S4的c初始协方差矩阵P的计算公式为：
所述的步骤S4的d观测值协方差R的计算公式为：
R＝Cov(aactive,aactive)
其中eye(2)为2阶单位矩阵，aactive(t)为t时刻的滤波后数据。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种机器人零相移实时滤波方法,其特征在于：其具体步骤如下：
S1：采集数据，分析频率：采集机械臂运行数据，进行频谱分析，确定RIR滤波器的截止频率：
a：根据Kaiser方程确认FIR滤波器阶数：
b：确定FIR滤波器系数；
S2：设计FIR滤波器系数和阶数：根据截止频率，设计FIR滤波器的系数和阶数，为保证滤波后数据的零相移特性，对滤波数据进行右延拓；
S3：计算滤波数据：计算数据通过FIR滤波器后的滤波数据，为保证滤波后数据的平滑性，将滤波后数据分为两部分；
S4：确定实际数据与延拓数据比重关系：a：计算采集的实际数据与期望数据的变化趋势；
b：计算高斯分布的均值与方差；
c：计算初始协方差矩阵P；
d：计算观测值协方差R。
2.根据权利要求1所述的一种机器人零相移实时滤波方法，其特征在于：所述的步骤S1的FIR滤波器选用第一类线性相位FIR滤波器。
3.根据权利要求1所述的一种机器人零相移实时滤波方法，其特征在于：所述的步骤S1的a的计算公式为：
其中，N为设计FIR滤波器的阶数，δp为通带最大衰减，δs为阻带最小衰减，wp通带截止频率，ws阻带起始频率。
4.根据权利要求1所述的一种机器人零相移实时滤波方法，其特征在于：所述的步骤S1的b的计算公式为：
其中wc为滤波器的截止频率，n为FIR滤波器系数的序号。
5.根据权利要求1所述的一种机器人零相移实时滤波方法，其特征在于：所述的步骤S2的对滤波数据进行右延拓的具体方法为将待滤波数据右延拓长度为(N-1)/2，延拓依次数据为：
aexpected(t-delay+i)1≤i≤(N-1)/2
其中aexpected为机械臂的期望值，t为滤波的当前时刻，delay为期望数据与延拓数据之间相差时刻的差值。
6.根据权利要求1所述的一种机器人零相移实时滤波方法，其特征在于：所述的步骤S3的计算公式为：
其中，N阶FIR滤波器的前(N-1)/2+1系数与实际对应时刻数据的乘积的和mid1，后(N-1)/2+1系数与对应时刻期望数据乘积的和mid2。
7.根据权利要求1所述的一种机器人零相移实时滤波方法，其特征在于：所述的步骤S4的a的计算公式为：
其中，为机械臂的期望值的变化趋势，为机械臂的实际采样值的变化趋势。
8.根据权利要求1所述的一种机器人零相移实时滤波方法，其特征在于：所述的步骤S4的b计算mid1与mid2各自服从高斯分布的均值与方差，并将两个高斯分布函数相乘，得到新的高斯分布的均值与方差，同时更新mid1所对应的高斯分布的均值与方差，如此不断循环，其公式为：
其中状态矩阵选择误差矩阵误差矩阵可以根据应用场景的不同自行调整，观测矩阵H＝[1 0]，计算期望值aexpected的变化速度
9.根据权利要求1所述的一种机器人零相移实时滤波方法，其特征在于：所述的步骤S4的c初始协方差矩阵P的计算公式为：
10.根据权利要求1所述的一种机器人零相移实时滤波方法，其特征在于：所述的步骤S4的d观测值协方差R的计算公式为：
R＝Cov(aactive,aactive)
其中eye(2)为2阶单位矩阵，aactive(t)为t时刻的滤波后数据。
CN201910329410.3A 2019-04-23 2019-04-23 一种机器人零相移实时滤波方法 Active CN110149104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910329410.3A CN110149104B (zh) 2019-04-23 2019-04-23 一种机器人零相移实时滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910329410.3A CN110149104B (zh) 2019-04-23 2019-04-23 一种机器人零相移实时滤波方法

Publications (2)

Publication Number Publication Date
CN110149104A true CN110149104A (zh) 2019-08-20
CN110149104B CN110149104B (zh) 2023-08-04

Family

ID=67593888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910329410.3A Active CN110149104B (zh) 2019-04-23 2019-04-23 一种机器人零相移实时滤波方法

Country Status (1)

Country Link
CN (1) CN110149104B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113872569A (zh) * 2021-12-06 2021-12-31 北京北斗华大科技有限公司 基于nwpr载噪比算法的平滑滤波方法及滤波器
CN113938112B (zh) * 2021-08-12 2023-04-07 襄阳达安汽车检测中心有限公司 无相移滤波数据的生成方法和无相移滤波器

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120019723A1 (en) * 2009-04-10 2012-01-26 Dolby Laboratories Licensing Corporation Obtaining a Desired Non-Zero Phase Shift Using Forward-Backward Filtering
US20120245901A1 (en) * 2011-03-22 2012-09-27 Ess Technology, Inc. Finite Impulse Response Filter For Producing Outputs Having Different Phases
CN104199993A (zh) * 2014-02-18 2014-12-10 广州市香港科大霍英东研究院 一种针对间歇过程的二维动态卡尔曼滤波器设计方法
CN104716928A (zh) * 2013-12-11 2015-06-17 中国航空工业第六一八研究所 一种在线零相移iir数字滤波器的数字滤波处理方法
US20170164100A1 (en) * 2014-08-22 2017-06-08 Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. FIR Filter Coefficient Calculation for Beam-forming Filters
CN107609305A (zh) * 2017-09-30 2018-01-19 四川长虹电器股份有限公司 基于vc的滤波器辅助设计系统
CN108519587A (zh) * 2018-04-25 2018-09-11 东南大学 一种实时的空中目标运动模式识别及参数估计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120019723A1 (en) * 2009-04-10 2012-01-26 Dolby Laboratories Licensing Corporation Obtaining a Desired Non-Zero Phase Shift Using Forward-Backward Filtering
US20120245901A1 (en) * 2011-03-22 2012-09-27 Ess Technology, Inc. Finite Impulse Response Filter For Producing Outputs Having Different Phases
CN104716928A (zh) * 2013-12-11 2015-06-17 中国航空工业第六一八研究所 一种在线零相移iir数字滤波器的数字滤波处理方法
CN104199993A (zh) * 2014-02-18 2014-12-10 广州市香港科大霍英东研究院 一种针对间歇过程的二维动态卡尔曼滤波器设计方法
US20170164100A1 (en) * 2014-08-22 2017-06-08 Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. FIR Filter Coefficient Calculation for Beam-forming Filters
CN107609305A (zh) * 2017-09-30 2018-01-19 四川长虹电器股份有限公司 基于vc的滤波器辅助设计系统
CN108519587A (zh) * 2018-04-25 2018-09-11 东南大学 一种实时的空中目标运动模式识别及参数估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曲春凯等: "利用零相位Kaiser窗滤波器改善MEX多普勒数据定轨精度", 《武汉大学学报(信息科学版)》 *
王丽: "基于matlab/FDATool的语音信号滤波处理", 《德州学院学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113938112B (zh) * 2021-08-12 2023-04-07 襄阳达安汽车检测中心有限公司 无相移滤波数据的生成方法和无相移滤波器
CN113872569A (zh) * 2021-12-06 2021-12-31 北京北斗华大科技有限公司 基于nwpr载噪比算法的平滑滤波方法及滤波器
CN113872569B (zh) * 2021-12-06 2022-03-08 北京北斗华大科技有限公司 基于nwpr载噪比算法的平滑滤波方法及滤波器

Also Published As

Publication number Publication date
CN110149104B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
EP2237002B1 (en) Method for analysing vibration in rotor blades
US20110213577A1 (en) Method and apparatus for analyzing waveform signals of a power system
CN110907826B (zh) 一种基于卷积神经网络滤波的电机故障诊断方法及系统
CN110149104A (zh) 一种机器人零相移实时滤波方法
CN111046541B (zh) 发动机基频振动幅值随转速变化自适应求解方法与系统
CN111912521B (zh) 一种非平稳信号的频率检测方法和存储介质
CN111273336A (zh) 一种数字核脉冲信号高斯成形方法
CN115046764B (zh) 一种滚动轴承早期故障诊断方法
KR970006623B1 (ko) 산업제어응용에 있어서 신호를 디지털로 프로세싱하고 필터링하기 위한 장치 및 그 방법
CN113213297B (zh) 一种应用于电梯安全检测系统的位移传感器数据处理方法
CN114199364A (zh) 一种航空发动机的振动监测系统
CN107505337B (zh) 一种复合绝缘子缺陷检测用微波反射信号特征数据库
CN111913034A (zh) 一种基于高阶累积量与esprit算法的功率振荡检测方法
CN113225047A (zh) 一种基于tvlp-mf的动态检重秤快速滤波方法及系统
CN112033656A (zh) 一种基于宽带谱处理的机械系统故障检测方法
CN112116917B (zh) 基于相位跃变度的电抗器本体与风机声信号分离方法
CN111258296B (zh) 航空发动机控制系统的漂移类故障检测方法
CN110207967B (zh) 一种基于小波包能量特征与互相关的状态识别方法与系统
CN112484844A (zh) 一种变压器噪声抗环境干扰检测方法及系统
CN112161807A (zh) 一种变速齿轮箱的故障诊断方法、装置及存储介质
CN112836583B (zh) 一种风力机故障诊断方法
CN112329591B (zh) 一种消除毛刺干扰信号的数字信号处理方法
Chu et al. A new regularized TVAR-based algorithm for recursive detection of nonstationarity and its application to speech signals
Kavya et al. Parabolic filter for removal of powerline interference in ecg signal using periodogram estimation technique
CN115855170B (zh) 一种基于融合模型算法的倾斜角与振动特性测量系统

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