CN110440909A - 一种基于噪声自适应识别的振动信号信噪比计算方法 - Google Patents
一种基于噪声自适应识别的振动信号信噪比计算方法 Download PDFInfo
- Publication number
- CN110440909A CN110440909A CN201910701217.8A CN201910701217A CN110440909A CN 110440909 A CN110440909 A CN 110440909A CN 201910701217 A CN201910701217 A CN 201910701217A CN 110440909 A CN110440909 A CN 110440909A
- Authority
- CN
- China
- Prior art keywords
- noise
- range
- signal
- aim
- effective
- 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
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提出的一种基于噪声自适应识别的振动信号信噪比计算方法,包括:全局噪声时,将噪声谱序列Px[f≠Faim]上所有谱峰保留,并将所有谷值置零处理,获得新噪声谱序列P'x[f≠Faim];计算对应的噪声范围,根据噪声范围计算有效噪声范围,并计算新噪声谱序列P'x[f≠Faim]在有效噪声范围内的噪声水平;为局部噪声时,计算对应的噪声范围,根据噪声范围计算有效噪声范围,并计算噪声谱序列Px[f≠Faim]在有效噪声范围内的噪声水平;根据有效频率成分Px[Faim]和噪声水平计算信噪比SNR。本发明使得最终获得的信噪比能够更直接反应信号与其噪声相比的明显程度,便于利用信噪比来评判各种噪声抑制、特征提取、微弱信号放大、噪声去除等其他振动信号处理算法是否有效,并对其效果进行定量的判断和衡量。
Description
技术领域
本发明涉及信号噪声技术领域,尤其涉及一种基于噪声自适应识别的振动信号信噪比计算方法。
背景技术
对于目前各类型的设备来说,振动采集、振动测试、振动检测、数据处理等振动分析步骤都是获取设备状态的有效手段,而振动分析无论是用于设备的设计、优化、监测、降噪还是抑振,都能带来较大的参考价值和指导意义。
在进行振动分析的过程中,数据处理时经常需要涉及到振动信号中有效成分的识别、提取、放大等。在衡量这些算法是否有效时,我们需要一个能够表明当前信号中有效成分所占比重大小的指标,在行业中常用的为信号的信噪比(Signal-to-Noise Ratio:SNR)。常规的SNR是指一个电子设备或者系统中信号与噪声的比例。信噪比的计量单位是dB,其计算方法是10lg(Ps/Pn),其中Ps和Pn分别代表信号和噪声的有效功率,也可以换算成幅值的比率关系:20lg(Vs/Vn),Vs和Vn分别代表信号和噪声幅值的“有效值”。
目前噪声计算按照计算方法基本可以分为三类:时域计算、或者频域计算或者其他方法。
时域信号直接计算,主要是将源信号s与估计信号y的误差e=s-y作为噪声,然后建立信噪比函数(参考文献:苗锋,基于最大信噪比的转子故障信息分离方法;赵洪山,基于最大信噪比的风电机组主轴承的故障特征提取;等),但是由于原信号一般未知,且估计信号y中包含了噪声,所以一般会采用估计信号的滑动平均来代替s,最终得到的信噪比函数为:
其中滑动平均长度p需要根据信号的噪声特性选取(小于100的整数)。
在使用这种方法时,首先需要根据噪声特征选取滑动平均长度,其取值会直接影响有效信号s的估计效果,实际信号计算时难以预估该先验参数;其次,仅仅通过滑动平均滤波是无法滤除掉振动信号中复杂的有色噪声,估计的有效信号中仍然存在大量的噪声,导致SNR计算无效。
对于振动信号来说,由于有效信号与噪声是混叠在一起,时域上无法将二者区分开,因而目前在频域进行信噪比计算较为有效。频域的SNR计算方法(参考文献:高传亮,基于改进小波阀值的振动信号去噪方法研究),目前该类方法大多采用在信号的频谱上,以所有频率幅值的均值或者除有效信号以外的最大幅值来计算噪声水平。数字信号处理中,从频域计算SNR通常会先采用快速傅里叶变换(Fast Fourier Transform:FFT)来计算得到信号的频率分布P(f),然后通过谱分布进一步计算信噪比:
其中,Ω为f取值范围,其中P(f)为原始混合信号(包含有效信号和噪声),为频谱中去除有效信号后所有谱的均值。该方法一定程度上能直观反映混合信号中有效成分所占比重,但是也存在一下几点问题:在整个频段去谱平均幅值作为噪声,当信号较为稀疏时,取平均会拉低噪声实际水平,导致计算得到的SNR过大,该情况的信号如图1所示;当信号的频谱出现滑雪坡(包络谱、低通滤波谱等)谱特征时,处在不同频段的有效信号由于其所在本底噪声的差别,采用统一噪声计算模式会导致不同频段的信号幅值相近时计算结果差别不大,但是实际可分辨度存在明显差距(如图2,信号1和信号2处在不同频段,其SNR计算结果差别不大,但信号2明显显著于信号1)。
对于其他类型的计算方法:通过频谱中除有效频率外的最大成分来获取噪声幅值,会导致计算SNR结果不稳定,偶然的高能量频率成分会使得计算无效;而直接计算有效信号与噪声信号的功率(参考文献:马淑玲,一种SNR计算方法和装置,CN104579560B),在振动信号分析领域难以适用,时域上无法将信号与噪声分离开来计算其功率大小,且结果与直观判断结果差别较大。
可见,以上无论是哪种方式均存在缺陷,在一定的场合下所计算的结果与实际情况不相吻合。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于噪声自适应识别的振动信号信噪比计算方法。
本发明提出的一种基于噪声自适应识别的振动信号信噪比计算方法,包括以下步骤:
S1、获取原始振动信号对应的频谱序列Px[f];
S2、选择有效目标频率,并通过去除频谱序列Px[f]中的有效频率成分Px[Faim],获取噪声谱序列Px[f≠Faim];
S3、设置全局噪声和局部噪声两种噪声模式,分别对应全局噪声和局部噪声设置对应的噪声范围计算模式,并设置根据有效目标频率和噪声范围计算有效噪声范围的计算模式;
S4、判断噪声谱序列Px[f≠Faim]为全局噪声还是局部噪声;
S5、为全局噪声时,将噪声谱序列Px[f≠Faim]上所有谱峰保留,并将所有谷值置零处理,获得新噪声谱序列P'x[f≠Faim];计算对应的噪声范围,根据噪声范围计算有效噪声范围,并计算新噪声谱序列P'x[f≠Faim]在有效噪声范围内的噪声水平;
S6、为局部噪声时,计算对应的噪声范围,根据噪声范围计算有效噪声范围,并计算噪声谱序列Px[f≠Faim]在有效噪声范围内的噪声水平;
S7、根据有效频率成分Px[Faim]和噪声水平计算信噪比SNR。
优选的,步骤S1中,利用快速傅里叶变换获得原始振动信号的频谱序列Px[f]。
优选的,步骤S3中,全局噪声对应的噪声范围为有效噪声频率的N倍,N>1。
优选的,5≦N≦10。
优选的,步骤S3中,当噪声谱序列Px[f≠Faim]为全局噪声,则有效噪声范围为:f∈[0,min(Range,max(f))];
其中,Range为全局噪声对应的噪声范围,max(f)为噪声频率f的最大值
优选的,步骤S3中,局部噪声对应的噪声范围为有效目标频率与频谱序列Px[f]中主频率的差值。
优选的,步骤S3中,当噪声谱序列Px[f≠Faim]为局部噪声,则有效噪声范围为:f∈[Faim-Range',Faim+Range'];
其中,Range'为局部噪声对应的噪声范围,Faim为有效目标频率。
优选的,步骤S4具体为:判断有效目标频率是否属于边带辅助频率,或者本底噪声强度是否达到预设的声强阈值;
是,则判断噪声谱序列Px[f≠Faim]为局部噪声;
反之,则判断噪声谱序列Px[f≠Faim]为全局噪声。
优选的,步骤S5和步骤S6中,获得噪声水平的具体方法为:通过最大穿越次数方法自适应求解有效噪声范围内的噪声幅值,并获取满足最大穿越次数的所有噪声幅值中的最大值的两倍作为噪声水平。
优选的,步骤S7中,信噪比SNR的计算模型为:
其中,P_Noise为步骤S6或者步骤S7中获得的噪声水平。
本发明提出的一种基于噪声自适应识别的振动信号信噪比计算方法,根据有效目标频率可以自动识别有效频率成分,实现其幅值的提取;根据有效目标频率获取有效信号后,去除其频率成分得到仅剩余噪声信号的频谱序列;然后针对全局噪声和局部噪声分别进行信噪比计算,提高了噪声比计算的精确程度,且整个计算过程无复杂运算,易于在嵌入式设备上移植和实现边缘计算。
本发明中,由有效目标频率处的幅值和噪声水平来计算信噪比,结果能够匹配频谱的信噪比直观判断,使得最终获得的信噪比能够更直接反应信号与其噪声相比的明显程度,便于利用信噪比来评判各种噪声抑制、特征提取、微弱信号放大、噪声去除等其他振动信号处理算法是否有效,并对其效果进行定量的判断和衡量。
本发明提出了一种基于噪声自适应识别的振动信号信噪比计算方法,可应用于实际采集的声音或振动信号,可实现旋转机械故障的自动诊断。
附图说明
图1为稀疏频谱时的谱特征图;
图2为具有滑雪坡特性的谱特征图;
图3为本发明提出的一种基于噪声自适应识别的振动信号信噪比计算方法流程图;
图4为实施例中采集的原始振动信号包络波形图;
图5为图4对应的频谱图;
图6为实施例中全局噪声模式下80.15Hz频率成分的噪声谱峰序列图;
图7为实施例中全局噪声模式下240.5Hz频率成分的噪声谱峰序列图;
图8为实施例中局部噪声模式下112.8Hz频率成分的噪声谱峰序列图。
具体实施方式
参照图1,本发明提出的一种基于噪声自适应识别的振动信号信噪比计算方法,包括以下步骤:
S1、获取原始振动信号对应的频谱序列Px[f]。
具体的,本步骤中,利用快速傅里叶变换获得原始振动信号的频谱序列Px[f]。
例如,本实施方式中通过传感器采集到的原始振动信号为x[n](n=0,1,2……Len),其中,Len为信号长度。利用快速傅里叶变换可得到原始振动信号的频谱序列为Px[f](f=1/Fs,2/Fs,……Len/2/Fs),简单记作Px[f],其中,Fs为原始振动信号的采样频率。
S2、选择有效目标频率,并通过去除频谱序列Px[f]中的有效频率成分Px[Faim],获取噪声谱序列Px[f≠Faim]。
即,Px[f≠Faim]=Px[f]-Px[Faim]。
S3、设置全局噪声和局部噪声两种噪声模式,分别对应全局噪声和局部噪声设置对应的噪声范围计算模式,并设置根据有效目标频率和噪声范围计算有效噪声范围的计算模式。
具体的,本实施方式中,全局噪声对应的噪声范围为有效噪声频率的N倍,N>1。具体可取值,5≦N≦10。本实施方式中,局部噪声对应的噪声范围为有效目标频率与频谱序列Px[f]中主频率的差值。
且,本实施方式中,当噪声谱序列Px[f≠Faim]为全局噪声,则有效噪声范围为:f∈[0,min(Range,max(f))];
其中,Range为全局噪声对应的噪声范围,max(f)为噪声频率f的最大值。
当噪声谱序列Px[f≠Faim]为局部噪声,则有效噪声范围为:
f∈[Faim-Range',Faim+Range'];
其中,Range'为局部噪声对应的噪声范围,Faim为有效目标频率。
S4、判断噪声谱序列Px[f≠Faim]为全局噪声还是局部噪声。
本步骤中,根据有效目标频率Faim判断噪声模式。
具体的,步骤S4具体为:判断有效目标频率是否属于边带辅助频率,或者本底噪声强度是否达到预设的声强阈值;
是,则判断噪声谱序列Px[f≠Faim]为局部噪声;
反之,则判断噪声谱序列Px[f≠Faim]为全局噪声。
本步骤中,将本底噪声强度与声强阈值比较,实现了对本底噪声明显性的判断。即,本实施方式中,如果有效目标频率属于边带辅助频率,或者噪声谱序列Px[f≠Faim]上本底噪声较明显,则判断噪声谱序列Px[f≠Faim]为局部噪声;剩余情况,均判断噪声谱序列Px[f≠Faim]为全局噪声。
S5、为全局噪声时,将噪声谱序列Px[f≠Faim]上所有谱峰保留,并将所有谷值置零处理,获得新噪声谱序列P'x[f≠Faim];计算对应的噪声范围,根据噪声范围计算有效噪声范围,并计算新噪声谱序列P'x[f≠Faim]在有效噪声范围内的噪声水平。
即本步骤中,首先利用峰值提取算法对噪声谱序列Px[f≠Faim]进行处理,获取新噪声谱序列P'x[f≠Faim],然后结合新噪声谱序列P'x[f≠Faim]和有效噪声范围f∈[0,min(Range,max(f))]获取有效范围内的噪声谱序列:Px[f≠Faim,f∈[0,min(Range,max(f))]];并进一步通过最大穿越次数方法自适应求解获得Px[f≠Faim,f∈[0,min(Range,max(f))]]的噪声水平。
具体的,获得噪声水平的具体方法为:通过最大穿越次数方法自适应求解Px[f≠Faim,f∈[0,min(Range,max(f))]]在有效噪声范围内的噪声幅值,并获取满足最大穿越次数的所有噪声幅值中的最大值的两倍作为噪声水平。
S6、为局部噪声时,计算对应的噪声范围,根据噪声范围计算有效噪声范围,并计算噪声谱序列Px[f≠Faim]在有效噪声范围内的噪声水平。
本步骤中,结合有效噪声范围f∈[Faim-Range',Faim+Range']和噪声谱序列Px[f≠Faim]获取有效范围内的噪声谱序列:Px[f≠Faim,f∈[Faim-Range',Faim+Range']];并进一步通过最大穿越次数方法自适应求解获得Px[f≠Faim,f∈[Faim-Range',Faim+Range']]的噪声水平。具体的,获得噪声水平的具体方法为:通过最大穿越次数方法自适应求解Px[f≠Faim,f∈[Faim-Range',Faim+Range']]在有效噪声范围内的噪声幅值,并获取满足最大穿越次数的所有噪声幅值中的最大值的两倍作为噪声水平。
S7、根据有效频率成分Px[Faim]和噪声水平计算信噪比SNR。
具体的步骤S7中,信噪比SNR的计算模型为:
其中,P_Noise为步骤S6或者步骤S7中获得的噪声水平。
以下结合具体的实施例对以上发明做进一步解释。
本实施例中,通过加速度传感器检测待检测部件表面,以采样频率Fs=51000进行采样获得原始振动信号x[n],其采样长度为n=51000。原始振动信号x[n]波形如图4所示,其频谱图如图5所示,频谱图上最大采样频率max(f)=1000Hz。
本实施例中,对频谱图中三个特征频率:80.15Hz、240.5Hz和112.8Hz分别进行噪声比计算。
以80.15Hz为有效目标频率时,该频率对应时域中冲击信号的基频,故而采用全局噪声模式。本实施例中,噪声范围Range在[80.15×5,80.15×10]的区间范围上取值,具体可取值Range=500;如此有效噪声范围为:f∈[0,500]。图5所示频谱图通过峰值提取,即保留谱峰值并将谷值置零处理后获得图6所示的噪声谱峰序列P'x[f≠80.15],然后利用最大穿越次数方法自适应求解得到P'x[f≠80.15,f∈[0,500]]的噪声水平如图6中直线所示,噪声水平P_Noise=0.0014。同时,图5中有效目标频率80.15Hz处的噪声幅值为Px[f=80.15]=0.0162。如此,将0.0014和0.0162代入信噪比SNR计算模型可得:
以240.5Hz为有效目标频率时,该频率对应冲击信号基频的三倍频,信号幅值Px[f=240.5]=0.0058,同样采用全局噪声模式进行计算,噪声范围Range在[240.5×5,240.5×10]的区间范围上取值,具体可取值Range=2000。如此:min(Range,max(f))=min(2000,1000)=1000,有效噪声范围为:f∈[0,1000]。图5所示频谱图通过峰值提取,即保留谱峰值并将谷值置零处理后获得图7所示的噪声谱峰序列P'x[f≠240.5],然后利用最大穿越次数方法自适应求解得到P'x[f≠240.5,f∈[0,1000]]的噪声水平如图7中直线所示,噪声水平P_Noise=0.0010。如此,将0.0058和0.0010代入信噪比SNR计算模型可得:
以112.8Hz为有效目标频率时,该频率实际上为冲击基频的二倍转速边带,故而采用局部噪声模式进行计算,信号幅值Px[f=112.8]=0.0033,噪声范围Range'=112.8-80.15≈30;如此,有效噪声范围为:f∈[112.8-30,112.8+30]。利用最大穿越次数方法自适应求解得到Px[f≠112.8,f∈[82.8,142.8]]的噪声水平如图8中直线所示,噪声水平P_Noise=0.0011。如此,将0.0033和0.0011代入信噪比SNR计算模型可得:
以上所述,仅为本发明涉及的较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于噪声自适应识别的振动信号信噪比计算方法,其特征在于,包括以下步骤:
S1、获取原始振动信号对应的频谱序列Px[f];
S2、选择有效目标频率,并通过去除频谱序列Px[f]中的有效频率成分Px[Faim],获取噪声谱序列Px[f≠Faim];
S3、设置全局噪声和局部噪声两种噪声模式,分别对应全局噪声和局部噪声设置对应的噪声范围计算模式,并设置根据有效目标频率和噪声范围计算有效噪声范围的计算模式;
S4、判断噪声谱序列Px[f≠Faim]为全局噪声还是局部噪声;
S5、为全局噪声时,将噪声谱序列Px[f≠Faim]上所有谱峰保留,并将所有谷值置零处理,获得新噪声谱序列P'x[f≠Faim];计算对应的噪声范围,根据噪声范围计算有效噪声范围,并计算新噪声谱序列P'x[f≠Faim]在有效噪声范围内的噪声水平;
S6、为局部噪声时,计算对应的噪声范围,根据噪声范围计算有效噪声范围,并计算噪声谱序列Px[f≠Faim]在有效噪声范围内的噪声水平;
S7、根据有效频率成分Px[Faim]和噪声水平计算信噪比SNR。
2.如权利要求1所述的基于噪声自适应识别的振动信号信噪比计算方法,其特征在于,步骤S1中,利用快速傅里叶变换获得原始振动信号的频谱序列Px[f]。
3.如权利要求1所述的基于噪声自适应识别的振动信号信噪比计算方法,其特征在于,步骤S3中,全局噪声对应的噪声范围为有效噪声频率的N倍,N>1。
4.如权利要求1所述的基于噪声自适应识别的振动信号信噪比计算方法,其特征在于,5≦N≦10。
5.如权利要求3所述的基于噪声自适应识别的振动信号信噪比计算方法,其特征在于,步骤S3中,当噪声谱序列Px[f≠Faim]为全局噪声,则有效噪声范围为:f∈[0,min(Range,max(f))];
其中,Range为全局噪声对应的噪声范围,max(f)为噪声频率f的最大值
6.如权利要求1所述的基于噪声自适应识别的振动信号信噪比计算方法,其特征在于,步骤S3中,局部噪声对应的噪声范围为有效目标频率与频谱序列Px[f]中主频率的差值。
7.如权利要求6所述的基于噪声自适应识别的振动信号信噪比计算方法,其特征在于,步骤S3中,当噪声谱序列Px[f≠Faim]为局部噪声,则有效噪声范围为:f∈[Faim-Range',Faim+Range'];
其中,Range'为局部噪声对应的噪声范围,Faim为有效目标频率。
8.如权利要求1所述的基于噪声自适应识别的振动信号信噪比计算方法,其特征在于,步骤S4具体为:判断有效目标频率是否属于边带辅助频率,或者本底噪声强度是否达到预设的声强阈值;
是,则判断噪声谱序列Px[f≠Faim]为局部噪声;
反之,则判断噪声谱序列Px[f≠Faim]为全局噪声。
9.如权利要求1所述的基于噪声自适应识别的振动信号信噪比计算方法,其特征在于,步骤S5和步骤S6中,获得噪声水平的具体方法为:通过最大穿越次数方法自适应求解有效噪声范围内的噪声幅值,并获取满足最大穿越次数的所有噪声幅值中的最大值的两倍作为噪声水平。
10.如权利要求9所述的基于噪声自适应识别的振动信号信噪比计算方法,其特征在于,步骤S7中,信噪比SNR的计算模型为:
其中,P_Noise为步骤S6或者步骤S7中获得的噪声水平。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910701217.8A CN110440909B (zh) | 2019-07-31 | 2019-07-31 | 一种基于噪声自适应识别的振动信号信噪比计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910701217.8A CN110440909B (zh) | 2019-07-31 | 2019-07-31 | 一种基于噪声自适应识别的振动信号信噪比计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110440909A true CN110440909A (zh) | 2019-11-12 |
CN110440909B CN110440909B (zh) | 2021-07-13 |
Family
ID=68432458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910701217.8A Active CN110440909B (zh) | 2019-07-31 | 2019-07-31 | 一种基于噪声自适应识别的振动信号信噪比计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110440909B (zh) |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0471166B2 (zh) * | 1983-06-01 | 1992-11-13 | Hitachi Ltd | |
JP2002251198A (ja) * | 2000-12-19 | 2002-09-06 | Atr Onsei Gengo Tsushin Kenkyusho:Kk | 音声認識システム |
US6459888B1 (en) * | 1998-09-30 | 2002-10-01 | Skyworks Solutions, Inc. | Method of estimating carrier frequency in a digital mobile communications system through multiple hypotheses performed on the received signal |
CN1841500A (zh) * | 2005-03-30 | 2006-10-04 | 松下电器产业株式会社 | 一种基于自适应非线性谱减的抗噪方法和装置 |
KR20060134882A (ko) * | 2006-11-29 | 2006-12-28 | 인하대학교 산학협력단 | 음성 검출을 위한 통계 모델을 적응적으로 결정하는 방법 |
CA2582560A1 (en) * | 2007-03-22 | 2008-09-22 | Commtest Instruments Limited | Method and system for vibration signal processing |
CN101294845A (zh) * | 2008-05-05 | 2008-10-29 | 西北工业大学 | 转子早期故障的多频率微弱信号检测方法 |
WO2011011445A1 (en) * | 2009-07-21 | 2011-01-27 | Integrated Device Technology, Inc. | System and method for random noise estimation in a sequence of images |
JP4915773B2 (ja) * | 2006-02-28 | 2012-04-11 | 株式会社河合楽器製作所 | 伝達特性測定方法および装置 |
CN103674230A (zh) * | 2013-11-26 | 2014-03-26 | 西安交通大学 | 基于降噪源分离的舰艇振动噪声源分离与识别方法 |
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 |
CN105679334A (zh) * | 2016-03-08 | 2016-06-15 | 广东睿康智能科技有限公司 | 一种智能马桶自适应识别大小便的方法及系统 |
US9659555B1 (en) * | 2016-02-09 | 2017-05-23 | Amazon Technologies, Inc. | Multichannel acoustic echo cancellation |
KR20170063627A (ko) * | 2014-09-26 | 2017-06-08 | 퀄컴 인코포레이티드 | 공유 스펙트럼 동작 |
CN106878226A (zh) * | 2017-02-16 | 2017-06-20 | 上海交通大学 | 一种多用户多载波稀疏扩频序列的优化设计方法及系统 |
CN107180140A (zh) * | 2017-06-08 | 2017-09-19 | 中南大学 | 基于双树复小波与AdaBoost的轴系故障识别方法 |
CN107329141A (zh) * | 2017-08-03 | 2017-11-07 | 厦门大学 | 一种海洋环境下的航体微弱辐射噪声信号检测方法 |
CN107389329A (zh) * | 2017-07-24 | 2017-11-24 | 潍坊学院 | 基于非延迟代价函数和PauTa检验的瞬时频率估计方法 |
US9973849B1 (en) * | 2017-09-20 | 2018-05-15 | Amazon Technologies, Inc. | Signal quality beam selection |
CN108760310A (zh) * | 2018-07-02 | 2018-11-06 | 中国矿业大学 | 基于新型信噪比指标的随机共振滚动轴承故障诊断方法 |
CN108844617A (zh) * | 2018-05-03 | 2018-11-20 | 武汉理工大学 | 主减速器强噪声振动信号的自适应稀疏树结构降噪方法 |
CN109211548A (zh) * | 2018-08-31 | 2019-01-15 | 沃德传动(天津)股份有限公司 | 一种机械故障诊断方法 |
CN109738189A (zh) * | 2018-12-24 | 2019-05-10 | 西安交通大学 | 一种旋转机械频谱谐波平均优化方法 |
-
2019
- 2019-07-31 CN CN201910701217.8A patent/CN110440909B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0471166B2 (zh) * | 1983-06-01 | 1992-11-13 | Hitachi Ltd | |
US6459888B1 (en) * | 1998-09-30 | 2002-10-01 | Skyworks Solutions, Inc. | Method of estimating carrier frequency in a digital mobile communications system through multiple hypotheses performed on the received signal |
JP2002251198A (ja) * | 2000-12-19 | 2002-09-06 | Atr Onsei Gengo Tsushin Kenkyusho:Kk | 音声認識システム |
CN1841500A (zh) * | 2005-03-30 | 2006-10-04 | 松下电器产业株式会社 | 一种基于自适应非线性谱减的抗噪方法和装置 |
JP4915773B2 (ja) * | 2006-02-28 | 2012-04-11 | 株式会社河合楽器製作所 | 伝達特性測定方法および装置 |
KR20060134882A (ko) * | 2006-11-29 | 2006-12-28 | 인하대학교 산학협력단 | 음성 검출을 위한 통계 모델을 적응적으로 결정하는 방법 |
CA2582560A1 (en) * | 2007-03-22 | 2008-09-22 | Commtest Instruments Limited | Method and system for vibration signal processing |
CN101294845A (zh) * | 2008-05-05 | 2008-10-29 | 西北工业大学 | 转子早期故障的多频率微弱信号检测方法 |
WO2011011445A1 (en) * | 2009-07-21 | 2011-01-27 | Integrated Device Technology, Inc. | System and method for random noise estimation in a sequence of images |
CN103674230A (zh) * | 2013-11-26 | 2014-03-26 | 西安交通大学 | 基于降噪源分离的舰艇振动噪声源分离与识别方法 |
KR20170063627A (ko) * | 2014-09-26 | 2017-06-08 | 퀄컴 인코포레이티드 | 공유 스펙트럼 동작 |
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 |
US9659555B1 (en) * | 2016-02-09 | 2017-05-23 | Amazon Technologies, Inc. | Multichannel acoustic echo cancellation |
CN105679334A (zh) * | 2016-03-08 | 2016-06-15 | 广东睿康智能科技有限公司 | 一种智能马桶自适应识别大小便的方法及系统 |
CN106878226A (zh) * | 2017-02-16 | 2017-06-20 | 上海交通大学 | 一种多用户多载波稀疏扩频序列的优化设计方法及系统 |
CN107180140A (zh) * | 2017-06-08 | 2017-09-19 | 中南大学 | 基于双树复小波与AdaBoost的轴系故障识别方法 |
CN107389329A (zh) * | 2017-07-24 | 2017-11-24 | 潍坊学院 | 基于非延迟代价函数和PauTa检验的瞬时频率估计方法 |
CN107329141A (zh) * | 2017-08-03 | 2017-11-07 | 厦门大学 | 一种海洋环境下的航体微弱辐射噪声信号检测方法 |
US9973849B1 (en) * | 2017-09-20 | 2018-05-15 | Amazon Technologies, Inc. | Signal quality beam selection |
CN108844617A (zh) * | 2018-05-03 | 2018-11-20 | 武汉理工大学 | 主减速器强噪声振动信号的自适应稀疏树结构降噪方法 |
CN108760310A (zh) * | 2018-07-02 | 2018-11-06 | 中国矿业大学 | 基于新型信噪比指标的随机共振滚动轴承故障诊断方法 |
CN109211548A (zh) * | 2018-08-31 | 2019-01-15 | 沃德传动(天津)股份有限公司 | 一种机械故障诊断方法 |
CN109738189A (zh) * | 2018-12-24 | 2019-05-10 | 西安交通大学 | 一种旋转机械频谱谐波平均优化方法 |
Non-Patent Citations (6)
Title |
---|
DANGGUO SHAO: "《Artifacts detection-based adaptive filtering to noise reduction of strain imaging》", 《ULTRASONICS》 * |
YONGJIAN HU: "《Automatic de-noising and recognition algorithm for drilling fluid pulse signal》", 《PETROLEUM EXPLORATION AND DEVELOPMENT》 * |
YUNSHAN HOU: "《Robust adaptive beamforming method based on》", 《2013 IEEE INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING, COMMUNICATION AND COMPUTING (ICSPCC 2013)》 * |
王志超: "《基于改进小波包的堆内构件振动信号去噪方法研究》", 《应用科技》 * |
赵洪山: "《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》 * |
高传亮: "《基于改进小波阀值的振动信号去噪方法研究》", 《机械工程师》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110440909B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7493220B2 (en) | Method and system for vibration signal processing | |
CN101201386B (zh) | 一种模拟集成电路参数型故障的定位方法 | |
CN109374119A (zh) | 变压器振动信号特征量提取方法 | |
Li et al. | Improved teager energy operator and improved chirp-Z transform for parameter estimation of voltage flicker | |
CN110568073B (zh) | 一种在噪声环境中拾取击打信号的方法 | |
CN113267286B (zh) | 铁路弓网接触力识别方法及装置 | |
CN110410336A (zh) | 一种泵汽蚀状态自动识别方法 | |
NZ554049A (en) | Method and system for vibration signal processing | |
CN111780866B (zh) | 一种柴油机试验底座安装状态固有频率测试方法及装置 | |
CN110231117A (zh) | 一种基于s变换的拉索基频特征辨识方法 | |
CN103743969A (zh) | 一种近场电磁辐射干扰测量信号的测量噪声抑制方法 | |
CN108398260A (zh) | 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法 | |
CN112861328B (zh) | 一种基于随机响应信号的发电机阻尼评估装置及方法 | |
CN105203915B (zh) | 一种电力变压器绕组松动缺陷诊断系统和诊断方法 | |
CN110440909A (zh) | 一种基于噪声自适应识别的振动信号信噪比计算方法 | |
CN102680080B (zh) | 一种基于改进的自适应形态滤波的非稳态信号检测方法 | |
CN112033656A (zh) | 一种基于宽带谱处理的机械系统故障检测方法 | |
CN109682463B (zh) | 变电站可听噪声测量方法 | |
CN114781466B (zh) | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 | |
CA2582560C (en) | Method and system for vibration signal processing | |
CN105843779A (zh) | 一种面向potdr背向散射光信号的实时去噪方法 | |
CN108020761B (zh) | 一种局部放电去噪方法 | |
CN114518511A (zh) | 一种特征辅助的局部放电点定位方法 | |
CN115683644A (zh) | 航空发动机双源拍振特征识别方法 | |
CN107582068A (zh) | 一种基于周期自相干原理的畸变产物耳声发射探测方案 |
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 |