CN111160207B - 一种基于辐射噪声调制的桨叶数特征提取方法 - Google Patents

一种基于辐射噪声调制的桨叶数特征提取方法 Download PDF

Info

Publication number
CN111160207B
CN111160207B CN201911347560.3A CN201911347560A CN111160207B CN 111160207 B CN111160207 B CN 111160207B CN 201911347560 A CN201911347560 A CN 201911347560A CN 111160207 B CN111160207 B CN 111160207B
Authority
CN
China
Prior art keywords
frequency
modulation
representing
determining
value
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
Application number
CN201911347560.3A
Other languages
English (en)
Other versions
CN111160207A (zh
Inventor
初宁
王宇轩
董威棋
钟尧
吴大转
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 CN201911347560.3A priority Critical patent/CN111160207B/zh
Publication of CN111160207A publication Critical patent/CN111160207A/zh
Priority to JP2020127834A priority patent/JP6836041B1/ja
Application granted granted Critical
Publication of CN111160207B publication Critical patent/CN111160207B/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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Complex Calculations (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于辐射噪声调制的桨叶数特征提取方法，包括以下步骤：在调制图上寻找局部峰值，以及局部峰值出现处的谐振频率；确定轴频以及其谐振频率数；根据轴频以及叶频的倍频关系，确定其他谐振频率的值；确定各处谐波频率处的平均谱相干值；用朴素贝叶斯的推断方法，得到桨叶数。利用本发明的方法，能够对各种民用船舶辐射噪声调制谱进行分析，方便的提取出轴频、叶频信息和桨叶数特征量。

Description

一种基于辐射噪声调制的桨叶数特征提取方法
技术领域
本发明属于信号的频率成分提取领域，尤其是涉及一种基于辐射噪声调制的桨叶数特征提取方法的轴频、叶频和桨叶数提取方法。
背景技术
船舶辐射噪声是由于螺旋桨旋转时产生的空化噪声引起的。船舶辐射噪声调制谱中包含着船舶桨叶数的特征信息，通过分析各谐振频率和幅值的关系，可以提取出船舶桨叶轴频、叶频和桨叶数特征量。
如果可以获得民用船舶的桨叶轴频、叶频和桨叶数特征量的信息，可以有助于判断船舶的型号。沿海地区存在走私、偷渡的现象。如果可以用声音传感器获得船舶的噪声信息，将其通过傅里叶变换得到调制谱，进而对其进行桨叶轴频、叶频和桨叶数特征量的信息的提取，相关执法人员可以有效判断出船舶类型。
目前国内外使用的识别方法是在得到调制谱后，在调制谱上读出幅度值的峰值以及峰值处的谐振频率。根据桨叶数特征识别规则(表1)，从调制谱中的谐振频率和幅值中提取出桨叶数特征值量。P(n)代表轴频第n次谐波线谱的幅度值。
表1
但由于船舶结构、工况、环境等因素，调制谱结构复杂，识别规则只能识别一些典型情况，而无法适用于所有调制谱结构规律。例如当出现P(1)>P(2)>P(3)>P(4)>P(5)>P(6)>P(7)>P(8)的情况下时，它满足表1中所有桨叶数识别规则的条件，故无法识别出其桨叶数。
申请号为201910790217.X的中国专利文献公开了一种螺旋桨空化尾流精细特征多元统计建模方法，其也提到一种针对螺旋桨特征提取的方法。但是其提取的特征主要是螺旋桨的几何参数与工况特征，不涉及轴频、叶频与桨叶数特征。
戴卫国、邱家兴等人在2015年发表了“基于多分类支持向量机的船舶桨叶数识别研究”，提出了一种混合纠错输出编码的多分类支持向量机改进算法,并应用于利用船舶目标辐射噪声噪声包络信号识别谱进行船舶桨叶数分类的实验。该方法主要使用了支持向量机的推断方法。该方法需要大量的已知样本，并且需要提取调制谱中多达33维的特征，操作复杂，且该文章中也没有提到识别出轴频和叶频的具体方法。
发明内容
为解决现有技术存在的上述问题，本发明提供了一种基于辐射噪声调制的桨叶数特征提取方法，能够对各种民用船舶辐射噪声调制谱进行分析，方便的提取出轴频、叶频信息和桨叶数特征量。
一种基于辐射噪声调制的桨叶数特征提取方法，包括以下步骤：
(1)采集船舶辐射噪声信号，经短时傅里叶变换后得到调制图谱；
(2)在调制图上寻找局部峰值，并获取局部峰值出现处的谐振频率；
(3)确定调制图中第一个局部峰值出现的谐振频率，确定轴频；并根据局部峰值的个数，确定谐振频率数N；
(4)根据轴频与叶频间的倍频关系，确定其它谐振频率；
(5)计算各处谐波频率处的平均谱相干值，利用朴素贝叶斯的推断方法得到桨叶数，并最终确定叶频。
步骤1中，所得调制图以循环频率为横坐标，平均谱相干值为纵坐标。通过MATLAB软件中的findpeaks函数寻找出平均相干值的局部峰值，以及对应的循环频率。利用MATLAB中的findpeaks工具箱函数可以找到原始波形中的波峰位置。首先，找到第一个局部峰值以及其谐振频率f(1)。
步骤(2)中，寻找局部峰值时，相邻两个局部峰的谐振频率差值满足以下关系：
其中，f(n)为第n个局部峰值处的循环频率的值。
步骤(3)中，确定轴频时，将第一个局部峰位置处的谐振频率作为轴频，如果第一个局部峰处的谐振频率值小于0.9Hz，则将其去除，将第二个谐振频率作为轴频。
步骤(4)中，确定其它谐振频率的公式为：
f'(n)＝nf'(1)
其中，f'(n)为第n个谐振频率，n＝1,2,...,N；f'(1)为轴频。
步骤(5)中，根据谐振频率，确定对应的平均相干值。谐振频率f'(n)处的平均相干值P(n)。P(n)代表第n个谐振频率处的幅度值。
各个谐振频率处的平均谱相干值P(n)由[f'(n)-5,f'(n)+5]区间内的平均相干值求平均得到，其中，[f'(n)-5,f'(n)+5]表示采样点f′(n)前5个采样点到f′(n)后5个采样点这一区间。
步骤(5)中，用朴素贝叶斯的推断方法，根据所得到的谐振频率值和对应的平均相干值间的关系，确定该调制图属于哪一类桨叶数的集合，最终确定桨叶数。
当样本数足够多时，可以直接使用朴素贝叶斯的推断方法，并且结果有很高可信度。当样本量较少时，可以根据表1桨叶数识别规则中不同桨叶数时幅度值的关系生成模拟样本，再对所需判断的调制图进行分类。分类所得结果，即为桨叶数。
朴素贝叶斯公式为：
其中，Y＝{y1,y2...yn}，Y是所有可能的桨叶数的集合，yn表示其中某一桨叶数，y1表示桨叶数为3，y2表示桨叶数为4，y3表示桨叶数为5，y4表示桨叶数为6，y5表示桨叶数为7；X＝{x1,x2...xn}，X表示所需分类的调制谱，xn表示该调制谱中的各谐振频率处幅值的大小关系；P(X)代表分类自身的概率，是一个常数；P(yi)表示每个桨叶数类别yi的先验概率；P(yi,X)表示给定X属于yi桨叶数类别的概率；P(X,yi)表示某个桨叶数类别yi产生X的概率；P(xi,yi)表示某个桨叶数类别yi产生调制谱中某个特征xi的概率；计算出各P(yi,X)，如果P(ym,X)为最大值，则认为X属于类别ym。
朴素贝叶斯的推断方法以贝叶斯定理为基础，并认为各特征条件之间相互独立。通过事先已经给定的训练集样本，学习从输入到输出的联合概率分布，再基于学习得到的模型，输入需要分类的对象X求出使后验概率Y最大的输出。
得到轴频和桨叶数后，叶频就是桨叶数乘以轴频。
与现有技术相比，本发明具有以下有益效果：
本发明寻找局部峰时添加限定条件，避免识别出两个位置很接近的局部峰的情况。在确定轴频时添加限定条件，避免出现因干扰导致的识别出过低轴频的误判情况。在确定谐振频率处峰值时，在一个频率区间内求峰值平均值。在判断桨叶数时，使用了朴素贝叶斯的推断方法，其优势在于可以适用于小样本的情况。同时使用该推断方法可以解决背景技术中提到的现有识别规则无法解决的情况，最终可以从各种调制谱结构中提取出轴频、叶频以及桨叶数特征量。
附图说明
图1为本发明一种基于辐射噪声调制的桨叶数特征提取方法的流程示意图；
图2为本发明实施例中需要进行特征提取的调制谱；
图3为本发明实施例中通过MATLAB中的findpeaks函数得到的峰值；
图4为本发明实施例中判断得到的轴频频率；
图5为本发明实施例中最终识别得到的结果图。
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，一种基于辐射噪声调制的桨叶数特征提取方法，包括以下步骤：
S01，本例采用的是来自于一艘商船的辐射噪声，商船的桨叶数为3，商船桨转速为111转每分钟，叶频为5.55Hz，轴频为1.85Hz。将商船的辐射噪声通过短时傅里叶变换后可以得到调制谱。在调制图上寻找局部峰值，以及局部峰值出现处的谐振频率。
需要进行特征提取的调制谱如图2所示，该步骤需要对通过Matlab中的findpeaks函数寻找出平均相干值的局部峰值，以及对应的循环频率。
设定相邻两个局部峰的谐振频率差值满足的关系为：
式中，f(n)为第n个局部峰值处的循环频率的值。寻峰得到的结果如图3所示。
S02，确定轴频以及其谐振频率数。如果第一个局部峰处的谐振频率值小于0.9Hz，则将其去除，将第二个谐振频率作为轴频。轴频为f'(1)。如图4所示，本实施例中f(1)＝1.855Hz，满足第一个局部峰出谐振频率不小于0.9Hz的条件，认为第一个处谐振频率即为轴频，f'(1)＝f(1)。根据局部峰值的个数，确定谐振频率数N。本例中，有7个峰，因此N＝7。
S03，根据轴频以及叶频的倍频关系，确定其他谐振频率的值。
由于轴频和叶频存在倍频关系:
f'(n)＝nf'(1)
其中，f'(n)为第n个谐振频率，n＝1,2,...,N。
通过倍频关系，在已经确定轴频的情况下，可以确定叶频所在位置的可能的谐振频率。
S04，确定各处谐波频率处的平均谱相干值。
由于误差的存在，计算各个谐波频率处的相干值时，通过对[f'(n)-5,f'(n)+5]区间内的平均相干值求平均得到，得到f'(n)处的平均相干值P(n)。其中[f'(n)-5,f'(n)+5]表示采样点f′(n)前5个采样点到f′(n)后5个采样点这一区间。
S05，用朴素贝叶斯的推断方法，得到桨叶数。解决分类问题，即用朴素贝叶斯的推断方法，根据所得到的谐振频率值和对应的平均相干值间的关系，确定该调制图属于哪一类桨叶数的集合，最终确定桨叶数。在本例中，所得调制图中幅度值间的关系有P(1)>P(2)>P(3)>P(4)>P(5)>P(6)>P(7)。运用朴素贝叶斯的推断方法，朴素贝叶斯公式为：
本例中，Y＝{y1,y2...yn},Y是所有可能的桨叶数的集合，yn表示其中某一桨叶数，y1表示桨叶数为3，y2表示桨叶数为4，y3表示桨叶数为5，y4表示桨叶数为6，y5表示桨叶数为7.X＝{x1,x2...xn},X表示所需分类的调制谱，xn表示该调制谱中的各谐振频率处幅值的大小关系。P(X)代表分类自身的概率，是一个常数。P(yi)表示每个桨叶数类别的先验概率，即yi的概率。P(yi,X)表示给定X属于yi桨叶数类别的概率。P(X,yi)表示某个桨叶数类别yi产生X的概率。P(xi,yi)表示某个桨叶数类别yi产生调制谱中某个特征xi的概率。计算出各P(yi,X)，如果P(ym,X)为最大值，则认为X属于类别ym。
根据之前已知桨叶数的调制图大量样本或者是根据表1规则模拟出的模拟样本，P(xi,yi)，P(yi)为已知量，由此可以计算出P(X,yi)以及P(yi,X)。在本例中，所得调制图中幅度值间的关系有P(1)>P(2)>P(3)>P(4)>P(5)>P(6)>P(7)。该调制图中幅值间关系由X中某一特征xm表示。最后通过计算可得P(y1,X)为最大值，因此，可以确定桨叶数为3。最终叶频为桨叶数乘以轴频，即叶频为5.565Hz，最终识别结果如图5所示。
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 (1)

1.一种基于辐射噪声调制的桨叶数特征提取方法，其特征在于，包括以下步骤：
(1)采集船舶辐射噪声信号，经短时傅里叶变换后得到调制图；
(2)在调制图上寻找局部峰值，并获取局部峰值出现处的谐振频率；寻找局部峰值时，相邻两个局部峰的谐振频率差值满足以下关系：
其中，f(n)为第n个局部峰值处的谐振频率的值；
(3)根据调制图中第一个局部峰值出现的谐振频率，确定轴频；并根据局部峰值的个数，确定谐振频率数N；
确定轴频时，将第一个局部峰位置处的谐振频率作为轴频，如果第一个局部峰处的谐振频率值小于0.9Hz，则将其去除，将第二个谐振频率作为轴频；
(4)根据轴频与叶频间的倍频关系，确定其它谐振频率；确定其它谐振频率的公式为：
f'(n)＝nf'(1)
其中，f'(n)为第n个谐振频率，n＝1,2,...,N；f'(1)为轴频；
(5)计算各处谐振频率处的平均谱相干值，利用朴素贝叶斯的推断方法得到桨叶数，并最终确定叶频；
各个谐振频率处的平均谱相干值P(n)由[f'(n)-5,f'(n)+5]区间内的平均相干值求平均得到，其中，[f'(n)-5,f'(n)+5]表示采样点f′(n)前5个采样点到f′(n)后5个采样点这一区间；
用朴素贝叶斯的推断方法，根据所得到的谐振频率值和对应的平均相干值间的关系，确定该调制图属于哪一类桨叶数的集合，最终确定桨叶数；其中，朴素贝叶斯公式为：
其中，Y＝{y1,y2…yn}，Y是所有可能的桨叶数的集合，yn表示其中某一桨叶数，y1表示桨叶数为3，y2表示桨叶数为4，y3表示桨叶数为5，y4表示桨叶数为6，y5表示桨叶数为7；X＝{x1,x2…xn}，X表示所需分类的调制谱，xn表示该调制谱中的各谐振频率处幅值的大小关系；P(X)代表分类自身的概率，是一个常数；P(yi)表示每个桨叶数类别yi的先验概率；P(yi,X)表示给定X属于yi桨叶数类别的概率；P(X,yi)表示某个桨叶数类别yi产生X的概率；P(xi,yi)表示某个桨叶数类别yi产生调制谱中某个特征xi的概率；计算出各P(yi,X)，如果P(ym,X)为最大值，则认为X属于类别ym。
CN201911347560.3A 2019-12-24 2019-12-24 一种基于辐射噪声调制的桨叶数特征提取方法 Active CN111160207B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911347560.3A CN111160207B (zh) 2019-12-24 2019-12-24 一种基于辐射噪声调制的桨叶数特征提取方法
JP2020127834A JP6836041B1 (ja) 2019-12-24 2020-07-29 輻射ノイズ変調に基づくプロペラ翼数特徴の抽出方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911347560.3A CN111160207B (zh) 2019-12-24 2019-12-24 一种基于辐射噪声调制的桨叶数特征提取方法

Publications (2)

Publication Number Publication Date
CN111160207A CN111160207A (zh) 2020-05-15
CN111160207B true CN111160207B (zh) 2023-08-15

Family

ID=70558386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911347560.3A Active CN111160207B (zh) 2019-12-24 2019-12-24 一种基于辐射噪声调制的桨叶数特征提取方法

Country Status (2)

Country Link
JP (1) JP6836041B1 (zh)
CN (1) CN111160207B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114394440B (zh) * 2022-01-29 2024-04-16 北京百度网讯科技有限公司 集装箱的堆叠处理方法、装置、设备、存储介质及产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7478043B1 (en) * 2002-06-05 2009-01-13 Verizon Corporate Services Group, Inc. Estimation of speech spectral parameters in the presence of noise
DE102012015638A1 (de) * 2012-08-07 2014-02-13 Atlas Elektronik Gmbh Verfahren und Vorrichtung zum Klassifizieren von Wasserfahrzeugen
CN104091085A (zh) * 2014-07-18 2014-10-08 安徽工业大学 基于螺旋桨尾流压力脉动计算的空化噪声特征估计方法
CN105300513A (zh) * 2015-11-20 2016-02-03 天津大学 多只叶尖定时传感器叶片振动共振倍频数辨识方法和装置
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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7478043B1 (en) * 2002-06-05 2009-01-13 Verizon Corporate Services Group, Inc. Estimation of speech spectral parameters in the presence of noise
DE102012015638A1 (de) * 2012-08-07 2014-02-13 Atlas Elektronik Gmbh Verfahren und Vorrichtung zum Klassifizieren von Wasserfahrzeugen
CN104091085A (zh) * 2014-07-18 2014-10-08 安徽工业大学 基于螺旋桨尾流压力脉动计算的空化噪声特征估计方法
CN105300513A (zh) * 2015-11-20 2016-02-03 天津大学 多只叶尖定时传感器叶片振动共振倍频数辨识方法和装置
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
戴卫国 等."支持向量机对舰船噪声 DEMON 谱 的分类识别".《应用声学》.2010,第第 29 卷 卷(第第 3 期期),第206-211. *

Also Published As

Publication number Publication date
JP2021102429A (ja) 2021-07-15
CN111160207A (zh) 2020-05-15
JP6836041B1 (ja) 2021-02-24

Similar Documents

Publication Publication Date Title
CN102156282B (zh) 一种基于微多普勒效应的雷达目标检测方法
CN107274401A (zh) 一种基于视觉注意机制的高分辨率sar图像舰船检测方法
CN111238843B (zh) 一种基于快速谱峭度分析的风机健康评价方法
CN109285561B (zh) 一种基于自适应窗长的船舶螺旋桨空化噪声调制谱特征保真增强方法
CN110133632B (zh) 一种基于cwd时频分析的复合调制信号识别方法
CN111397868B (zh) 一种基于聚合经验模态分解算法的断路器故障分析方法
CN111189638B (zh) 基于hmm和qpso优化算法的轴承故障程度辨识方法
He et al. Feature extraction of acoustic signals based on complex Morlet wavelet
Zhao et al. Probabilistic principal component analysis assisted new optimal scale morphological top-hat filter for the fault diagnosis of rolling bearing
CN109840495A (zh) 一种低信噪比条件下的轴频线谱增强方法
Zhang et al. Improved local cepstrum and its applications for gearbox and rolling bearing fault detection
CN111160207B (zh) 一种基于辐射噪声调制的桨叶数特征提取方法
Song et al. Data and decision level fusion-based crack detection for compressor blade using acoustic and vibration signal
CN117077064A (zh) 一种风电设备的故障检测方法、装置、设备及存储介质
CN112666533B (zh) 基于空间金字塔池化网络的重频变化稳健目标识别方法
Prosvirin et al. Efficient rub-impact fault diagnosis scheme based on hybrid feature extraction and SVM
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
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
CN108106717B (zh) 一种基于声音信号识别机组状态的方法
CN113236507B (zh) 一种风电机组偏航静态误差诊断方法和系统
CN114580470A (zh) 基于非均匀量化图特征的ofdm与ufdm多载波信号识别方法
CN113219333B (zh) 一种电机故障诊断时的频谱参数处理方法
Chen et al. Acoustic-based whistle detection of drain hole for wind turbine blade
CN113177514B (zh) 无人机信号检测方法、装置及计算机可读存储介质
Tong et al. Adaptive Weighted Envelope Spectrum: A robust spectral quantity for passive acoustic detection of underwater propeller based on spectral coherence

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