CN111623986A - 基于同步压缩变换与时频匹配的信号特征提取方法及系统 - Google Patents

基于同步压缩变换与时频匹配的信号特征提取方法及系统 Download PDF

Info

Publication number
CN111623986A
CN111623986A CN202010425295.2A CN202010425295A CN111623986A CN 111623986 A CN111623986 A CN 111623986A CN 202010425295 A CN202010425295 A CN 202010425295A CN 111623986 A CN111623986 A CN 111623986A
Authority
CN
China
Prior art keywords
time
frequency
signal
distribution
transformation
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.)
Pending
Application number
CN202010425295.2A
Other languages
English (en)
Inventor
翟中平
张海滨
吴问全
洪星园
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.)
Anhui Maipu Intelligent Technology Co ltd
Original Assignee
Anhui Zhihuan Technology Co 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 Anhui Zhihuan Technology Co ltd filed Critical Anhui Zhihuan Technology Co ltd
Priority to CN202010425295.2A priority Critical patent/CN111623986A/zh
Publication of CN111623986A publication Critical patent/CN111623986A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明提出的一种基于同步压缩变换与时频匹配的信号特征提取方法，包括以下步骤：S1、结合时频域变换和同步压缩变换获取原始信号的高分辨率时频分布；S2、设置时频匹配模板，通过时频匹配模板计算高分辨率时频分布的时间中心和特征频率；S3、结合时间中心和特征频率进行二次采样，获得校正信号，并根据校正信号进行故障分析和诊断。本发明能够较好地解决目前列车轨边声学监测系统中，由于非线性多普勒干扰带来的信号畸变和特征频率混叠问题；无需使用麦克风阵列，降低成本和安装复杂度；提高对信号多普勒参数的估计精度和畸变的校正效果，对不同的背景噪声有更强的鲁棒性。

Description

基于同步压缩变换与时频匹配的信号特征提取方法及系统
技术领域
本发明涉及信号处理技术领域，尤其涉及一种基于同步压缩变换与时频匹配的信号特征提取方法及系统。
背景技术
铁路运输也是国家经济的支柱产业，在整个交通运输的领域当中无可替代。随着现代铁路运输的快速发展和不断提速，对铁路运输的需求也就越来越高，列车运行过程中的安全性问题变得日益突出。而列车轴承故障时列车故障的主要类型，也是影响列车安全的最大根源之一。
列车轴承一般所处的工作环境十分恶劣，交变应力的作用使其常常会发生故障，而轴承在列车的所有部件中又具有不可取代的地位。在这种特殊的工作状态下，应力的反复作用会引起轴承损坏，严重影响列车安全稳定地运行。由此可见，如何有效实现针对轴承这一关键部件故障的可靠监测和诊断，如何实现我国高速列车的智能化自动监测，对我国铁路运输和高速列车发展有着重大的意义，更是铁路事业前进道路上的机遇和新的挑战。
传统的振动监测手段中，振动传感器需要安装在待测目标上或者附近，才能获得相应的可靠的振动信号，而列车上很多地方是不适合安装振动传感器的。另一方面，对于车载监测系统而言，顾名思义，每个部位都需要安装有振动传感器，这样一来在线监控整个列车的所有轴承会导致成本过高，系统往往复杂昂贵。
目前列车道旁监测系统主要有热轴检测和轨边声学监测(TracksideAcousticDetectionSystem：TADS)两种方式。
列车轴承的TADS系统示意图如图1所示，由于系统需要完成数据采集、处理、分析等主要工作，所以其主要由三个核心模块构成，即声学传感器阵列、声信号采集装置和信号处理模块。从该系统的功能来看，其主要技术难点在于对麦克风采集到的声信号进行数据处理，并从中提取有助于诊断结论裁定的特征。但从系统的模型中可看出，麦克风实际采集到的信号中存在着诸多问题和不足，这些则形成了限制系统发展到应用过程中的主要技术难题。
从图1中可以知道在麦克风到铁轨间存在一段距离，当列车驶过时，信号源和麦克风之间存在相对速度，此时会产生多普勒效应，且相对速度由于几何关系会产生非均匀变化。图2所示为声源经过麦克风时的信号采集几何模型，其中声源在t＝0时刻位于A点，与麦克风沿前进方向上距离为S，运行速度为v，假设t时刻声源运动到A’点，此时声源与麦克风的直线距离为R(t)，速度方向与二者连线夹角为θ(t)，麦克风离声源运动方向的距离为r。根据此模型可以看出，麦克风采集到的声学信号由于r和v的存在，将产生不同于天体和雷达学科的非线性多普勒效应，该效应使得信号的频谱发生崎变和展宽。
可见，采集获取的信号中会存在不同于传统雷达信号的非线性多普勒的干扰。这一现象会导致声音信号出现时频域的非线性展宽。在传统的诊断方法中，将难以通过获取信号的时域特征频率来确定轴承的健康状态和故障类型。
现阶段对于此类问题的解决方案基本上分为两个步骤：直接采集列车的速度信息或者对信号进行分析获取声音信号的时变特征，然后根据特征对受到多普勒干扰的信号进行二次重采样恢复原有的特征频率。由于第一步时解决问题的关键，所以现阶段针对此类时变信号的特征提取出现了较多的研究和成果。由于采集列车的速度信息受限于成本、施工难度、需要精确的几何位置信息等问题，大部分的研究都集中在如何从采集的声音信号中识别提取出信号的时变特征，并恢复其非线性多普勒参数。比如根据获取的发送终端运动速度和位置，计算参考信息并用于传统的线性多普勒频移校正(张彤多普勒频移校正方法及装置，CN 108683621A)和雷达勘测信号中基于子阵列的延时参考信号，引入随机相位误差和多普勒频移产生的相位，通过香味补偿来校正多普勒频移(刘治宇一种基于下变频波束形成中的多普勒频移校正方法CN 105277932B)；类似方向的应用方法有采用麦克风阵列获取信号，计算不同片段的接收角构造重采样时间序列，并进一步对中央麦克风信号进行重采样计算(张尚斌一种基于麦克风阵列的多普勒畸变声学信号的校正方法CN106226078B)；丁晓喜还提出一种通过构造移频算子和声调算子，自适应学习多普勒模型中的参数，得到频谱共振带具有无畸变以及高能量聚集性的过渡基准项，实现对多普勒信号的完整校正(丁晓喜一种多普勒声学信号的自适应学习校正方法CN 106872171B)。
尽管目前现有的技术或方案在一定条件下可以通过先验知识或者外部信息得到声音信号的时变特征，并进一步对多普勒干扰进行校正处理，但是以上述提到的几种方法为代表的大部分现有技术路径，均存在以下一个或多个缺陷与不足：
(1)现阶段大部分多普勒畸变校正方法都是使用于传统的线性多普勒效应，即声源和接收器都在其相对运动的直线上。这种情况有别于图1所示的情形，接收器在声源的运动方向旁，会导致声源、接收器、运动方向三者存在三角几何关系，其多普勒效应由共线时的线性变化变成非线性，单一的多普勒频移变成随时间非线性改变的频率变化，使得传统的频移校正方法不再适用。
(2)近年来也有不少学者提出了类似模型的多普勒畸变校正方案。但是其中大部分算法在频域处理时原信号只能包含单一的频率成分，在特征频率分布比较密集的情况下难以进行有效的时变特征提取和多普勒干扰去除；而且通常采用的基于希尔伯特变换二次采样的端点效应会影响方法的有效性，降低了对频率参数的估计精度。
(3)还有一部分方法，对采集的信号要求较高或者需要较多的硬件才能实现。比如前面提到的通基于麦克风阵列的畸变消除，需要安装较多的麦克风阵列，而且阵列的设计会直接影响信号处理结果；再比如通过构造移频算子或者能量重心法等方法，受到信号中的偶然高能频率分量影响，当信号中包含偶然的强噪声，将导致所提取的瞬时频率分布不准确，影响最终结果的判断，而且算法的收敛性会直接受到噪声的影响。
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同步压缩变换与时频匹配的信号特征提取方法。
本发明提出的一种基于同步压缩变换与时频匹配的信号特征提取方法，包括以下步骤：
S1、结合时频域变换和同步压缩变换获取原始信号的高分辨率时频分布；
S2、设置时频匹配模板，通过时频匹配模板计算高分辨率时频分布的时间中心和特征频率；
S3、结合时间中心和特征频率进行二次采样，获得校正信号，并根据校正信号进行故障分析和诊断。
优选的，步骤S1具体包括以下步骤：
S11、采集原始信号，并获取原始信号的时频域分布；
S12、通过同步压缩变换对时频域分布进行高分辨率时频分析，获得高分辨率时频分布。
优选的，步骤S11中，获取原始信号的时频域分布的方法为：短时傅里叶变换、小波变换、Wigner-Ville分布或者S变换。
优选的，步骤S2具体包括以下步骤：
S21、设置时频匹配模板，将时频匹配模板作用于高分辨率时频分布，获取多普勒信号的t0-f0分布；
S22、对t0-f0分布搜索峰值，获取峰值对应的f0max和t0max作为特征频率和时间中心。
优选的，步骤S21中，设置的时频匹配模板为非线性多普勒时频域匹配模板。
优选的，步骤S3具体包括以下步骤：
S31、结合特征频率f0max和时间中心t0max对原始信号进行二次采用，获得校正信号；
S32、根据校正信号的频率分布进行故障分析和诊断。
优选的，步骤S32中，获得校正信号的频率分布的方法为：频谱分析、包络解调分析、峰值提取或相敏检波。
一种基于同步压缩变换与时频匹配的信号特征提取系统，包括：
信号采集模块，用于采集原始信号；
时频分析模块，与信号采集模块连接，用于结合时频变换和同步压缩变换获取原始信号的高分辨率时频分布；
参数提取模块，与时频分析模块连接，用于通过预设的时频匹配模板提取高分辨率时频分布的时间中心和特征频率；
重采样模块，分布连接信号采集模块和参数提取模块，用于根据时间中心和特征频率构建新的采样时间序列，并根据新的采样时间序列对原始信号进行二次采样，获得校正信号；
故障分析模块，与重采样模块连接，用于根据校正信号进行故障诊断。
优选的，时频分析模块中存储有时频变换模型和同步压缩变换模型，时频变换模型为短时傅里叶变换、小波变换、Wigner-Ville分布或者S变换。
本发明提出的一种基于同步压缩变换与时频匹配的信号特征提取方法，是基于对信号时频域的能量积分，一定程度上克服了高频噪声的影响，避免了像峰值搜索或者能量重心法中发散问题,能够有效地消除由于非线性多普勒现象带来的频率混叠现象。
本发明作为一种全局结果获取的方法，不需要考虑传统参数搜索算法的收敛性，进一步提高了算法的可行性，具有较强的抗干扰能力和鲁棒性。本发明中，通过同步压缩变换的方法提高了信号时频分布的分辨率，使得时频域的特征匹配结果更为精确
综合来看，本发明能够较好地解决目前列车轨边声学监测系统中，由于非线性多普勒干扰带来的信号畸变和特征频率混叠问题；无需使用麦克风阵列，降低成本和安装复杂度；提高对信号多普勒参数的估计精度和畸变的校正效果，对不同的背景噪声有更强的鲁棒性。
附图说明
图1为列车轴承TADS系统示意图；
图2为列车轴承道旁声学采集系统几何模型图；
图3为本发明提出的一种基于同步压缩变换与时频匹配的信号特征提取方法流程图；
图4为本发明提出的另一种基于同步压缩变换与时频匹配的信号特征提取方法流程图；
图5为实施例1中原始振动信号的波形、频谱与包络谱；
图6为图5所示信号的高分辨率时频分布；
图7(a)为实施例1中多普勒信号的t0-f0分布图；
图7(b)为图7(a)沿时间轴的峰值分布图；
图7(c)为图7(a)沿频率轴的峰值分布图；
图8(a)为实施例1中校正信号的波形、频谱、包络谱；
图8(b)为图8(a)所示校正信号的时频分布；
图9为本发明提出的一种基于同步压缩变换与时频匹配的信号特征提取系统模块图。
具体实施方式
本发明提出了一种基于单一麦克风声学信号数据驱动的非线性多普勒干扰校正方法，通过同步压缩变换与时频匹配实现信号中原有的特征频率恢复，可应用于实际列车道旁声学监测系统中的声音信号数据处理，实现列车轴承的特征频率提取。
参照图1，本发明提出的一种基于同步压缩变换与时频匹配的信号特征提取方法，包括以下步骤。
S1、结合时频域变换和同步压缩变换获取原始信号的高分辨率时频分布。
具体的，本步骤中，原始信号为受到多普勒干扰下的信号。本步骤中，通过同步压缩变换获取原始信号的高分辨率时频分布，降低了由于海森伯格不确定性所带来的分辨率限制。
S2、设置时频匹配模板，通过时频匹配模板计算高分辨率时频分布的时间中心和特征频率。
S3、结合时间中心和特征频率进行二次采样，获得校正信号，并根据校正信号进行故障分析和诊断。
本实施方式中，通过时频匹配模板实现了对原始信号的时间中心和特征频率的精确估算，再利用时间中心和特征频率对原始信号重采样，有利于消除多普勒畸变的影响，使得校正信号中可以提取出明显的故障信息。
如此，上述方法应用于麦克风信号的处理，基于麦克风数据提取非线性多普勒时变特征，并根据时频分布获取模型的时间中心和特征频率，降低了使用麦克风阵列的安装难度和成本，降低了计算复杂度；该方法在提取时变特征过程中使用的同步压缩变换，能够有效提高信号时频分辨率，使得时频域的匹配计算结果会更为准确。
具体的，本实施方式中的基于同步压缩变换与时频匹配的信号特征提取方法，可进一步细化为以下分步骤。
S11、采集原始信号，并获取原始信号的时频域分布。
(1)在处理该类非线性多普勒干扰信号之前，需要根据图2所示的几何关系确定该类信号的理论模型。
从波动方程以及声源的运动关系得到麦克风采集得到的声源所发出简谐波声压P(t)的表达式为：
Figure BDA0002498488540000081
其中q(t)＝q0sin(ω0t)为声源发出的简谐波，q0为声波幅值，ω0为声波频率。从几何关系可以得到：
Figure BDA0002498488540000091
c为声音在空气中的传播速度，以M＝v/c表示马赫数，其他几何参数含义见附图2，则对声压方程求导可以得到该类非线性多普勒信号的瞬时频率表达式：
Figure BDA0002498488540000092
从该方程中可以看出，声源信号的特征频率f0和非线性多普勒信号的时间中心t0为其中的未知量，也是对信号进行重采样以消除多普勒干扰的关键。
(2)在实际运用当中，麦克风采集获取带有非线性多普勒干扰的信号后，首先利用常见的短时傅里叶变换获取信号的时频域分布：
Figure BDA0002498488540000093
其中x(t)表示采集获取的原始声音信号，
Figure BDA0002498488540000094
为高斯窗的参数化形式。
本步骤S11，以短时傅里叶变换为例，对原始信号的视频变换进行说明，具体实施时，也可通过小波变换、Wigner-Ville分布或者S变换等方式获取原始信号的时频域分布。
S12、通过同步压缩变换对时频域分布进行高分辨率时频分析，获得高分辨率时频分布。
具体的，本步骤中，利用同步压缩变换方法对原始信号进行高分辨率时频分析，计算表达式如下：
Figure BDA0002498488540000101
式中，Ts(τ，η)表示对短时傅里叶变换结果进行时频域重构后的高分辨率时频分布，以
Figure BDA0002498488540000102
表示瞬时频率的估计，
Figure BDA0002498488540000103
表示时间延迟的估计，arg表示复变量的辐角，由瞬时频率估计和时间延迟估计计算得到：
Figure BDA0002498488540000104
式中，γ为阈值，调节其大小一方面可以实现时频重构，另一方面当背景噪声较严重时，适当增大γ的值可以保证理想的时频输出，噪声成分会得到抑制。
S21、设置时频匹配模板，将时频匹配模板作用于高分辨率时频分布，获取多普勒信号的t0-f0分布。
结合上述公式f(t)的可以看出，非线性多普勒信号瞬时频率由声源速度v，垂直距离r，原始频率f0和时间中心t0共同决定，实际应用时声源速度和垂直距离作为系统中的可直接观测量，所以待估计参数为f0和t0。
本步骤S21中，设置的时频匹配模板为非线性多普勒时频域匹配模板，其表达式为：
Figure BDA0002498488540000105
将该时频匹配模板作用于上一步所得到的高分辨率时频分布，对不同的f0和t0取值组合求取二者的相关值，可以获取多普勒信号的t0-f0分布:
Figure BDA0002498488540000106
S22、对t0-f0分布搜索峰值，获取峰值对应的f0max和t0max作为特征频率和时间中心。
本步骤中，TFD(t0，f0)计算过程中的相关计算相当于积分，结合γ阈值，有比较好的滤波效果，能够防止高频噪声的干扰，提高参数提取效率。且基于对信号的时频域进行能量积分，一定程度上克服了高频噪声的影响，避免了峰值搜索或者能量中心等优化方法中的发散问题。且TFD(t0，f0)的计算不需要收敛条件，可视为全局搜索过程，算法计算更为稳定。
S31、结合特征频率f0max和时间中心t0max对原始信号进行二次采用，获得校正信号。
具体的，获取非线性多普勒干扰的主要参数f0max和t0max后，根据f(t)的变化规律使用一个新的随时间变化的采样率fs(t)对信号进行二次采样，并基于此构建新的采样时间序列：
Figure BDA0002498488540000111
式中trs表示新的采样序列，ti为其中第i个点的采样时刻，Δti表示第i个点的瞬时采样时间间隔，Δts＝1/fs为原有的固定采样时间间隔。
如此，可以得到新的重采样信号序列s′(trs)作为校正信号。
s′(trs)＝[s′(1·Δts)s′(2·Δts)...s′(M·Δts)]
＝[s(trs(1))s(trs(2))...s(trs(M))]
S32、根据校正信号的频率分布进行故障分析和诊断。本实施方式中，对校正信号进行相关的频谱或包络解调分析，得到非线性多普勒干扰得到消除的频率分布，从中提取出有效的频率成分并进行故障分析和诊断。具体实施时，获得校正信号的频率分布的方法为也可为：峰值提取或相敏检波。
下面，通过具体实施例对本发明的技术方案进行详细说明。
实施例1
本实施例中，原始信号为信号为由单一麦克风采集得到带有轴承外圈故障的信号，声源运动速度约为30m/s(108km/h)沿直线形式，麦克风安装与距离声源行驶路径垂直距离约2m处。采集系统以采样频率Fs＝50000Hz进行采样，得到原始振动信号x[n]，采样长度N＝20000，其波形如图5上所示。从图中波形可以看出在声源最接近麦克风时波形幅值最大，频谱与包络谱中由于非线性多普勒干扰，原有的特征频率出现频率混叠而无法分辨。
通过本发明提出的基于同步压缩变换与时频匹配的信号特征提取方法对原始振动信号x[n]进行处理，具体步骤如下。
第一步：结合短时傅里叶变换，利用本发明所提出同步压缩变换方法，对原始振动信号x[n]进行高分辨率时频分析，得到高分辨率时频分布如图6所示，其中X轴表示时间，Y轴表示频率，颜色表示幅值大小，且颜色越淡复制越大。从图6可看出，其中几个主要的频率成分(白色带区域)随着时间呈现非线性变化趋势，这些白色带区域即为图5中混叠的主频率带。
第二步：将步骤S21中设置的时频匹配模板作用于同步压缩变换获得的高分辨率时频分布上，获取多普勒信号的t0-f0分布，如图7(a)所示，该分布图中可以看出多个明显的能量汇集点。搜索其能量峰值并得其某一维度的分布如图7(b)和图7(c)所示。从图7(b)可看出，多普勒信号的时间中心t0max＝0.172s；从图7(b)可看出，多普勒信号的最大频率中心f0max＝1239Hz。最大频率中心f0max即为特征频率。
第三步：利用上一步获取的时间中心t0max和特征频率f0max，计算非线性多普勒干扰下的时变频率，通过二次采样方法对多普勒干扰进行校正，得到的校正信号如图8(a)所示；从其频谱中，可以看出共振带频率变成清晰的单线谱，干扰所带来的频率混叠得到了有效的消除；包络谱中可以看出轴承明显的外圈故障频率(fBPFO＝138.3Hz)。从图8(b)的时频分布中同样可以看出，原来受非线性多普勒干扰导致的频率随时间先增大后减小的现象已经被消除，频率相对稳定。
本发明还提出了一种基于同步压缩变换与时频匹配的信号特征提取系统，包括：信号采集模块、时频分析模块、参数提取模块、重采样模块和故障分析模块。
信号采集模块，用于采集原始信号，例如以上实施例1中的原始振动信号x[n]。
时频分析模块，与信号采集模块连接，用于结合时频变换和同步压缩变换获取原始信号的高分辨率时频分布。具体的，时频分析模块中存储有时频变换模型和同步压缩变换模型，时频变换模型为短时傅里叶变换、小波变换、Wigner-Ville分布或者S变换。如此，时频分析模块获得原始信号后，可直接根据时频变换模型和同步压缩变换模型对原始信号进行处理，获得高分辨率时频分布。
参数提取模块，与时频分析模块连接，用于通过预设的时频匹配模板提取高分辨率时频分布的时间中心和特征频率。
重采样模块，分布连接信号采集模块和参数提取模块，用于根据时间中心和特征频率构建新的采样时间序列，并根据新的采样时间序列对原始信号进行二次采样，获得校正信号。
故障分析模块，与重采样模块连接，用于根据校正信号进行故障诊断。具体的，故障分析模块用于对校正信号进行频谱分析，获得消除非线性多普勒干扰的频率分布，并从获得的频率分布中提取有效的频率成分进行故障分析和诊断。
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 (9)

1.一种基于同步压缩变换与时频匹配的信号特征提取方法，其特征在于，包括以下步骤：
S1、结合时频域变换和同步压缩变换获取原始信号的高分辨率时频分布；
S2、设置时频匹配模板，通过时频匹配模板计算高分辨率时频分布的时间中心和特征频率；
S3、结合时间中心和特征频率进行二次采样，获得校正信号，并根据校正信号进行故障分析和诊断。
2.如权利要求1所述的基于同步压缩变换与时频匹配的信号特征提取方法，其特征在于，步骤S1具体包括以下步骤：
S11、采集原始信号，并获取原始信号的时频域分布；
S12、通过同步压缩变换对时频域分布进行高分辨率时频分析，获得高分辨率时频分布。
3.如权利要求2所述的基于同步压缩变换与时频匹配的信号特征提取方法，其特征在于，步骤S11中，获取原始信号的时频域分布的方法为：短时傅里叶变换、小波变换、Wigner-Ville分布或者S变换。
4.如权利要求1所述的基于同步压缩变换与时频匹配的信号特征提取方法，其特征在于，步骤S2具体包括以下步骤：
S21、设置时频匹配模板，将时频匹配模板作用于高分辨率时频分布，获取多普勒信号的t0-f0分布；
S22、对t0-f0分布搜索峰值，获取峰值对应的f0max和t0max作为特征频率和时间中心。
5.如权利要求4所述的基于同步压缩变换与时频匹配的信号特征提取方法，其特征在于，步骤S21中，设置的时频匹配模板为非线性多普勒时频域匹配模板。
6.如权利要求1所述的基于同步压缩变换与时频匹配的信号特征提取方法，其特征在于，步骤S3具体包括以下步骤：
S31、结合特征频率f0max和时间中心t0max对原始信号进行二次采用，获得校正信号；
S32、根据校正信号的频率分布进行故障分析和诊断。
7.如权利要求6所述的基于同步压缩变换与时频匹配的信号特征提取方法，其特征在于，步骤S32中，获得校正信号的频率分布的方法为：频谱分析、包络解调分析、峰值提取或相敏检波。
8.一种基于同步压缩变换与时频匹配的信号特征提取系统，其特征在于，包括：
信号采集模块，用于采集原始信号；
时频分析模块，与信号采集模块连接，用于结合时频变换和同步压缩变换获取原始信号的高分辨率时频分布；
参数提取模块，与时频分析模块连接，用于通过预设的时频匹配模板提取高分辨率时频分布的时间中心和特征频率；
重采样模块，分布连接信号采集模块和参数提取模块，用于根据时间中心和特征频率构建新的采样时间序列，并根据新的采样时间序列对原始信号进行二次采样，获得校正信号；
故障分析模块，与重采样模块连接，用于根据校正信号进行故障诊断。
9.如权利要求8所述的基于同步压缩变换与时频匹配的信号特征提取系统，其特征在于，时频分析模块中存储有时频变换模型和同步压缩变换模型，时频变换模型为短时傅里叶变换、小波变换、Wigner-Ville分布或者S变换。
CN202010425295.2A 2020-05-19 2020-05-19 基于同步压缩变换与时频匹配的信号特征提取方法及系统 Pending CN111623986A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010425295.2A CN111623986A (zh) 2020-05-19 2020-05-19 基于同步压缩变换与时频匹配的信号特征提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010425295.2A CN111623986A (zh) 2020-05-19 2020-05-19 基于同步压缩变换与时频匹配的信号特征提取方法及系统

Publications (1)

Publication Number Publication Date
CN111623986A true CN111623986A (zh) 2020-09-04

Family

ID=72259846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010425295.2A Pending CN111623986A (zh) 2020-05-19 2020-05-19 基于同步压缩变换与时频匹配的信号特征提取方法及系统

Country Status (1)

Country Link
CN (1) CN111623986A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112401907A (zh) * 2020-11-18 2021-02-26 江苏海洋大学 基于傅里叶同步压缩变换可靠划分脑低频波动子区域方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0591944A2 (en) * 1992-10-07 1994-04-13 Nec Corporation Synchronous compression and reconstruction system
CN106226078A (zh) * 2016-07-01 2016-12-14 中国科学技术大学 一种基于麦克风阵列的多普勒畸变声学信号的校正方法
CN110579800A (zh) * 2019-10-19 2019-12-17 西南石油大学 一种基于高精度同步挤压变换的地震数据数字处理方法
CN110687595A (zh) * 2019-10-17 2020-01-14 西南石油大学 一种基于时间重采样和同步挤压变换的地震数据处理方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0591944A2 (en) * 1992-10-07 1994-04-13 Nec Corporation Synchronous compression and reconstruction system
CN106226078A (zh) * 2016-07-01 2016-12-14 中国科学技术大学 一种基于麦克风阵列的多普勒畸变声学信号的校正方法
CN110687595A (zh) * 2019-10-17 2020-01-14 西南石油大学 一种基于时间重采样和同步挤压变换的地震数据处理方法
CN110579800A (zh) * 2019-10-19 2019-12-17 西南石油大学 一种基于高精度同步挤压变换的地震数据数字处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张海滨: "列车轴承轨边声学故障信号的声源分离及其去噪研究", 《中国优秀博士学位论文全文数据库 工程科技II辑》 *
熊伟: "基于ROSST的列车轴承轨边声学信号校正与诊断研究", 《振动与冲击》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112401907A (zh) * 2020-11-18 2021-02-26 江苏海洋大学 基于傅里叶同步压缩变换可靠划分脑低频波动子区域方法

Similar Documents

Publication Publication Date Title
CN107402131B (zh) 一种基于轨边声学信号时频脊线的高速列车运动参数识别方法
CN109855874B (zh) 一种声音辅助振动微弱信号增强检测的随机共振滤波器
CN103293515B (zh) 一种舰船线谱噪声源纵向分布特性测量方法
Zhang et al. The Doppler effect based acoustic source separation for a wayside train bearing monitoring system
CN102840907B (zh) 早期故障状态下滚动轴承振动信号特征提取和分析方法
CN113343928B (zh) 变速路段高速铁路钢轨波磨检测方法及装置、计算机设备
Zhang et al. Multi-bearing defect detection with trackside acoustic signal based on a pseudo time–frequency analysis and Dopplerlet filter
CN106501372B (zh) 基于小波包分析道岔裂纹的监测定位方法
Wang et al. Doppler Effect removal based on instantaneous frequency estimation and time domain re-sampling for wayside acoustic defective bearing detector system
CN105388012A (zh) 基于非线性调频小波变换的阶次跟踪方法
Zhang et al. Doppler correction using short-time MUSIC and angle interpolation resampling for wayside acoustic defective bearing diagnosis
CN109696609A (zh) 一种新型弓网受流质量的获取方法及其获取系统
JP5752481B2 (ja) パッシブレーダ装置、誘導装置及び電波検出方法
Huang et al. Fault diagnosis accuracy improvement using wayside rectangular microphone array for health monitoring of railway-vehicle wheel bearing
CN113267286A (zh) 铁路弓网接触力识别方法及装置
Wang et al. Wayside acoustic defective bearing detection based on improved Dopplerlet transform and Doppler transient matching
CN108398260B (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
CN111623986A (zh) 基于同步压缩变换与时频匹配的信号特征提取方法及系统
Huang et al. A practical fundamental frequency extraction algorithm for motion parameters estimation of moving targets
CN112462321A (zh) 基于脉冲匹配累加的声信标信号截获处理方法
CN116361733A (zh) 一种故障诊断方法、装置、系统以及存储介质
CN112345247A (zh) 一种滚动轴承的故障诊断方法及装置
CN103185879A (zh) 针对具有高径向速度目标的单通道合成孔径雷达动目标检测方法
CN109738212B (zh) 一种以频谱峭度为优化指标的自适应多普勒矫正方法
CN103207011A (zh) 一种基于电路相移的超声精确时延检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200827

Address after: 244000 comprehensive service building, No.129, west section of Cuihu fifth road, Tongling Economic Development Zone, Anhui Province

Applicant after: Anhui Maipu Intelligent Technology Co.,Ltd.

Address before: 230000 D3 building, intelligent science and Technology Park, 3693 Susong Road, Hefei Economic and Technological Development Zone, Anhui Province

Applicant before: Anhui Zhihuan Technology Co.,Ltd.

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200904