CN112784218B - 一种非高斯随机振动信号的峭度估计方法 - Google Patents
一种非高斯随机振动信号的峭度估计方法 Download PDFInfo
- Publication number
- CN112784218B CN112784218B CN202110148841.7A CN202110148841A CN112784218B CN 112784218 B CN112784218 B CN 112784218B CN 202110148841 A CN202110148841 A CN 202110148841A CN 112784218 B CN112784218 B CN 112784218B
- Authority
- CN
- China
- Prior art keywords
- kurtosis
- control signal
- signal
- data length
- length
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000007619 statistical method Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000009499 grossing Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 4
- 230000003595 spectral effect Effects 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种非高斯随机振动信号的峭度估计方法，包括数据长度判断步骤：根据得到数据长度为N1的实测控制信号x1(i)和构建的数据长度为N2的虚拟控制信号x2(i)构造数据长度为NN的新的虚拟控制信号z(i)，在新的虚拟控制信号的数据长度NN满足统计分析的精度要求时进入下一步骤；分段峭度估计步骤：将符合统计分析要求的新的虚拟控制信号z(i)进行分段，分别计算峭度kui；峭度估计值平滑处理步骤：将分段峭度kui进行算术平均值计算得到最后的估计值ku。本发明可以根据实测的有限长度的非高斯随机振动离散信号，获得其峭度值的有效估计；能够适用于以功率谱密度(PSD)和峭度(ku)为目标的双参数均衡的非高斯随机振动试验控制领域，在实验室模拟的随机振动更接近真实环境。
Description
技术领域
本发明涉及信号处理技术领域，尤其涉及一种非高斯随机振动信号的峭度估计方法。
背景技术
在装备振动环境工程研究领域中，非高斯特征的影响评价和实验室模拟已经成为必须面对的技术课题；其中，以功率谱密度(PSD)和峭度双参数均衡修正的振动试验控制策略，是再现非高斯振动环境效应的方法之一；与PSD一样，峭度也是统计特征量，其估计精度将直接决定控制均衡的效率。
在闭环实时控制环节中，无论是基于激励控制还是基于响应控制，能够获得的实测控制信号都是有限长度的，其长度大小与硬件运算能力等相关；硬件水平高，在均衡回路时间区间，可以获得相对更长一些的实测控制信号，但是，这个长度远远达不到统计分析的需要，仅仅依靠这个实测响应信号来进行峭度估计，其方差(随机误差)极大，会导致峭度控制失控，继而使非高斯随机振动试验失效。
发明内容
本发明的目的在于克服现有技术的缺点，提供了一种非高斯随机振动信号的峭度估计方法，解决了现有技术中对信号峭度估计存在的问题。
本发明的目的通过以下技术方案来实现：一种非高斯随机振动信号的峭度估计方法，所述峭度估计方法包括：
数据长度判断步骤：根据得到数据长度为N1的实测控制信号x1(i)和构建的数据长度为N2的虚拟控制信号x2(i)构造数据长度为NN的新的虚拟控制信号z(i)，并在新的虚拟控制信号的数据长度NN满足统计分析的精度要求时进入下一步骤；
分段峭度估计步骤：将符合统计分析要求的新的虚拟控制信号z(i)进行分段，分别计算峭度kui；
峭度估计值平滑处理步骤：将分段峭度kui进行算术平均值计算得到最后的估计值ku。
所述数据长度判断步骤具体包括：
根据控制回路时间确定控制信号的段采用长度N1，并获得分辨率满足要求的实测控制信号x1(i)；
取区间为(1，N1)的随机正整数r，并构建长度为N2＝N1的虚拟控制信号x2(i)，其中，x2(1)＝x1(r)，x2(2)＝x1(r+1)，若r+1>N1，则x2(2)＝x2(1)；
构造新的虚拟控制信号z(i)，其中z(i)＝[x1,x2]，并在其数据长度NN满足统计分析的精度要求时进入所述分段峭度估计步骤。
所述构造新的虚拟控制信号z(i)包括以下内容：
以N个原始数据x1为基础构建长度为2N的离散信号x2(i)，其中，该信号的起始点i＝1对应为从区间(1，N)中随机抽取得到的；
采用循环的方式对x2(i)构造长度为4N的中间虚拟信号y，依次类推，获得长度为2pN的中间虚拟信号x，其中，p为循环次数，并在当2pN≥NN时，x作为峭度估计原始信号。
所述峭度估计方法还包括：如果新的虚拟控制信号的数据长度NN不满足统计分析的精度要求，则将数据长度为NN的新的虚拟控制信号z(i)假设为实测控制信号x1(i)。
本发明具有以下优点：一种非高斯随机振动信号的峭度估计方法，可以根据实测的有限长度的非高斯随机振动离散信号，获得其峭度值的有效估计；能够适用于以功率谱密度(PSD)和峭度(ku)为目标的双参数均衡的非高斯随机振动试验控制领域，在实验室模拟的随机振动更接近真实环境。
附图说明
图1为本发明的工作流程示意图；
图2是本发明的原始信号x1时间历程；
图3是本发明的虚拟信号x2时间历程；
图4是本发明的新虚拟信号z时间历程；
图5是本发明的用于估计峭度的z时间历程。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
如图1所示，本发明涉及一种非高斯随机振动信号的峭度估计方法，所述峭度估计方法包括：
第一步：根据控制回路时间(Loop-time,Lt)，确定控制信号的段采用长度N1，并获得分辨率满足要求的实测控制信号x1(i)，i＝1,2,……,N1)；
其中，分辨率举例说明：若回路时间为1秒(即一秒要求进行一次均衡修正)，则按照采样定理确定的x1(i)采样频率为最低为2560Hz，(设信号最高频率为1KHz)，则x1(i)的长度N1至少为2560。
第二步：取随机数r，r为正整数，区间为(1，N1)；
第三步：构建长度为N2＝N1的虚拟控制信号x2(i)，i＝1,2,……,N2；其中x2(1)＝x1(r)，x2(2)＝x1(r+1),若r+1>N1，则x2(2)＝x1(1)；
第四步：构造新的虚拟控制信号z(i)，i＝1,2,…,N,…，NN；z(i)＝[x1,x2]；
第五步：判断数据长度NN是否满足统计分析精度要求，若是则进入下一步峭度估计环节，否则，将长度为NN的新的虚拟控制信号z(i)假设为实测控制信号x1(i)，重复上述步骤2～步骤4；
第六步：分段峭度估计，将符合统计长度要求的新的虚拟控制信号z(i)进行分段(L段)，分别计算峭度kui(i＝1,2,…,L，例如L>64)，必要时信号分段时可以重叠；
第七步：峭度估计值平滑处理，最后的估计值ku为分段估计值kui的算术平均值。ku＝(ku1+u2+,…+kuL)/L,i＝1,2,…,L。
进一步地，新的虚拟控制信号z(i)(i＝1,2,…,N,…，NN)(NN＞＞N)，NN需足够大，以至于不影响z的统计特性估计时，z(i)峭度估计才可作为x1峭度估计。
进一步地，新的虚拟控制信号z(i)的重构需分步循环进行，先是以N个原始数据x1为基础，构建长度为2N的离散信号(x2(i)，i＝1,2,……2N)，其中，该信号的起始点i＝1对应为随机抽取(1，N)，如x2(1)＝x1(randint(1,N))，然后采用循环方法，对x2用同方法构造长度为4N的中间虚拟信号y，依次类推，获得长度为2pN的中间虚拟信号x，p为循环次数。当2pN>＝NN时，x便可作为峭度估计原始信号。
实施例
如图2-图5所示，原始的实测控制信号x1(i)，长度为N1＝512×1024，取随机数r＝ran(1,512×1024)＝5681；
构建虚拟控制信号x2(i)，其中，x2(1)＝x1(r)。
当r+1>N1时，x2(2)＝x1(1)，x2(3)＝x1(2),……,x2(N1)＝x1(N1-1)；
r+n>N1时，x2(r+n)＝x1(1)，x2(r+n+1)＝x1(2),……,x2(N1)＝x1(N1-n)；
构建新的虚拟控制信号z＝[x1,x2]；令，x1＝z，重复上述步骤，直到z的数据长度N＝length(z)≥M，M为预先规定的统计分析要求(如M＝106)；
将新的虚拟控制信号z平均分为8段，每段长度为N/8(N取8的倍数)，分别记为z1，z2,……,z8；
分别估计z1～z8的峭度：
平均处理获得信号x1的峭度估计：
结果分别如下表所示：
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (3)
1.一种非高斯随机振动信号的峭度估计方法，其特征在于：所述峭度估计方法包括：
数据长度判断步骤：根据得到数据长度为N1的实测控制信号x1(i)和构建的数据长度为N2的虚拟控制信号x2(i)构造数据长度为NN的新的虚拟控制信号z(i)，并在新的虚拟控制信号的数据长度NN满足统计分析的精度要求时进入下一步骤；
分段峭度估计步骤：将符合统计分析要求的新的虚拟控制信号z(i)进行分段，分别计算峭度kui；
峭度估计值平滑处理步骤：将分段峭度kui进行算术平均值计算得到最后的估计值ku；
所述数据长度判断步骤具体包括：
根据控制回路时间确定控制信号的段采用长度N1，并获得分辨率满足要求的实测控制信号x1(i)；
取区间为（1，N1）的随机正整数r，并构建长度为N2=N1的虚拟控制信号x2(i)，其中，x2(1)=x1(r)，x2(2)= x1(r+1)，若r+1>N1，则x2(2)= x1(1)；
构造新的虚拟控制信号z(i)，其中z(i)=[x1,x2]，并在其数据长度NN满足统计分析的精度要求时进入所述分段峭度估计步骤。
2.根据权利要求1所述的一种非高斯随机振动信号的峭度估计方法，其特征在于：所述构造新的虚拟控制信号z(i)包括以下内容：
以N个原始数据x1为基础构建长度为2N的离散信号x2(i)，其中，该信号的起始点i=1对应为从区间（1，N）中随机抽取得到的；
采用循环的方式对x2(i)构造长度为4N的中间虚拟信号y，依次类推，获得长度为2pN的中间虚拟信号x，其中，p为循环次数，并在当2pN≥NN时，x作为峭度估计原始信号。
3.根据权利要求1所述的一种非高斯随机振动信号的峭度估计方法，其特征在于：所述峭度估计方法还包括：如果新的虚拟控制信号的数据长度NN不满足统计分析的精度要求，则将数据长度为NN的新的虚拟控制信号z(i)假设为实测控制信号x1(i)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110148841.7A CN112784218B (zh) | 2021-02-03 | 2021-02-03 | 一种非高斯随机振动信号的峭度估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110148841.7A CN112784218B (zh) | 2021-02-03 | 2021-02-03 | 一种非高斯随机振动信号的峭度估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112784218A CN112784218A (zh) | 2021-05-11 |
| CN112784218B true CN112784218B (zh) | 2024-05-28 |
Family
ID=75760680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110148841.7A Active CN112784218B (zh) | 2021-02-03 | 2021-02-03 | 一种非高斯随机振动信号的峭度估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784218B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117191311B (zh) * | 2023-08-14 | 2024-05-24 | 暨南大学 | 物流非平稳、非高斯振动下产品的加速振动试验方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006153760A (ja) * | 2004-11-30 | 2006-06-15 | Osaka Prefecture | 周期運動体の状態監視方法、監視装置、監視システム、コンピュータプログラム及び記録媒体 |
| CN1825082A (zh) * | 2006-03-31 | 2006-08-30 | 洛阳轴研科技股份有限公司 | 滚动轴承故障自动诊断系统 |
| CN101038232A (zh) * | 2007-02-07 | 2007-09-19 | 北京航空航天大学 | 一种非高斯随机振动激励信号生成方法及其装置 |
| CN102721537A (zh) * | 2012-06-01 | 2012-10-10 | 西安交通大学 | 基于可变空间-尺度框架的机械冲击型故障诊断方法 |
| CN104457968A (zh) * | 2013-09-13 | 2015-03-25 | 宁波宝新不锈钢有限公司 | 一种基于峭度时变信号轧机振痕识别方法 |
| CN104714171A (zh) * | 2015-04-06 | 2015-06-17 | 长沙学院 | 基于小波变换和ica特征提取的开关电路故障分类方法 |
| CN106441762A (zh) * | 2016-10-08 | 2017-02-22 | 中车株洲电力机车研究所有限公司 | 一种动车组变流器的试验方法 |
| CN106493058A (zh) * | 2017-01-12 | 2017-03-15 | 中国工程物理研究院总体工程研究所 | 限制峰值比的随机振动信号生成方法 |
| CN106546400A (zh) * | 2016-09-30 | 2017-03-29 | 南京航空航天大学 | 一种多输入多输出非高斯随机振动试验系统及试验方法 |
| CN110146291A (zh) * | 2019-05-31 | 2019-08-20 | 昆明理工大学 | 一种基于CEEMD和FastICA的滚动轴承故障特征提取方法 |
| CN110717229A (zh) * | 2019-10-16 | 2020-01-21 | 北京航空航天大学 | 一种基于试验数据的虚拟载荷谱自更新构造方法 |
| CN112287752A (zh) * | 2020-09-22 | 2021-01-29 | 国家电网有限公司 | 一种水力发电机转轴早期故障特征的提取方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200142993A (ko) * | 2019-06-14 | 2020-12-23 | 현대자동차주식회사 | 엔진 상태 진단 방법 및 엔진 상태 진단 모델링 방법 |
-
2021
- 2021-02-03 CN CN202110148841.7A patent/CN112784218B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006153760A (ja) * | 2004-11-30 | 2006-06-15 | Osaka Prefecture | 周期運動体の状態監視方法、監視装置、監視システム、コンピュータプログラム及び記録媒体 |
| CN1825082A (zh) * | 2006-03-31 | 2006-08-30 | 洛阳轴研科技股份有限公司 | 滚动轴承故障自动诊断系统 |
| CN101038232A (zh) * | 2007-02-07 | 2007-09-19 | 北京航空航天大学 | 一种非高斯随机振动激励信号生成方法及其装置 |
| CN102721537A (zh) * | 2012-06-01 | 2012-10-10 | 西安交通大学 | 基于可变空间-尺度框架的机械冲击型故障诊断方法 |
| CN104457968A (zh) * | 2013-09-13 | 2015-03-25 | 宁波宝新不锈钢有限公司 | 一种基于峭度时变信号轧机振痕识别方法 |
| CN104714171A (zh) * | 2015-04-06 | 2015-06-17 | 长沙学院 | 基于小波变换和ica特征提取的开关电路故障分类方法 |
| CN106546400A (zh) * | 2016-09-30 | 2017-03-29 | 南京航空航天大学 | 一种多输入多输出非高斯随机振动试验系统及试验方法 |
| CN106441762A (zh) * | 2016-10-08 | 2017-02-22 | 中车株洲电力机车研究所有限公司 | 一种动车组变流器的试验方法 |
| CN106493058A (zh) * | 2017-01-12 | 2017-03-15 | 中国工程物理研究院总体工程研究所 | 限制峰值比的随机振动信号生成方法 |
| CN110146291A (zh) * | 2019-05-31 | 2019-08-20 | 昆明理工大学 | 一种基于CEEMD和FastICA的滚动轴承故障特征提取方法 |
| CN110717229A (zh) * | 2019-10-16 | 2020-01-21 | 北京航空航天大学 | 一种基于试验数据的虚拟载荷谱自更新构造方法 |
| CN112287752A (zh) * | 2020-09-22 | 2021-01-29 | 国家电网有限公司 | 一种水力发电机转轴早期故障特征的提取方法 |
Non-Patent Citations (5)
| Title |
|---|
| Analysis of synthesized non-Gaussian excitations for vibration-based fatigue life testing;Marco Troncossi1等;《Conference Series:Thirteenth International Conference on Recent Advances in Structural Dynamics (RASD)》;20190430;第1264卷;15–17 * |
| Digital generation of non-Gaussian random vibration signals in railway transportation and package response analysis;Dapeng Zhu等;《Concurrency and Computation》;20181003;第31卷(第10期);4795-1-4795-9 * |
| 基于LCD和改进PNN的光纤周界振动信号识别;马愈昭等;《光电子·激光》;20200515;第31卷(第05期);509-518 * |
| 杨蕊.滚动轴承振动特性分析与微弱故障诊断方法研究.《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》.2020,(2020年06),C029-20. * |
| 特种包装产品公路运输环境振动室内模拟试验研究;朱学旺等;《强度与环境》;20080215(第01期);6-12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112784218A (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108536648B (zh) | 基于多超声波传感器的局部放电非线性模型转换求解与优化方法 | |
| CN111178385B (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
| CN107480386B (zh) | 一种基于响应混叠性度量与遗传算法的测试激励优选方法 | |
| CN109359567B (zh) | 一种基于改进小波阈值去噪的参数化传递路径分析方法 | |
| CN109195110B (zh) | 基于层次聚类技术和在线极限学习机的室内定位方法 | |
| CN112784218B (zh) | 一种非高斯随机振动信号的峭度估计方法 | |
| CN116659803A (zh) | 基于天平零点在线监测获取连续式风洞气动力载荷的方法 | |
| US20020025074A1 (en) | Systems and methods for adaptive sampling and estimating a systematic relationship between a plurality of points | |
| CN110879927A (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
| CN111208425A (zh) | 高精度异步电机系统状态模型的构建方法及异步电机状态检测方法 | |
| CN111260776A (zh) | 一种自适应正态分析的三维形貌重建方法 | |
| CN110703038B (zh) | 一种适用于风机接入配电网的谐波阻抗估算方法 | |
| CN115438312A (zh) | 一种新能源出力的概率分布模型建立、应用方法及介质 | |
| CN113312812B (zh) | 一种冷成型钢构件初始几何缺陷生成方法 | |
| CN116148666A (zh) | 电池soc信号处理方法、装置、车辆、计算机可读存储介质及计算机程序产品 | |
| CN110310312B (zh) | 一种图像配准方法、图像配准装置及终端 | |
| CN109146840B (zh) | 基于高斯概率统计的数据几何定位精度评估方法及装置 | |
| CN112989966A (zh) | 一种改进的模拟电路信号降噪方法 | |
| CN110672947A (zh) | 一种智能化电气工程测量系统及测量方法 | |
| CN115184859B (zh) | 一种构建非视距传播场景下测距和测角误差消除方法 | |
| CN115542238B (zh) | 超差表检测方法及装置 | |
| Fuh et al. | Parameter identification of linear time-invariant systems with large measurement noises | |
| CN113640115B (zh) | 适用于准等熵压缩实验数据逆问题求解的优化方法和系统 | |
| CN117688001B (zh) | 车载式氮氧化物监测数据处理方法、系统、装置与介质 | |
| JPH1028327A (ja) | 電力系統の特性推定装置および特性推定方法 |
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 |