CN114757242A - 基于循环维纳滤波的直升机噪声增强方法以及检测方法 - Google Patents
基于循环维纳滤波的直升机噪声增强方法以及检测方法 Download PDFInfo
- Publication number
- CN114757242A CN114757242A CN202210681975.XA CN202210681975A CN114757242A CN 114757242 A CN114757242 A CN 114757242A CN 202210681975 A CN202210681975 A CN 202210681975A CN 114757242 A CN114757242 A CN 114757242A
- Authority
- CN
- China
- Prior art keywords
- frequency
- signal
- helicopter
- noise
- cyclic
- 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
Images
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种基于循环维纳滤波的直升机噪声增强方法以及检测方法,该直升机噪声增强方法的步骤包括:步骤S01.在不同距离处分别对旋翼气动噪声进行循环频率检测,得到旋翼气动噪声在不同距离处对应的循环频率;步骤S02.获取不同距离处的直升机噪声测量信号,根据各距离处对应的循环频率对直升机噪声测量信号进行循环维纳滤波,以实现对旋翼气动噪声的增强;该检测方法包括:获取不同距离处的测量信号;按照上述方法进行旋翼气动噪声的增强;提取增强处理后的测量信号的包络谱进行分析,判断是否为直升机信号。本发明能够灵活、高效的实现不同距离的直升机旋翼气动噪声的信号增强,进而使得能够精准实现远距离直升机旋翼气动噪声检测。
Description
技术领域
本发明涉及直升机检测技术领域,尤其涉及一种基于循环维纳滤波的直升机噪声增强方法以及检测方法。
背景技术
直升机利用旋翼提供升力、推进力和操纵力,使得具备独特的垂直起降、悬停、高机动、低空低速飞行等性能,但是旋翼会产生很强的中低频噪声,该噪声在空气传播衰减慢,传播距离远。尤其是直升机在山区等复杂环境下执行任务时,旋翼气动噪声在受到大气、山区环境、机身散射和飞行状态等多种条件的影响下会呈现出时变的特性。同时,旋翼气动噪声在直升机运行时会表现出叶片通过频率及其频域高次谐波的谐波特性。但是直升机在远距离飞行时,所能够检测到的旋翼气动噪声较弱,较弱的旋翼气动噪声会被强烈的背景噪声所掩盖。
直升机飞行噪声具体主要来源于主桨、尾桨和发动机,前两者属于旋翼噪声,后者为非旋翼噪声。如图1所示,发动机噪声属于高频部分,在空气中衰减速度快,并且发动机的降噪可通过发动机设计实现;旋翼和尾桨的气动噪声则以低频为主,该噪声在空气中衰减速度慢,是直升机噪声研究的重点对象。由于在大气中传播时的衰减,在远距离对直升机噪声信号进行接收时信噪比极低,而在直升机远距离探测中,旋翼气动噪声的频率成分低,且在空气中传播距离远,旋翼气动噪声检测是实现直升机探测的关键。现有技术中通常是采用基于频谱特征的检测方法以实现直升机探测,但是该类方法容易受到低频环境噪声的干扰,并且直升机在远距离飞行时,较弱的旋翼气动噪声会被强烈的背景噪声所掩盖,从而导致探测距离不够长。若能够对旋翼气动噪声进行增强,则可以有效提升直升机检测距离。
针对于对直升机声信号进行增强,现有技术中通常是采用以下两种方式实现:
1、基于先验信息的增强方法,代表性的即为基于非负矩阵分解的增强方法,通过训练阶段得到的语音和噪声的基矩阵,并将其用来存储语音和噪声的先验信息。上述基于先验信息的增强方法在非平稳的噪声环境取得了较为不错的增强效果,但是该类方式必须依赖于大量的先验信息,并且计算量较大。
2、基于小波变换的直升机声信号降噪方法,即通过对直升机声信号进行小波变换,然后通过小波重构直升机声信号的思想实现降噪。该类方法虽然实现简单、计算速度快,但是由于忽略了信号的很多细节,因而易于导致信号失真。
循环平稳信号是一种具有隐藏周期性的特殊的非平稳信号,基于循环平稳性可以有效处理具有隐藏周期性现象的随机信号,采用循环维纳滤波器能够有效地将具有循环平稳性的信号从不具有循环平稳性的噪声信号中提取出来。循环平稳信号的处理方法目前仅是应用于轴承故障诊断和机械源分离等旋转机械中。但实际上直升机飞行和悬停时由于旋翼的周期性运动,旋翼气动噪声会呈现出循环平稳特性,即旋翼气动噪声与循环平稳性是相关联的,现有技术中针对于旋翼气动噪声的检测方式中均忽略了旋翼气动噪声的循环平稳性。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种实现方法简单、抗干扰性强且无需先验信息、信号失真率低的基于循环维纳滤波的直升机噪声增强方法,以及实现方法简单、检测精度及效率高且检测距离远的直升机检测方法。
为解决上述技术问题,本发明提出的技术方案为:
一种基于循环维纳滤波的直升机噪声增强方法,步骤包括:
步骤S01.在待测区域的不同距离处分别对直升机产生的旋翼气动噪声进行循环频率检测,得到旋翼气动噪声在不同距离处对应的循环频率;
步骤S02.获取不同距离处的直升机噪声测量信号,根据各距离处对应的所述循环频率对获取的所述直升机噪声测量信号进行循环维纳滤波,以实现对直升机噪声测量信号中所述旋翼气动噪声的增强。
进一步的,所述步骤S01的步骤包括:从预设检测起点开始逐渐向远离待测区域的方向对所述旋翼气动噪声进行循环频率检测,直到检测到循环频率的极限距离,所述循环频率的极限距离为能够检测到循环频率的最大距离;检测的距离大于所述极限距离后,根据所述极限距离对应的循环频率以及当前距离与所述极限距离之间的差值计算当前距离所对应的循环频率。
进一步的,所述根据所述极限距离对应的循环频率以及当前距离与所述极限距离之间的差值计算当前距离所对应的循环频率包括:将当前距离与所述极限距离之间的差值乘以预设调整值得到调整量,在所述极限距离对应的循环频率的基础上加上所述调整量,得到当前距离对应的循环频率。
进一步的,所述对所述旋翼气动噪声进行循环频率检测时,通过使用基于直升机噪声测量信号的循环谱相关密度函数、谱相干函数构建的检测函数,检测出旋翼气动噪声的所述循环频率;
构建的所述检测函数为:
其中,W表示时间上限;
进一步的,所述步骤S02中根据各距离处对应的所述循环频率对获取的所述直升机噪声测量信号进行循环维纳滤波包括:
其中,t表示时间,η为x(t)的所有循环频率,x η (t)为移频后的信号;
将移频后的信号x η (t)作为新的输入信号输入至滤波器组h η (t),由所述滤波器组h η (t)中各组滤波器输出对应的输出信号y η (t);
对各所述输出信号y η (t)进行求和得到总输出信号y(t),使用期望输出信号d(t)与所述总输出信号y(t)进行求差运算得到误差函数e(t),根据所述误差函数e(t)使用 e 2(t)对各组滤波器的滤波器系数进行自适应调整,以实现最优滤波;
所述循环维纳滤波中所使用的循环维纳滤波器采用离散形式并按下式进行各组滤波器的权重系数迭代:
其中,μ是步长因子以用来调整权值系数,表示输入的离散信号x移频后的信
号的共轭,i=0,1, …,L-1,分别表示各个循环频率,L表示循环频率数量,n表示离散点数,k为平移点数,w(n+1)为滤波器第n+1个离散点的权重系数,w(n)为滤波器
第n个离散点的权重系数,M为滤波器的阶数,为调整系数,表示输入的离散信号x移
频时对应的滤波器的第一阶系数,表示输入的离散信号x移频时对应的滤波器的
第一阶系数,表示输入的离散信号x移频时对应的滤波器的第M阶系数,表
示输入的离散信号x移频时对应的滤波器的第M阶系数,表示输入的离散信号x
移频时对应的滤波器的第M阶系数,表示误差函数,分别
表示输入的离散信号x移频后的信号的共轭。
一种利上述基于循环维纳滤波的直升机噪声增强方法的检测方法,步骤包括:
在不同距离处对直升机噪声信号进行测量,得到不同距离处的测量信号;
按照上述增强方法对所述测量信号中旋翼气动噪声进行增强,得到增强处理后的测量信号;
提取所述增强处理后的测量信号的包络谱;
对提取的所述包络谱进行分析,根据分析结果判断所述测量信号是否为直升机信号。
进一步的,所述提取所述增强处理后的测量信号的包络谱的步骤包括:
对所述增强处理后的测量信号进行Hilbert(希尔伯特)变换,得到变换后信号h(t),其中t表示时间;
对获取的所述包络信号进行谱分析,提取得到所述增强处理后的测量信号的包络谱。
进一步的,所述对提取的所述包络谱进行分析,根据分析结果判断所述测量信号是否为直升机信号的步骤包括:
查找所述增强处理后的测量信号的包络谱中所有的谱峰,并获取查找到的各谱峰对应的频率;
统计谱峰与旋翼气动噪声的基频或谱峰与旋翼气动噪声的倍频之间的差值在预设范围以内的频率个数;
根据查找到的所述频率个数,判定所述测量信号是否为直升机信号。
进一步的,所述根据查找到的所述频率个数,判定所述测量信号是否为直升机信号包括:若所述频率个数大于预设阈值,则判定测量信号为直升机信号,否则判定为非直升机信号。
进一步的,所述查找所述增强处理后的测量信号的包络谱中所有的谱峰的步骤包括:
根据旋翼气动噪声的频带范围定义搜索频带B;
在所述搜索频带B内查找出所述增强处理后的测量信号的包络谱中所有疑似谱峰,并判断查找出的所述疑似谱峰的峰值是否大于预设阈值,如果是则判定所述疑似谱峰为所需查找的谱峰。
与现有技术相比,本发明的优点在于:
1、本发明通过将旋翼气动噪声与循环平稳性联系起来,基于直升机旋翼气动噪声的循环平稳特性,利用循环平稳分析方法使用循环维纳滤波器对旋翼气动噪声进行增强,以使得即便是直升机远距离飞行时也能够从大量的背景噪声中有效提取出旋翼气动噪声,从而实现远距离的直升机旋翼气动噪声检测,不仅实现方法简单、抗干扰性强,且无需使用先验信息,也不会造成信号失真。
2、本发明考虑由于多普勒频移现象的存在,会导致旋翼气动噪声的循环频率在不同距离存在偏差的问题,在利用循环维纳滤波对旋翼气动噪声进行增强的基础上,通过在不同距离处分别进行循环频率检测,确定出不同距离处的循环频率,使得可以解决多普勒频移所产生的循环频率偏差问题,确保不同距离时的旋翼气动噪声增强效果。
3、本发明进一步通过采用由近及远的检测方式进行循环频率检测,近距离时直接通过检测确定出合适的循环频率,在超出极限距离后无法直接检测循环频率时,依据极限距离对应的循环频率以及超出距离差值来确定出远距离合适的循环频率,可以准确确定出各不同距离处合适的循环频率,从而确保旋翼气动噪声的滤波效果。
4、本发明进一步基于循环平稳分析方法,通过结合使用循环维纳滤波对旋翼气动噪声信号进行增强以及包络谱分析实现直升机检测,使得能够在更远距离下实现直升机旋翼气动噪声信号的检测,从而可以大大提升直升机的检测距离。
5、本发明进一步基于旋翼气动噪声在直升机运行时会表现出叶片通过频率及其频域高次谐波的谐波特性,构造直升机探测方法,通过查找测量信号的包络谱中在旋翼气动噪声的基频、倍频附近的谱峰的频率数量,判定是否为直升机信号,可以快速、精准的实现直升机信号判定,从而精准实现直升机远距离的探测。
附图说明
图1是直升机噪声频谱特征曲线示意图。
图2是本实施例基于循环维纳滤波的直升机噪声增强方法的实现流程示意图。
图3是本发明在具体应用实施例中循环频率检测得到的第一组结果示意图。
图4是本发明在具体应用实施例中循环频率检测得到的第二组结果示意图。
图5是本发明在具体应用实施例中循环频率检测得到的第三组结果示意图。
图6是自适应滤波器的结构原理示意图。
图7是本实施例中所采用的循环维纳滤波器的结构原理示意图。
图8是本实施例利用基于循环维纳滤波的直升机噪声增强方法的检测方法的流程示意图。
图9是本实施例中分析包络谱实现直升机信息检测的详细流程示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
如图2所示,本实施例基于循环维纳滤波的直升机噪声增强方法的步骤包括:
步骤S01.在待测区域的不同距离处分别对直升机产生的旋翼气动噪声进行循环频率检测,得到旋翼气动噪声在不同距离处对应的循环频率;
步骤S02.获取不同距离处的直升机噪声测量信号,根据各距离处对应的循环频率对获取的直升机噪声测量信号进行循环维纳滤波,以实现对直升机噪声测量信号中旋翼气动噪声的增强。
考虑到直升机飞行和悬停时由于旋翼的周期性运动,旋翼气动噪声会呈现出循环平稳特性,而环境噪声不具有循环平稳性,因此可以利用循环维纳滤波器对其进行滤波,本发明通过将旋翼气动噪声与循环平稳性联系起来,基于直升机旋翼气动噪声的循环平稳特性,利用循环维纳滤波器能够有效地将具有循环平稳性的信号从不具有循环平稳性的噪声信号中提取出来的特性,使用循环维纳滤波器对旋翼气动噪声进行增强,以使得即便是直升机远距离飞行时也能够从大量的背景噪声中有效提取出旋翼气动噪声,从而实现远距离(即较低信噪比)的直升机旋翼气动噪声检测,不仅实现方法简单、抗干扰性强,且无需使用先验信息,也不会造成信号失真。同时考虑由于多普勒频移现象的存在,会导致旋翼气动噪声的循环频率在不同距离存在偏差,本发明在利用循环维纳滤波对旋翼气动噪声进行增强的基础上,通过在不同距离处分别进行循环频率检测,确保不同距离处循环频率的精度,还可以确保不同距离时的旋翼气动噪声增强效果。
本实施例中,步骤S01的具体步骤包括:从预设检测起点开始逐渐向远离待测区域的方向对旋翼气动噪声进行循环频率检测,直到检测到循环频率的极限距离,循环频率的极限距离为能够检测到循环频率的最大距离;检测的距离大于极限距离后,根据极限距离对应的循环频率以及当前距离与极限距离之间的差值计算当前距离所对应的循环频率。
在使用循环维纳滤波时,进行移频所使用的循环频率是决定滤波效果的关键。而由于会存在多普勒频移现象,旋翼气动噪声的循环频率在不同距离是存在偏差的,因而在不同距离下对旋翼气动噪声进行循环维纳滤波时的移频是不相同的,如果循环维纳滤波输入一个不合适的循环频率进行移频时,会严重影响滤波效果。本实施例通过考虑对旋翼气动噪声进行循环频率检测的上述特性,在近距离的情况下,由于信噪比很高,因此通过循环频率检测即能够得到其循环频率,即在近距离的情况下进行循环维纳滤波时,直接根据检测到的循环频率进行移频即可;通过逐渐向远处检测可以持续检测到各距离对应的循环频率,直到找到能够检测到循环频率的极限距离。超过该极限距离后则将检测不到循环频率,这是由于随着距离的增加,信噪比逐渐降低,在信噪比很低的情况下,具有循环平稳性的旋翼气动噪声信号会被强烈的背景噪声所淹没,因而会导致超过极限距离后检测不到循环频率,即在远距离情况下,循环频率检测已经无法正常检测到其循环频率。经过大量的数据分析可得,距离越远相对应的循环频率会越高,本实施例在超过极限距离后,通过极限距离对应的循环频率以及当前距离与极限距离之间的差值来确定对应的循环频率。
本实施例通过采用由近及远的检测方式进行循环频率检测,近距离时直接通过检测确定出合适的循环频率,在超出极限距离后无法直接检测循环频率时,依据极限距离对应的循环频率以及超出距离差值来确定出远距离合适的循环频率,可以确保各不同距离处的循环频率精度,从而确保旋翼气动噪声的循环滤波效果,使得可以极大地提升直升机的检测距离。
本实施例中,根据极限距离对应的循环频率以及当前距离与极限距离之间的差值计算当前距离所对应的循环频率包括:将当前距离与极限距离之间的差值乘以预设调整值得到调整量,在极限距离对应的循环频率的基础上加上调整量,得到当前距离对应的循环频率。由于距离越远相对应的循环频率会越高,而超过极限距离后检测不到循环频率,因而在远距离的情况下,需要根据能检测到循环频率的极限距离下的循环频率适当地向上进行调整,超过极限距离越多则相应的循环频率也会越高,因而可以使用当前距离与极限距离之间的差值乘以预设调整值来确定所需要的调整量。上述预设调整值可以根据大量的试验数据确定或者结合经验数据确定,具体可以实际需求配置。
优选的,对于超过极限距离下的循环频率确定,可以采用以下确定规则:超过极限距离后每增加两公里,循环频率的基频则增加0.1Hz,则第二个循环频率大约为基频的二倍左右,第三个循环频率大约为基频的三倍左右,以此类推。上述对于超过极限距离下的循环频率当然也可以根据实际需求采用其他的确定规则。为进一步确保循环频率的有效性,还可以根据实际的滤波后效果判断所选定的循环频率是否合适,其中如果选定的循环频率合适,则滤波后信号中旋翼气动噪声特征会更为明显,则如果滤波后旋翼气动噪声特征不明显则可以通过对循环频率进行微调,以达到最佳的滤波效果。
在具体应用实施例中,采用上述方法进行循环频率检测得到的检测结果如图3~5
所示,其中左侧图对应为循环频率相干性(cyclic frequency coherence)结果,横坐标为
循环频率(cyclic frequency),纵坐标为谱频率(spectral frequency),右侧图对应为循
环训练检测结果(SEES)。先在0.89km处进行循环频率检测,得到的循环谱相干函数和循环
频率检测结果如图3中(a)、(b)所示,图3中(b)中的峰值即为各个循环频率;然后在1.548km
处进行循环频率检测,得到的循环谱相干函数和循环频率检测结果分别如图3中(c)、(d)所
示;然后在3.568km处进行了循环频率检测,循环谱相干函数和循环频率检测结果分别如图
4中(a)、(b)所示。经过逐点检测后找到极限距离为4.114km,图4中 (c)和(d)分别展示了在
该极限距离下的谱相干函数和循环频率检测结果;在17.75km处(超过极限距离)的循环谱
相干函数和循环频率检测结果分别如图5中(a) 和 (b)所示。对比图3~5中各次检测结果可
以看出,在不同距离下进行循环频率检测时循环频率会存在偏差,这是由于多普勒频移现
象导致,同时可以看出,随着距离的增加循环频率检测的结果是逐渐模糊的,如图5中 (a)
和(b)可以看出在17.75km已经完全检测不到循环频率。
循环维纳滤波器是基于循环平稳信号谱相干理论提出的,在最小均方意义下的最优滤波器。只需要预先知道循环平稳信号的特征循环频率,将原信号遍历所有特征循环频率进行一组移频,通过一个滤波器组,即可对信号实现自适应滤波。本实施例基于循环维纳滤波器对旋翼气动噪声进行循环频率检测时,通过使用基于直升机噪声测量信号的循环谱相关密度函数、循环谱相关密度函数构建的检测函数,检测出旋翼气动噪声的循环频率。
其中,W表示时间上限;
并且谱相干函数满足:
当时,表示随机过程x(t)以谱频率f为中心并相距一个循环频率的频率
处的两条谱线完全相关;相反,当时,表示这两条谱线完全不相关。当随机过程x
(t)具有循环平稳性时,一定存在不为零的,即该随机过程的两个离散频率具有相关
性,并且这两个离散频率的间距必定等于该随机过程的某一循环频率:。因此
通过上述方法可以准确获得该循环平稳信号的循环频率,然后对其进行循环维纳滤波。
本实施例基于上述原理,结合快速SC(spectral correlation,循环谱相关)计算
方法得到测量信号x(t)的循环谱相关密度函数,即为:,其
中E{‧}表示求期望,X(‧)是信号x(t)的傅里叶变换,*为求共轭运算符,f为信号x(t)的谱频
率,为信号x(t)的循环频率。基于得到的测量信号x(t)的循环谱相关密度函数和
谱相干函数,构建得到检测函数为:
其中,表示循环频率,表示用于检测出循环频率的检测函数,该检测函数
具有降维(Dimensionality Reduction)的作用,f s 表采样频率,f表示频率,为直升机
噪声测量信号x的谱相干函数。
循环维纳滤波器是基于循环平稳信号谱相干理论提出的,在最小均方意义下的最优滤波器。只需要预先知道循环平稳信号的特征循环频率,将原信号遍历所有特征循环频率进行一组移频,通过一个滤波器组,即可对信号实现自适应滤波。如果目标信号具有循环平稳性,则针对平稳信号的自适应滤波器将不再适用。循环维纳滤波器为先将具有循环平稳性的输入信号x(t)(本实施例中输入信号也即为测量信号)进行移频,可表示为:
然后将移频后的信号x η (t)作为新的输入信号,其中η包含x(t)的所有循环频率;然后将x η (t)通过滤波器组h η (t)得到各自输出信号y η (t),并对y η (t)进行求和得到总输出信号y(t);用期望输出信号d(t)与y(t)进行求差运算得到误差函数e(t),并根据e 2(t)对各组的滤波器系数进行自适应调整,从而实现最优滤波。自适应滤波器的结构如图6所示,以及本实施例所采用的循环维纳滤波器如图7所示,由图7可以看出,循环维纳滤波器相当于多个自适应滤波器的叠加。
在实际应用中循环维纳滤波器都是以离散形式实现,本实施例所使用的循环维纳滤波器的输入与输出的关系式具体为:
式中,h表示对应不同距离处的所有循环频率,w h,m表示每个循环频率η对应的滤波器h h (t)的权值系数,y(n)为输出的滤波后信号,x(n)为输入信号,x(n-m)e j2πh(n-m)表示离散信号x(n-m)移频η后得到的新的离散信号。式(6)即为将权值系数w h,n 与移频η后x(n)e j2πhn 进行移位乘加:先将自变量n改为m,则将w h,n 变为w h,m 、x(n)e j2πhn 变为x(m)e j2πhm ,然后取对于纵坐标的“镜像”得到x(-m)e j2πhm ,然后将x(-m)e -j2πhm 向右移动n个间隔,得到x(n-m)e j2πh(n-m)再与w h,m 乘加得到输出信号y(n)。
进一步的,本实施例循环维纳滤波器使用最小均方LMS(Least Mean Square)自适应迭代算法确定权重系数,循环维纳滤波器的LMS权重系数迭代关系可表示为:
式中,μ是步长因子以用来调整权值系数,表示输入的离散信号x(n)移频后
的信号的共轭,i=0,1,…,L-1,L表示循环频率数量,n表示离散点数,w(n+1)为滤波器第n+1
个离散点的权重系数,w(n)为滤波器第n个离散点的权重系数,为调整系数。
权值系数的迭代关系具体为:
其中,μ是步长因子以用来调整权值系数,表示输入的离散信号x移频后的信
号的共轭,i=0,1, …,L-1,分别表示各个循环频率,L表示循环频率数量,n表示离散点数,k为平移点数,w(n+1)为滤波器第n+1个离散点的权重系数,w(n)为滤波器
第n个离散点的权重系数,M为滤波器的阶数,为调整系数,表示输入的离散信号x移
频时对应的滤波器的第一阶系数,表示输入的离散信号x移频时对应的滤波器的
第一阶系数,表示输入的离散信号x移频时对应的滤波器的第M阶系数,
表示输入的离散信号x移频时对应的滤波器的第M阶系数,表示输入的离散信号x
移频时对应的滤波器的第M阶系数,表示误差函数,分别
表示输入的离散信号x移频后的信号的共轭。
本发明通过考虑循环平稳分析方法,使用循环维纳滤波对旋翼气动噪声信号进行增强,使得能够在更远距离(即较低信噪比)下实现直升机旋翼气动噪声的检测,从而在很大程度上提升直升机的检测距离。结合上述增强方法,本发明进一步根据旋翼气动噪声的特征构造旋翼气动噪声的检测方法,以检测远场直升机。
如图8所示,本实施例基于循环维纳滤波的直升机检测方法的步骤包括:
步骤SA1.在不同距离处对直升机噪声信号进行测量,得到不同距离处的测量信号;
步骤SA2.按照上述增强方法对测量信号中旋翼气动噪声进行增强,得到增强处理后的测量信号;
步骤SA3.提取增强处理后的测量信号的包络谱;
步骤SA4.对提取的包络谱进行分析,根据分析结果判断测量信号是否为直升机信号。
基于Hilbert变换的包络谱分析是一种提取特征频率十分有效的方法,常被用于轴承的故障诊断中,而轴承故障特征频率往往也具有循环平稳性,因此可将其用于旋翼气动噪声谱分析。本实施例进一步通过结合包络谱分析其增强效果,根据旋翼气动噪声在直升机运行时会表现出叶片通过频率及其频域高次谐波的谐波特性,构造旋翼气动噪声的检测方法,可以有效实现远场直升机的检测。
本实施例中,步骤SA3提取增强处理后的测量信号的包络谱的详细步骤包括:
步骤SA31.对信号x(t)做Hilbert变换得到h(t):
式中,*代表卷积运算;
步骤SA32.获取增强处理后的测量信号的包络信号:
信号x(t)和h(t)构成一个新的复信号z(t)作为解析信号:
将复信号z(t)的包络定义为:
步骤SA33.对获取的包络信号进行谱分析,提取得到增强处理后的测量信号的包络谱。
包络谱对冲击力相关的事件比较敏感,包络谱图中各频率幅值的分布与的频谱图有所区别:频谱图中故障特征频率幅值较小,包络谱图中故障特征频率的幅值很高,容易辨认,而故障特征频率往往与循环频率一致。因此,相对于频谱分析,包络谱图剔除了不必要的频率干扰,更能够凸显具有循环平稳性的旋翼气动噪声信号。
旋翼气动噪声在直升机运行时会表现出叶片通过频率及其频域高次谐波的谐波特性。并且直升机在远距离飞行时,较弱的旋翼气动噪声会被强烈的背景噪声所掩盖。远场直升机声音检测旨在检测到被强烈背景噪声掩盖的旋翼气动噪声,本实施例先利用循环维纳滤波对旋翼气动噪声信号进行增强处理,从而在很大程度上提升直升机的检测距离,同时结合包络谱分析方式来实现直升机检测,能够结合旋翼气动噪声的特征实现直升机检测,还能够避免每次查看滤波效果时都需要看包络谱图,使得可以直观地显示探测结果。
如图9所示,本发明在具体应用实施例中,步骤SA4根据包络谱分析结果判断测量信号是否为直升机信号的步骤包括:
步骤SA41.查找增强处理后的测量信号的包络谱中所有的谱峰,并获取查找到的各谱峰对应的频率;
步骤SA42.统计谱峰与旋翼气动噪声的基频或谱峰与旋翼气动噪声的倍频之间的差值在预设范围以内的频率个数;
步骤SA43.根据查找到的频率个数,判定测量信号是否为直升机信号。
参见图7,本实施例首先通过构造谱峰搜索函数找到谱峰,并根据所构造的完整的检测函数判断是否探测到直升机信号,其中若频率个数count大于预设阈值(具体可取2),则判定测量信号为直升机信号,否则判定为非直升机信号。
本实施例中,步骤SA41中通过构造谱峰搜索函数查找包络谱中所有的谱峰,步骤包括:
步骤SA411.根据旋翼气动噪声的频带范围定义搜索频带B[B1,B2];
步骤SA412.通过谱峰搜索函数查找包络谱中所有疑似谱峰,并判断峰值是否大于预设阈值,如果是则判定为所需查找的谱峰并记录谱峰对应的频率,直至查找到所有的疑似谱峰。
本发明通过考虑循环平稳分析方法,使用循环维纳滤波对旋翼气动噪声信号进行增强,使得能够在更远距离(即较低信噪比)下,通过包络谱分析能够得到直升机旋翼气动噪声信号,从而在很大程度上提升直升机的检测距离,同时基于旋翼气动噪声在直升机运行时会表现出叶片通过频率及其频域高次谐波的谐波特性构造检测方法,可以高效的实现直升机旋翼气动噪声远距离的探测。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (10)
1.一种基于循环维纳滤波的直升机噪声增强方法,其特征在于,步骤包括:
步骤S01.在待测区域的不同距离处分别对直升机产生的旋翼气动噪声进行循环频率检测,得到旋翼气动噪声在不同距离处对应的循环频率;
步骤S02.获取不同距离处的直升机噪声测量信号,根据各距离处对应的所述循环频率对获取的所述直升机噪声测量信号进行循环维纳滤波,以实现对直升机噪声测量信号中所述旋翼气动噪声的增强。
2.根据权利要求1所述的基于循环维纳滤波的直升机噪声增强方法,其特征在于,所述步骤S01的步骤包括:从预设检测起点开始逐渐向远离待测区域的方向对所述旋翼气动噪声进行循环频率检测,直到检测到循环频率的极限距离,所述循环频率的极限距离为能够检测到循环频率的最大距离;检测的距离大于所述极限距离后,根据所述极限距离对应的循环频率以及当前距离与所述极限距离之间的差值计算当前距离所对应的循环频率。
3.根据权利要求2所述的基于循环维纳滤波的直升机噪声增强方法,其特征在于,所述根据所述极限距离对应的循环频率以及当前距离与所述极限距离之间的差值计算当前距离所对应的循环频率包括:将当前距离与所述极限距离之间的差值乘以预设调整值得到调整量,在所述极限距离对应的循环频率的基础上加上所述调整量,得到当前距离对应的循环频率。
5.根据权利要求1~4中任意一项所述的基于循环维纳滤波的直升机噪声增强方法,其特征在于,所述步骤S02中根据各距离处对应的所述循环频率对获取的所述直升机噪声测量信号进行循环维纳滤波包括:
其中,t表示时间,η为x(t)的所有循环频率,x η (t)为移频后的信号;
将移频后的信号x η (t)作为新的输入信号输入至滤波器组h η (t),由所述滤波器组h η (t)中各组滤波器输出对应的输出信号y η (t);
对各所述输出信号y η (t)进行求和得到总输出信号y(t),使用期望输出信号d(t)与所述总输出信号y(t)进行求差运算得到误差函数e(t),根据所述误差函数e(t)使用 e 2(t)对各组滤波器的滤波器系数进行自适应调整,以实现最优滤波;
所述循环维纳滤波中所使用的循环维纳滤波器采用离散形式并按下式进行各组滤波器的权重系数迭代:
其中,μ是步长因子以用来调整权值系数,表示输入的离散信号x移频后的信号的
共轭,i=0,1, …,L-1,分别表示各个循环频率,L表示循环频率数量,n表
示离散点数,k为平移点数,w(n+1)为滤波器第n+1个离散点的权重系数,w(n)为滤波器第n
个离散点的权重系数,M为滤波器的阶数,为调整系数,表示输入的离散信号x移频时对应的滤波器的第一阶系数,表示输入的离散信号x移频时对应的滤波器的第
一阶系数,表示输入的离散信号x移频时对应的滤波器的第M阶系数,表
示输入的离散信号x移频时对应的滤波器的第M阶系数,表示输入的离散信号x
移频时对应的滤波器的第M阶系数,表示误差函数,分
别表示输入的离散信号x移频后的信号的共轭。
6.一种利用权利要求1~5中任意一项所述的基于循环维纳滤波的直升机噪声增强方法的检测方法,其特征在于,步骤包括:
在不同距离处对直升机噪声信号进行测量,得到不同距离处的测量信号;
按照权利要求1~5中任意一项所述的增强方法对所述测量信号中旋翼气动噪声进行增强,得到增强处理后的测量信号;
提取所述增强处理后的测量信号的包络谱;
对提取的所述包络谱进行分析,根据分析结果判断所述测量信号是否为直升机信号。
8.根据权利6所述的检测方法,其特征在于,所述对提取的所述包络谱进行分析,根据分析结果判断所述测量信号是否为直升机信号的步骤包括:
查找所述增强处理后的测量信号的包络谱中所有的谱峰,并获取查找到的各谱峰对应的频率;
统计谱峰与旋翼气动噪声的基频或谱峰与旋翼气动噪声的倍频之间的差值在预设范围以内的频率个数;
根据查找到的所述频率个数,判定所述测量信号是否为直升机信号。
9.根据权利要求8所述的检测方法,其特征在于,所述根据查找到的所述频率个数,判定所述测量信号是否为直升机信号包括:若所述频率个数大于预设阈值,则判定测量信号为直升机信号,否则判定为非直升机信号。
10.根据权利要求8所述的检测方法,其特征在于,所述查找所述增强处理后的测量信号的包络谱中所有的谱峰的步骤包括:
根据旋翼气动噪声的频带范围定义搜索频带B;
在所述搜索频带B内查找出所述增强处理后的测量信号的包络谱中所有疑似谱峰,并判断查找出的所述疑似谱峰的峰值是否大于预设阈值,如果是则判定所述疑似谱峰为所需查找的谱峰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210681975.XA CN114757242B (zh) | 2022-06-16 | 2022-06-16 | 基于循环维纳滤波的直升机噪声增强方法以及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210681975.XA CN114757242B (zh) | 2022-06-16 | 2022-06-16 | 基于循环维纳滤波的直升机噪声增强方法以及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114757242A true CN114757242A (zh) | 2022-07-15 |
CN114757242B CN114757242B (zh) | 2022-09-23 |
Family
ID=82336963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210681975.XA Active CN114757242B (zh) | 2022-06-16 | 2022-06-16 | 基于循环维纳滤波的直升机噪声增强方法以及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757242B (zh) |
Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4658426A (en) * | 1985-10-10 | 1987-04-14 | Harold Antin | Adaptive noise suppressor |
US5943170A (en) * | 1994-08-25 | 1999-08-24 | Inbar; Hanni | Adaptive or a priori filtering for detection of signals corrupted by noise |
US7079072B1 (en) * | 1987-01-23 | 2006-07-18 | Raytheon Company | Helicopter recognition radar processor |
CN102270341A (zh) * | 2011-04-20 | 2011-12-07 | 电子科技大学 | 一种自适应的高精度干涉sar相位估计方法 |
CN103020916A (zh) * | 2012-12-28 | 2013-04-03 | 北方工业大学 | 一种二维希尔伯特变换和bemd结合的图像去噪方法 |
CN104464745A (zh) * | 2014-12-17 | 2015-03-25 | 中航华东光电(上海)有限公司 | 一种双通道语音增强系统及其方法 |
CN107393550A (zh) * | 2017-07-14 | 2017-11-24 | 深圳永顺智信息科技有限公司 | 语音处理方法及装置 |
CN107748364A (zh) * | 2017-10-13 | 2018-03-02 | 中国民航大学 | 基于降秩多级维纳滤波器的低空风切变风场速度估计方法 |
CN108092645A (zh) * | 2017-12-21 | 2018-05-29 | 西安理工大学 | 一种凸组合自适应滤波器的滤波方法 |
CN108152815A (zh) * | 2017-12-26 | 2018-06-12 | 北京无线电计量测试研究所 | 一种毫米波成像噪声抑制方法、设备和可读存储介质 |
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 |
CN109117747A (zh) * | 2018-07-23 | 2019-01-01 | 电子科技大学 | 基于循环平稳与深度卷积神经网络的雷达信号分类方法 |
CN109658944A (zh) * | 2018-12-14 | 2019-04-19 | 中国电子科技集团公司第三研究所 | 直升机声信号增强方法及装置 |
CN109828318A (zh) * | 2019-01-25 | 2019-05-31 | 吉林大学 | 一种基于变分模态分解的磁共振测深信号噪声滤除方法 |
CN109840495A (zh) * | 2019-01-29 | 2019-06-04 | 浙江大学 | 一种低信噪比条件下的轴频线谱增强方法 |
WO2019112468A1 (en) * | 2017-12-08 | 2019-06-13 | Huawei Technologies Co., Ltd. | Multi-microphone noise reduction method, apparatus and terminal device |
CN109949361A (zh) * | 2018-12-16 | 2019-06-28 | 内蒙古工业大学 | 一种基于单目视觉定位的旋翼无人机姿态估计方法 |
CN110133425A (zh) * | 2019-06-10 | 2019-08-16 | 集美大学 | 一种海底电缆故障信号滤波方法、终端设备及存储介质 |
CN110470475A (zh) * | 2019-09-04 | 2019-11-19 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
CN111024209A (zh) * | 2019-12-25 | 2020-04-17 | 深圳金信诺高新技术股份有限公司 | 一种适用于矢量水听器的线谱检测方法 |
CN111623982A (zh) * | 2020-06-15 | 2020-09-04 | 大连理工大学 | 一种基于apewt和imomeda的行星齿轮箱早期故障诊断方法 |
CN111965604A (zh) * | 2020-07-24 | 2020-11-20 | 北京理工大学重庆创新中心 | 基于循环平稳的雷达干扰识别与抑制方法 |
CN112530449A (zh) * | 2020-10-20 | 2021-03-19 | 国网黑龙江省电力有限公司伊春供电公司 | 基于仿生小波变换的语音增强方法 |
CN112731283A (zh) * | 2020-12-24 | 2021-04-30 | 中国人民解放军91550部队 | 基于多级维纳滤波器的高亚音速飞行目标声学测向方法 |
CN113188797A (zh) * | 2021-04-16 | 2021-07-30 | 上海工程技术大学 | 一种基于传声器阵列的轴承故障诊断方法 |
CN113469060A (zh) * | 2021-07-02 | 2021-10-01 | 浙大城市学院 | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 |
CN113643679A (zh) * | 2021-10-14 | 2021-11-12 | 中国空气动力研究与发展中心低速空气动力研究所 | 基于级联滤波器的旋翼和尾桨气动噪声分离方法 |
CN113821978A (zh) * | 2021-09-29 | 2021-12-21 | 长沙理工大学 | 基于改进步长lms自适应算法的行波检测方法和系统 |
CN114216676A (zh) * | 2021-11-30 | 2022-03-22 | 上海海事大学 | 一种时变工况下无转速计的行星齿轮箱复合故障诊断方法 |
CN114554227A (zh) * | 2022-01-17 | 2022-05-27 | 广东工业大学 | 基于多尺度变换域自适应维纳滤波的压缩视频来源检测方法 |
-
2022
- 2022-06-16 CN CN202210681975.XA patent/CN114757242B/zh active Active
Patent Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4658426A (en) * | 1985-10-10 | 1987-04-14 | Harold Antin | Adaptive noise suppressor |
US7079072B1 (en) * | 1987-01-23 | 2006-07-18 | Raytheon Company | Helicopter recognition radar processor |
US5943170A (en) * | 1994-08-25 | 1999-08-24 | Inbar; Hanni | Adaptive or a priori filtering for detection of signals corrupted by noise |
CN102270341A (zh) * | 2011-04-20 | 2011-12-07 | 电子科技大学 | 一种自适应的高精度干涉sar相位估计方法 |
CN103020916A (zh) * | 2012-12-28 | 2013-04-03 | 北方工业大学 | 一种二维希尔伯特变换和bemd结合的图像去噪方法 |
CN104464745A (zh) * | 2014-12-17 | 2015-03-25 | 中航华东光电(上海)有限公司 | 一种双通道语音增强系统及其方法 |
CN107393550A (zh) * | 2017-07-14 | 2017-11-24 | 深圳永顺智信息科技有限公司 | 语音处理方法及装置 |
CN107748364A (zh) * | 2017-10-13 | 2018-03-02 | 中国民航大学 | 基于降秩多级维纳滤波器的低空风切变风场速度估计方法 |
WO2019112468A1 (en) * | 2017-12-08 | 2019-06-13 | Huawei Technologies Co., Ltd. | Multi-microphone noise reduction method, apparatus and terminal device |
CN108092645A (zh) * | 2017-12-21 | 2018-05-29 | 西安理工大学 | 一种凸组合自适应滤波器的滤波方法 |
CN108152815A (zh) * | 2017-12-26 | 2018-06-12 | 北京无线电计量测试研究所 | 一种毫米波成像噪声抑制方法、设备和可读存储介质 |
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 |
CN109117747A (zh) * | 2018-07-23 | 2019-01-01 | 电子科技大学 | 基于循环平稳与深度卷积神经网络的雷达信号分类方法 |
CN109658944A (zh) * | 2018-12-14 | 2019-04-19 | 中国电子科技集团公司第三研究所 | 直升机声信号增强方法及装置 |
CN109949361A (zh) * | 2018-12-16 | 2019-06-28 | 内蒙古工业大学 | 一种基于单目视觉定位的旋翼无人机姿态估计方法 |
CN109828318A (zh) * | 2019-01-25 | 2019-05-31 | 吉林大学 | 一种基于变分模态分解的磁共振测深信号噪声滤除方法 |
CN109840495A (zh) * | 2019-01-29 | 2019-06-04 | 浙江大学 | 一种低信噪比条件下的轴频线谱增强方法 |
CN110133425A (zh) * | 2019-06-10 | 2019-08-16 | 集美大学 | 一种海底电缆故障信号滤波方法、终端设备及存储介质 |
CN110470475A (zh) * | 2019-09-04 | 2019-11-19 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
CN111024209A (zh) * | 2019-12-25 | 2020-04-17 | 深圳金信诺高新技术股份有限公司 | 一种适用于矢量水听器的线谱检测方法 |
CN111623982A (zh) * | 2020-06-15 | 2020-09-04 | 大连理工大学 | 一种基于apewt和imomeda的行星齿轮箱早期故障诊断方法 |
CN111965604A (zh) * | 2020-07-24 | 2020-11-20 | 北京理工大学重庆创新中心 | 基于循环平稳的雷达干扰识别与抑制方法 |
CN112530449A (zh) * | 2020-10-20 | 2021-03-19 | 国网黑龙江省电力有限公司伊春供电公司 | 基于仿生小波变换的语音增强方法 |
CN112731283A (zh) * | 2020-12-24 | 2021-04-30 | 中国人民解放军91550部队 | 基于多级维纳滤波器的高亚音速飞行目标声学测向方法 |
CN113188797A (zh) * | 2021-04-16 | 2021-07-30 | 上海工程技术大学 | 一种基于传声器阵列的轴承故障诊断方法 |
CN113469060A (zh) * | 2021-07-02 | 2021-10-01 | 浙大城市学院 | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 |
CN113821978A (zh) * | 2021-09-29 | 2021-12-21 | 长沙理工大学 | 基于改进步长lms自适应算法的行波检测方法和系统 |
CN113643679A (zh) * | 2021-10-14 | 2021-11-12 | 中国空气动力研究与发展中心低速空气动力研究所 | 基于级联滤波器的旋翼和尾桨气动噪声分离方法 |
CN114216676A (zh) * | 2021-11-30 | 2022-03-22 | 上海海事大学 | 一种时变工况下无转速计的行星齿轮箱复合故障诊断方法 |
CN114554227A (zh) * | 2022-01-17 | 2022-05-27 | 广东工业大学 | 基于多尺度变换域自适应维纳滤波的压缩视频来源检测方法 |
Non-Patent Citations (6)
Title |
---|
DANY ABBOUD等: "Optimal Filtering of Cyclic Transients and Its Application to Helicopter Gearbox Diagnosis", 《PROCEEDINGS OF THE 10TH INTERNATIONAL CONFERENCE ON ROTOR DYNAMICS-IFTOMM》 * |
RAN WANG等: "Aerodynamic noise separation of helicopter main and tail rotors using a cascade filter with Vold-Kalman filter and cyclic Wiener filter", 《APPLIED ACOUSTICS》 * |
李保明: "旋翼飞行器噪声抑制及机舱内语音增强", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
王勇等: "基于Gammatone倒谱系数的直升机声信号识别", 《湖南大学学报(自然科学版)》 * |
王勇等: "基于Mel谱特征提取的直升机声信号识别", 《计算机仿真》 * |
陈永彬等: "一种旋翼叶片微动特征提取新方法", 《雷达科学与技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114757242B (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105223576B (zh) | 一种基于单矢量潜标的线谱信号目标自动检测方法 | |
CN111024209B (zh) | 一种适用于矢量水听器的线谱检测方法 | |
CN110173439B (zh) | 一种基于均衡平方包络谱的泵汽蚀初生识别方法 | |
CN111044814B (zh) | 一种对变压器直流偏磁异常进行辨识的方法及系统 | |
CN108921014A (zh) | 一种基于改进噪声包络信号识别的螺旋桨轴频搜索方法 | |
Han et al. | Roller bearing fault diagnosis based on LMD and multi-scale symbolic dynamic information entropy | |
CN107843406B (zh) | 基于脉动压力相关函数的空腔模态波运动特征确定方法 | |
Luo et al. | Fault diagnosis of rolling element bearing using an adaptive multiscale enhanced combination gradient morphological filter | |
Lv et al. | Gear fault feature extraction based on fuzzy function and improved Hu invariant moments | |
CN114199364A (zh) | 一种航空发动机的振动监测系统 | |
CN114757242B (zh) | 基于循环维纳滤波的直升机噪声增强方法以及检测方法 | |
CN114325740A (zh) | 一种应用于激光多普勒测速仪的速度测量方法与系统 | |
Gong et al. | Nonlinear vibration feature extraction based on power spectrum envelope adaptive empirical Fourier decomposition | |
Zhong et al. | A parameter-adaptive VME method based on particle swarm optimization for bearing fault diagnosis | |
Quach et al. | Automatic target detection using a ground-based passive acoustic sensor | |
CN113988125A (zh) | 一种基于改进同步压缩变换的扭振信号瞬时频率提取方法 | |
CN111323233B (zh) | 一种用于低速旋转机械故障诊断的局部均值分解方法 | |
Xi-ying et al. | Application of BP neural network and higher order spectrum for ship-radiated noise classification | |
CN108334822B (zh) | 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法 | |
Zhu et al. | Fault feature extraction of rolling element bearing under complex transmission path based on multiband signals cross-correlation spectrum | |
Luo et al. | Envelope Analysis Scheme for Multi-Faults Vibration of Gearbox Based on Self-Adaptive Noise Cancellation | |
Chen et al. | An improved algorithm of trubulence signal denoising based on lms adaptive filtering | |
Yu et al. | Threshing cylinder unbalance detection using a signal extraction method based on parameter-adaptive variational mode decomposition | |
Liu et al. | A novel method for the optimal frequency band selection of rolling element bearing faults diagnosis based on frequency domain multipoint kurtogram | |
CN218211616U (zh) | 一种风机叶片气动噪声检测仪 |
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 |