JP6826276B1 - パルス周波数の特徴パターンの識別に基づくプロペラキャビテーションの程度の識別方法 - Google Patents
パルス周波数の特徴パターンの識別に基づくプロペラキャビテーションの程度の識別方法 Download PDFInfo
- Publication number
- JP6826276B1 JP6826276B1 JP2020125982A JP2020125982A JP6826276B1 JP 6826276 B1 JP6826276 B1 JP 6826276B1 JP 2020125982 A JP2020125982 A JP 2020125982A JP 2020125982 A JP2020125982 A JP 2020125982A JP 6826276 B1 JP6826276 B1 JP 6826276B1
- Authority
- JP
- Japan
- Prior art keywords
- frequency
- value
- signal
- spectrum
- identification
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63H—MARINE PROPULSION OR STEERING
- B63H1/00—Propulsive elements directly acting on water
- B63H1/02—Propulsive elements directly acting on water of rotary type
- B63H1/12—Propulsive elements directly acting on water of rotary type with rotation axis substantially in propulsive direction
- B63H1/14—Propellers
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
【課題】プロペラキャビテーションの程度の識別方法を提供する。【解決手段】水中のプロペラのノイズ信号を採取するステップと、循環密度スペクトルを得るステップと、対数座標下の増強包絡線スペクトルを平均して構築するステップと、ソースデータに対して改善の時間領域の平均を行うステップと、（５）対応する固有モード関数ＩＭＦを得るステップと、恒誤警報率検出統計の異なったキャビテーション状態、異なった階数の固有モード関数のパルス周波数を用いるステップと、ＢＰニューラルネットワーク訓練識別を経てキャビテーション状態の判定を得るステップと、を含む。【選択図】図１
Description
本発明は、信号処理および特徴量抽出分野に属し、特にパルス周波数の特徴パターンの識
別に基づくプロペラキャビテーションの程度の識別方法に関する。
別に基づくプロペラキャビテーションの程度の識別方法に関する。
キャビテーションはプロペラの使用においてよく見られる問題である。キャビテーション
の生成および発展は、流路内速度分布に影響するだけでなく、プロペラ動作モードを悪く
させ、効率を低下させ、かつその動的応答に影響し、長時間のキャビテーションはまたイ
ンペラなどの過流部材を深刻に負傷する。適当な故障診断、識別方法を模索して、効果的
にプロペラキャビテーションを制御することは重要な意味を有する。
の生成および発展は、流路内速度分布に影響するだけでなく、プロペラ動作モードを悪く
させ、効率を低下させ、かつその動的応答に影響し、長時間のキャビテーションはまたイ
ンペラなどの過流部材を深刻に負傷する。適当な故障診断、識別方法を模索して、効果的
にプロペラキャビテーションを制御することは重要な意味を有する。
キャビテーション状態の識別はプロペラ状態監視の難点の一つであり、現在信号処理分野
は、常用される回転機械の故障検出方法はフーリエ変換法、短時間フーリエ変換法、ウェ
ーブレット変換、第二世代ウェーブレット変換および多いウェーブレット変換などが主に
あり、これらは内積原理に基づく特徴波形基底関数の信号分解と言える。素早く特徴波形
の互いに合わした基底関数を運用してより良く処理信号をし、障害診断を抽出し、これに
よって故障診断を実現する。
は、常用される回転機械の故障検出方法はフーリエ変換法、短時間フーリエ変換法、ウェ
ーブレット変換、第二世代ウェーブレット変換および多いウェーブレット変換などが主に
あり、これらは内積原理に基づく特徴波形基底関数の信号分解と言える。素早く特徴波形
の互いに合わした基底関数を運用してより良く処理信号をし、障害診断を抽出し、これに
よって故障診断を実現する。
しかしながら、従来技術には、以下の欠点と不足が存在する。
フーリエ変換法、短時間フーリエ変換法、ウェーブレット変換、第二世代ウェーブレット
変換および多いウェーブレット変換などの異常検出の方法は全て仮定信号は定常信号のも
のであることという基礎に基づき確立されており、現実では非定常信号が多々あり、これ
によりこれらの検出方法は全て不合理な箇所所があり、現実に合わない。また、これらの
従来検出方法は理論的に制限によって、回転機の複数の重要な特徴を検出するのがとても
難しい。例えば、ブレードは周波数ＢＰＦ、ベーン比周波数ＢＲＦなどによって、大きい
限界性がある。
変換および多いウェーブレット変換などの異常検出の方法は全て仮定信号は定常信号のも
のであることという基礎に基づき確立されており、現実では非定常信号が多々あり、これ
によりこれらの検出方法は全て不合理な箇所所があり、現実に合わない。また、これらの
従来検出方法は理論的に制限によって、回転機の複数の重要な特徴を検出するのがとても
難しい。例えば、ブレードは周波数ＢＰＦ、ベーン比周波数ＢＲＦなどによって、大きい
限界性がある。
異なったキャビテーション状態下において、空泡の行為は異なった周波数帯を生成するパ
ルス信号とみなすことができ、それにより、時間領域信号にこれらのパルス互いに積み重
ねて、且つノイズ中に埋没する。
ルス信号とみなすことができ、それにより、時間領域信号にこれらのパルス互いに積み重
ねて、且つノイズ中に埋没する。
そのため、低信号ノイズ比の条件でパルス周波数を分離し抽出することがプロペラキャビ
テーション状態の識別の基礎になった。
テーション状態の識別の基礎になった。
本発明はパルス周波数の特徴パターンの識別に基づくプロペラキャビテーションの程度の
識別方法を提供し、プロペラの異なるキャビテーション状態での統計的特徴を示し、得ら
れる状態の推定は更に正確であり、更なる信号処理および故障診断に現実的な指導意義を
有する。
識別方法を提供し、プロペラの異なるキャビテーション状態での統計的特徴を示し、得ら
れる状態の推定は更に正確であり、更なる信号処理および故障診断に現実的な指導意義を
有する。
パルス周波数の特徴パターンの識別に基づくプロペラキャビテーションの程度の識別方法
であって、
(1)異なったキャビテーション状態下の水中のプロペラのノイズ信号を採取するステップ
と、
(2)採取したノイズ信号をプログラムに入力して、高速安定特徴関数を計算して、循環密
度スペクトルを得るステップと、
(3)得た循環密度スペクトルを正規化し、循環コヒレントスペクトルを得て、次にさらに
積分して対数座標下の増強包絡線スペクトルを平均して構築するステップと、
(4)得た増強包絡線スペクトルに基づいて特徴周波数を判断し、その対応する時間周期の
整数倍を選択し、ソースデータに対して改善の時間領域の平均を行うステップと、
(5)改善の時間領域の平均した後の信号に集合経験モード分解ＥＥＭＤをし、対応する固
有モード関数ＩＭＦを得るステップと、
(6)恒誤警報率検出統計の異なったキャビテーション状態、異なった階数の固有モード関
数のパルス周波数を用いるステップと、
(7)上記パルス周波数を特性行列とし、ＢＰニューラルネットワーク訓練識別を経てキャ
ビテーション状態の判定を得るステップと、
を含むことを特徴とするパルス周波数の特徴パターンの識別に基づくプロペラキャビテー
ションの程度の識別方法である。
であって、
(1)異なったキャビテーション状態下の水中のプロペラのノイズ信号を採取するステップ
と、
(2)採取したノイズ信号をプログラムに入力して、高速安定特徴関数を計算して、循環密
度スペクトルを得るステップと、
(3)得た循環密度スペクトルを正規化し、循環コヒレントスペクトルを得て、次にさらに
積分して対数座標下の増強包絡線スペクトルを平均して構築するステップと、
(4)得た増強包絡線スペクトルに基づいて特徴周波数を判断し、その対応する時間周期の
整数倍を選択し、ソースデータに対して改善の時間領域の平均を行うステップと、
(5)改善の時間領域の平均した後の信号に集合経験モード分解ＥＥＭＤをし、対応する固
有モード関数ＩＭＦを得るステップと、
(6)恒誤警報率検出統計の異なったキャビテーション状態、異なった階数の固有モード関
数のパルス周波数を用いるステップと、
(7)上記パルス周波数を特性行列とし、ＢＰニューラルネットワーク訓練識別を経てキャ
ビテーション状態の判定を得るステップと、
を含むことを特徴とするパルス周波数の特徴パターンの識別に基づくプロペラキャビテー
ションの程度の識別方法である。
従来の方法と比較し、本発明は、循環安定の周期推定に基づいて時間領域を平均させる効
果は更に正確であり、同時に、ＥＥＭＤの結果が異なった周波数帯のパルスのものは積み
重ねを減少することができ、更に正確に異なったキャビテーション状態のパルス周波数を
得るができる。
果は更に正確であり、同時に、ＥＥＭＤの結果が異なった周波数帯のパルスのものは積み
重ねを減少することができ、更に正確に異なったキャビテーション状態のパルス周波数を
得るができる。
本発明の方法は、プロペラの異なるキャビテーション状態のパルス周波数を示し、得た状
態の推定がより一層プロペラのキャビテーションのノイズの本質にに接近し、得られたパ
ルス周波数によって、初歩の状態識別および故障診断を実現することができる。
態の推定がより一層プロペラのキャビテーションのノイズの本質にに接近し、得られたパ
ルス周波数によって、初歩の状態識別および故障診断を実現することができる。
ステップ（２）における高速安定特徴関数は、
であり、
αは循環周波数であり、ｆはスペクトル周波数とし、ｘは被試験信号とし、Ｘは信号ｘの
スペクトルとし、Ｘ＊は表示されるＸの共役複素数であり、Ｅ（・）は数学的期待値とし
、そのうち、ｘの振幅変調モデルの数学的表現は、
であり、そのうち、Ａｉが各特徴周波数に対応する振幅であり、αｉは特徴周波数の２倍
とし、ｔは時間を示し、Ｎは数を示し、ｖ（ｔ）は背景ノイズを示す。
であり、
αは循環周波数であり、ｆはスペクトル周波数とし、ｘは被試験信号とし、Ｘは信号ｘの
スペクトルとし、Ｘ＊は表示されるＸの共役複素数であり、Ｅ（・）は数学的期待値とし
、そのうち、ｘの振幅変調モデルの数学的表現は、
であり、そのうち、Ａｉが各特徴周波数に対応する振幅であり、αｉは特徴周波数の２倍
とし、ｔは時間を示し、Ｎは数を示し、ｖ（ｔ）は背景ノイズを示す。
ステップ（３）における循環コヒレントスペクトルの数式は、
であり、式中、
は、気泡動作モードに対応する循環コヒレントスペクトルであり、
は気泡動作モードに対応する循環密度スペクトルであり、
は気泡動作モード対応に対応する循環周波数を０とする循環密度スペクトルである。
であり、式中、
は、気泡動作モードに対応する循環コヒレントスペクトルであり、
は気泡動作モードに対応する循環密度スペクトルであり、
は気泡動作モード対応に対応する循環周波数を０とする循環密度スペクトルである。
ステップ（３）における対数座標で構築する増強包絡線スペクトルの具体的手順は、
(3-1)増強包絡線スペクトルのそれぞれの周波数に対応する関数値を計算するステップと
、そのうち、前記増強包絡線スペクトルの数式は、
であり、式中、
は気泡動作モードに対応する循環コヒレントスペクトルであり、
(3-2)関数値を１０の対数計算を取ることによって音圧レベルを得て、得た対数の関数の
値の範囲に基づいて、値の範囲を設置し、残りの対数関数値を代入して最も対応する値と
するステップと、
(3-3)対応の座標ポイントおよび関数値に基づいて、対数座標下の増強包絡線スペクトル
を構築するステップと、
を含む。
(3-1)増強包絡線スペクトルのそれぞれの周波数に対応する関数値を計算するステップと
、そのうち、前記増強包絡線スペクトルの数式は、
であり、式中、
は気泡動作モードに対応する循環コヒレントスペクトルであり、
(3-2)関数値を１０の対数計算を取ることによって音圧レベルを得て、得た対数の関数の
値の範囲に基づいて、値の範囲を設置し、残りの対数関数値を代入して最も対応する値と
するステップと、
(3-3)対応の座標ポイントおよび関数値に基づいて、対数座標下の増強包絡線スペクトル
を構築するステップと、
を含む。
ステップ（４）における改善の時間領域平均の数式は、
であり、そのうち、ｘ（ｎ）は時間間隔であり、Δｔは離散サンプルで得られる時刻信号
であり、Ｎは平均の周期スロット数とし、Ｍは一周期中のサンプリングポイント数とし、
ｙ（ｎ）は改善の時間領域平均後に得た信号とする。
であり、そのうち、ｘ（ｎ）は時間間隔であり、Δｔは離散サンプルで得られる時刻信号
であり、Ｎは平均の周期スロット数とし、Ｍは一周期中のサンプリングポイント数とし、
ｙ（ｎ）は改善の時間領域平均後に得た信号とする。
ステップ（４）における特徴周波数を判断する方法は、増強包絡線スペクトルの振幅の最
高のラインスペクトルに対応する周波数を用いることと、それが対応する時間周期の整数
倍を用いて循環周波数解像度および平均セグメント数の要求を満たす。
高のラインスペクトルに対応する周波数を用いることと、それが対応する時間周期の整数
倍を用いて循環周波数解像度および平均セグメント数の要求を満たす。
時間周期長の選択は、以下の両方面の条件を満たさなければいけない。第１は、循環周波
数の解像度の要求であり、その値Δα＝（ニアリーイコール）１／Ｔ、そのうちＴ＝Ｍ／
Ｆｓであって、時間周期とし、Ｆｓはサンプル周波数として、例えば循環周波数解像度が
０．１Ｈｚに達することを要求する時、必要なＴはおよそ１０Ｓとする；第２は、平均セ
グメント数に対する要求であり、解像度の要件を満足することおよび計算効率許容の条件
の下で、Ｎが大きければ、大きいほどノイズ低減のは明らかである。
数の解像度の要求であり、その値Δα＝（ニアリーイコール）１／Ｔ、そのうちＴ＝Ｍ／
Ｆｓであって、時間周期とし、Ｆｓはサンプル周波数として、例えば循環周波数解像度が
０．１Ｈｚに達することを要求する時、必要なＴはおよそ１０Ｓとする；第２は、平均セ
グメント数に対する要求であり、解像度の要件を満足することおよび計算効率許容の条件
の下で、Ｎが大きければ、大きいほどノイズ低減のは明らかである。
ステップ（５）における集合経験モード分解ＥＥＭＤを算定ステップは、 (5-1)信号中に
(5-1)ガウス分布のホワイトノイズを添加するステップと、
(5-2)ガウス分布のホワイトノイズを添加した信号配列ｘ（ｔ）のすべての極大値点およ
び極小値点を探し、それを三次のスプライン関数によりそれぞれ元配列の上下の包絡線で
近似し、上下の包絡線の平均値はｍ１（ｔ）とし、元データ配列をｍ１（ｔ）を減じて低
周波の新規配列ｈ１（ｔ）、ｈ１（ｔ）＝ｘ（ｔ）−ｍ１（ｔ）を獲得し、
差値とＩＭＦの条件とにより、継続して分解して上記の過程を繰り返すかどうかと判断
することを行い、第１の固有モード関数分量ｃ１（ｔ）を得て、その信号データ配列の最
高周波の成分を示すステップと、
(5-3)ｘ（ｔ）でｃ１（ｔ）を減じ、高周波数成分をカットした新規データ配列ｒ１（ｔ
）を獲得し、ｒ１（ｔ）をガウス分布のホワイトノイズに添加して、再び上記ステップ（
５−２）の分解を行い、第２の固有モード関数分量ｃ２（ｔ）を得て、最後の１個のデー
タ列ｒｎ（ｔ）が分解できないまで繰り返すステップと、
(5-4)（５−１）〜（５−３）を反復して、毎回新規ホワイトノイズ配列を添加するステ
ップと、
(5-5)毎回を得られる固有モード関数ＩＭＦの集積の平均値を最終結果とするステップと
、
を含む。
(5-1)ガウス分布のホワイトノイズを添加するステップと、
(5-2)ガウス分布のホワイトノイズを添加した信号配列ｘ（ｔ）のすべての極大値点およ
び極小値点を探し、それを三次のスプライン関数によりそれぞれ元配列の上下の包絡線で
近似し、上下の包絡線の平均値はｍ１（ｔ）とし、元データ配列をｍ１（ｔ）を減じて低
周波の新規配列ｈ１（ｔ）、ｈ１（ｔ）＝ｘ（ｔ）−ｍ１（ｔ）を獲得し、
差値とＩＭＦの条件とにより、継続して分解して上記の過程を繰り返すかどうかと判断
することを行い、第１の固有モード関数分量ｃ１（ｔ）を得て、その信号データ配列の最
高周波の成分を示すステップと、
(5-3)ｘ（ｔ）でｃ１（ｔ）を減じ、高周波数成分をカットした新規データ配列ｒ１（ｔ
）を獲得し、ｒ１（ｔ）をガウス分布のホワイトノイズに添加して、再び上記ステップ（
５−２）の分解を行い、第２の固有モード関数分量ｃ２（ｔ）を得て、最後の１個のデー
タ列ｒｎ（ｔ）が分解できないまで繰り返すステップと、
(5-4)（５−１）〜（５−３）を反復して、毎回新規ホワイトノイズ配列を添加するステ
ップと、
(5-5)毎回を得られる固有モード関数ＩＭＦの集積の平均値を最終結果とするステップと
、
を含む。
ＩＭＦの条件は次の通りである。
１．信号の極値点（極大値あるいは極小値）の数およびゼロクロス点の数は等しい或いは
最大でも１個差である。
２．局所極大値によって構成される上側包絡線および局所極小値によって構成される下側
包絡線線の平均値は０とする。
１．信号の極値点（極大値あるいは極小値）の数およびゼロクロス点の数は等しい或いは
最大でも１個差である。
２．局所極大値によって構成される上側包絡線および局所極小値によって構成される下側
包絡線線の平均値は０とする。
ステップ（６）では、前記恒誤警報率は上昇エッジ計数方法を用いることを検出し、上昇
エッジ判断条件は以下である。原状態は降下とし、且つ時系列の連続する二点に対して、
第１点の値は閾値よりも小さく、第２点の値は閾値よりも大きい。降下エッジの判断条件
は以下である。原状態は上昇とし、且つ時系列の連続する二点に対して、第１点の値は閾
値よりも大きく第２点の値は閾値よりも小さい。
エッジ判断条件は以下である。原状態は降下とし、且つ時系列の連続する二点に対して、
第１点の値は閾値よりも小さく、第２点の値は閾値よりも大きい。降下エッジの判断条件
は以下である。原状態は上昇とし、且つ時系列の連続する二点に対して、第１点の値は閾
値よりも大きく第２点の値は閾値よりも小さい。
適応閾値検出器はＣＦＡＲ検出の１種類とし、その原理は近接距離の単位パワーによって
被探査単位ユニットの平均パワーを推定し、推定した平均パワーに１個の係数に乗じて検
出閾値とする。
被探査単位ユニットの平均パワーを推定し、推定した平均パワーに１個の係数に乗じて検
出閾値とする。
ノイズがレイリー分布に従うと仮定し、その確率密度変数は以下の通りである。
そのうち、Ｐｎ＝２ｂ２はノイズの平均パワーとする。
誤警報率は以下の通りである。
そのうち、η＝−ＰｎｌｎＰｆは閾値とする。
そのうち、Ｐｎ＝２ｂ２はノイズの平均パワーとする。
誤警報率は以下の通りである。
そのうち、η＝−ＰｎｌｎＰｆは閾値とする。
これにより、得られるのは、ノイズの平均パワーが決定する時、１の係数を閾値に乗じて
得られる恒誤警報率を保証し、これによって適応の比較的低恒誤警報の統計検出を実現す
る。
得られる恒誤警報率を保証し、これによって適応の比較的低恒誤警報の統計検出を実現す
る。
上昇エッジ計数方法の具体的手順は次の通りである。
(6-1)単位時間の固有モード関数ＩＭＦ信号を入力し、信号の平均値および分散に基づい
て恒定誤警報率の大きさを設定し、適応閾値検出器から閾値を得るステップと、
(6-2)信号の前２点に対して上昇エッジおよび降下エッジを順次に判定し、上昇エッジの
判定を満たすと、パルスカウンタに“１を加える”操作するステップと、
(6-3)判定した点数を次第に後に移して、入力信号のすべての点を巡回するまで繰り返す
ステップと、
を含む。
(6-1)単位時間の固有モード関数ＩＭＦ信号を入力し、信号の平均値および分散に基づい
て恒定誤警報率の大きさを設定し、適応閾値検出器から閾値を得るステップと、
(6-2)信号の前２点に対して上昇エッジおよび降下エッジを順次に判定し、上昇エッジの
判定を満たすと、パルスカウンタに“１を加える”操作するステップと、
(6-3)判定した点数を次第に後に移して、入力信号のすべての点を巡回するまで繰り返す
ステップと、
を含む。
ステップ（７）におけるＢＰニューラルネットの構築および訓練はＭＡＴＬＡＢ（登録商
標）のキットにより完成させ、特性行列を訓練検証およびテスト後に分け、それぞれ正規
化プロセスを作り、３層のネットワークを用いて、隠れ層のノード数はデフォルトの１０
を用いて、出力層ノード数は４とし、４種類のキャビテーション状態に対応する。
標）のキットにより完成させ、特性行列を訓練検証およびテスト後に分け、それぞれ正規
化プロセスを作り、３層のネットワークを用いて、隠れ層のノード数はデフォルトの１０
を用いて、出力層ノード数は４とし、４種類のキャビテーション状態に対応する。
４種類のキャビテーション状態はそれぞれ、ピン渦巻きのキャビテーション、片キャビテ
ーション、泡キャビテーション、ガイドベーンキャビテーションである。
ーション、泡キャビテーション、ガイドベーンキャビテーションである。
従来技術と比べ、本発明は以下の利点を有する。
本発明は、改善の時間領域平均化方法によって、信号の周期包絡線情報の一部分を抽出す
ることができ、且つその影響を取り除くことができ、そのうちの周期包絡線情報は循環安
定分析によって得ることができ、従来の検出方法を比べて、実信号に更に接近し、これに
よって低信ノイズ比の問題を解決する。
本発明は、改善の時間領域平均化方法によって、信号の周期包絡線情報の一部分を抽出す
ることができ、且つその影響を取り除くことができ、そのうちの周期包絡線情報は循環安
定分析によって得ることができ、従来の検出方法を比べて、実信号に更に接近し、これに
よって低信ノイズ比の問題を解決する。
本発明は、集合経験モード分解（ＥＥＭＤ）を用いて、ＥＭＤを基礎としてホワイトノイ
ズおよび平均のステップを増加し、ＥＭＤがもたらすエイリアシング（混合して重畳する
こと）問題を解決した。その後、誤警報検出により、頑健的に異なったＩＭＦのパルス周
波数を統計することができ、異なったキャビテーション段階の特徴を反映し、最終的には
キャビテーション状態の推定が更に正確にすることができる。
ズおよび平均のステップを増加し、ＥＭＤがもたらすエイリアシング（混合して重畳する
こと）問題を解決した。その後、誤警報検出により、頑健的に異なったＩＭＦのパルス周
波数を統計することができ、異なったキャビテーション段階の特徴を反映し、最終的には
キャビテーション状態の推定が更に正確にすることができる。
以下、図と実施例を合わせて、本発明にさらに詳細に説明し、指摘が必要なのは、以下の
実施例は本発明に対する理解に便利にすることを目標とし、それにり、何ら限定作用が起
きることができないということである。
実施例は本発明に対する理解に便利にすることを目標とし、それにり、何ら限定作用が起
きることができないということである。
図１に示すように、パルス周波数の特徴パターンの識別に基づくプロペラキャビテーシ
ョンの程度の識別方法は、以下のステップを含む。
ョンの程度の識別方法は、以下のステップを含む。
Ｓ０１、水中聴音器を用いて水中のプロペラのノイズを採取する。]
Ｓ０２、プログラムの中で適応するパラメータを設定し、採取することができた信号をプ
ログラムの中へ入力して、循環周期密度スペクトルを計算する。
であり、
αは循環周波数であり、ｆはスペクトル周波数とし、ｘは被試験信号とし、Ｘは信号ｘの
スペクトルとし、Ｘ＊は表示されるＸの共役複素数であり、Ｅ（・）は数学的期待値とす
る。
そのうち、ｘの振幅変調モデルの数学的表現は、
であり、そのうち、Ａｉが各特徴周波数に対応する振幅であり、αｉは特徴周波数の２倍
とし、ｔは時間を示し、Ｎは数を示し、ｖ（ｔ）は背景ノイズを示す。
ログラムの中へ入力して、循環周期密度スペクトルを計算する。
であり、
αは循環周波数であり、ｆはスペクトル周波数とし、ｘは被試験信号とし、Ｘは信号ｘの
スペクトルとし、Ｘ＊は表示されるＸの共役複素数であり、Ｅ（・）は数学的期待値とす
る。
そのうち、ｘの振幅変調モデルの数学的表現は、
であり、そのうち、Ａｉが各特徴周波数に対応する振幅であり、αｉは特徴周波数の２倍
とし、ｔは時間を示し、Ｎは数を示し、ｖ（ｔ）は背景ノイズを示す。
Ｓ０３、Ｓ０２中から周期安定特徴関数を計算して得られた循環密度関数であり、下記数
式に基づいて増強包絡線スペクトルの各循環周波数に対応した関数値を計算する。
Ｓ０４、関数値を１０の対数計算などによって音圧レベルを得て、得た対数の関数値の範
囲に基づいて、最値の制限を設置し、対応する座標点および関数値に基づいて、対数座標
下の増強包絡線スペクトルを構築する。
囲に基づいて、最値の制限を設置し、対応する座標点および関数値に基づいて、対数座標
下の増強包絡線スペクトルを構築する。
Ｓ０５、得た増強包絡線スペクトルに基づいて、最高峰に対応する周波数推定値を特徴周
波数とし、その対応する時間周期で、適切な整数倍を選択し、ソースデータに対して改善
の時間領域平均を行う。改善の時間領域平均の出力は次の通りである。
であり、そのうち、ｘ（ｎ）は時間間隔であり、Δｔは離散サンプルで得られる時刻信号
であり、Ｎは平均の周期スロット数とし、Ｍは一周期中のサンプリングポイント数とし、
ｙ（ｎ）は改善の時間領域平均後に得た信号とする。
波数とし、その対応する時間周期で、適切な整数倍を選択し、ソースデータに対して改善
の時間領域平均を行う。改善の時間領域平均の出力は次の通りである。
であり、そのうち、ｘ（ｎ）は時間間隔であり、Δｔは離散サンプルで得られる時刻信号
であり、Ｎは平均の周期スロット数とし、Ｍは一周期中のサンプリングポイント数とし、
ｙ（ｎ）は改善の時間領域平均後に得た信号とする。
時間周期の推定、ステップＳ０４中の増強包絡線スペクトルが対応するラインスペクト
ルから、一般的に振幅が最高のラインスペクトルに対する周波数を特徴周波数として採用
する。
ルから、一般的に振幅が最高のラインスペクトルに対する周波数を特徴周波数として採用
する。
時間周期長の選択は、以下の両方面の条件を満たさなければいけない。第１は、循環周波
数の解像度の要求であり、その値Δα＝（ニアリーイコール）１／Ｔ、そのうちＴ＝Ｍ／
Ｆｓであって、時間周期とし、Ｆｓはサンプル周波数として、例えば循環周波数解像度が
０．１Ｈｚに達することを要求する時、必要なＴはおよそ１０Ｓとする；第２は、平均セ
グメント数に対する要求であり、解像度の要件を満足することおよび計算効率許容の条件
の下で、Ｎが大きければ、大きいほどノイズ低減のは明らかである。
数の解像度の要求であり、その値Δα＝（ニアリーイコール）１／Ｔ、そのうちＴ＝Ｍ／
Ｆｓであって、時間周期とし、Ｆｓはサンプル周波数として、例えば循環周波数解像度が
０．１Ｈｚに達することを要求する時、必要なＴはおよそ１０Ｓとする；第２は、平均セ
グメント数に対する要求であり、解像度の要件を満足することおよび計算効率許容の条件
の下で、Ｎが大きければ、大きいほどノイズ低減のは明らかである。
Ｓ０６、改善の時間領域平均後の信号ｙ（ｎ）に対して、集合経験モード分解（ＥＥＭＤ
）をして、対応する固有モード関数（ＩＭＦ）を得る。
）をして、対応する固有モード関数（ＩＭＦ）を得る。
ＩＭＦの条件は次の通りである。
１．信号の極値点（極大値あるいは極小値）の数およびゼロクロス点の数は等しい或いは
最大でも１個差である。
２．局所極大値によって構成される上側包絡線および局所極小値によって構成される下側
包絡線線の平均値は０とする。
１．信号の極値点（極大値あるいは極小値）の数およびゼロクロス点の数は等しい或いは
最大でも１個差である。
２．局所極大値によって構成される上側包絡線および局所極小値によって構成される下側
包絡線線の平均値は０とする。
ＥＥＭＤの算定ステップは、下記の通りである。
(Ｓ０６-１)信号中にガウス分布のホワイトノイズを添加する。
(Ｓ０６-２)ガウス分布のホワイトノイズを添加した信号配列ｘ（ｔ）のすべての極大値
点および極小値点を探し、それを三次のスプライン関数によりそれぞれ元配列の上下の包
絡線で近似し、上下の包絡線の平均値はｍ１（ｔ）とし、元データ配列をｍ１（ｔ）を減
じて低周波の新規配列ｈ１（ｔ）、ｈ１（ｔ）＝ｘ（ｔ）−ｍ１（ｔ）を獲得し、
差値とＩＭＦの条件とにより、継続して分解して上記の過程を繰り返すかどうかと判断
することを行い、第１の固有モード関数分量ｃ１（ｔ）を得て、その信号データ配列の最
高周波の成分を示す。
(Ｓ０６-３)ｘ（ｔ）でｃ１（ｔ）を減じ、高周波数成分をカットした新規データ配列ｒ
１（ｔ）を獲得し、ｒ１（ｔ）をガウス分布のホワイトノイズに添加して、再び上記ステ
ップ（５−２）の分解を行い、第２の固有モード関数分量ｃ２（ｔ）を得て、最後の１個
のデータ列ｒｎ（ｔ）が分解できないまで繰り返す。
(Ｓ０６-４)（５−１）〜（５−３）を反復して、毎回新規ホワイトノイズ配列を添加す
る。
(Ｓ０６-５)毎回を得られる固有モード関数ＩＭＦの集積の平均値を最終結果とする。
(Ｓ０６-１)信号中にガウス分布のホワイトノイズを添加する。
(Ｓ０６-２)ガウス分布のホワイトノイズを添加した信号配列ｘ（ｔ）のすべての極大値
点および極小値点を探し、それを三次のスプライン関数によりそれぞれ元配列の上下の包
絡線で近似し、上下の包絡線の平均値はｍ１（ｔ）とし、元データ配列をｍ１（ｔ）を減
じて低周波の新規配列ｈ１（ｔ）、ｈ１（ｔ）＝ｘ（ｔ）−ｍ１（ｔ）を獲得し、
差値とＩＭＦの条件とにより、継続して分解して上記の過程を繰り返すかどうかと判断
することを行い、第１の固有モード関数分量ｃ１（ｔ）を得て、その信号データ配列の最
高周波の成分を示す。
(Ｓ０６-３)ｘ（ｔ）でｃ１（ｔ）を減じ、高周波数成分をカットした新規データ配列ｒ
１（ｔ）を獲得し、ｒ１（ｔ）をガウス分布のホワイトノイズに添加して、再び上記ステ
ップ（５−２）の分解を行い、第２の固有モード関数分量ｃ２（ｔ）を得て、最後の１個
のデータ列ｒｎ（ｔ）が分解できないまで繰り返す。
(Ｓ０６-４)（５−１）〜（５−３）を反復して、毎回新規ホワイトノイズ配列を添加す
る。
(Ｓ０６-５)毎回を得られる固有モード関数ＩＭＦの集積の平均値を最終結果とする。
Ｓ０７、Ｓ０６に基づいて得られる異なったキャビテーション状態、異なった階数のＩＭ
Ｆに基づき、上昇エッジ計数方法を用いてパルス周波数を統計し、比較して異なった特徴
が対応するパルス周波数を得る。
Ｆに基づき、上昇エッジ計数方法を用いてパルス周波数を統計し、比較して異なった特徴
が対応するパルス周波数を得る。
適応閾値検出器はＣＦＡＲ検出の１種類とし、その原理は近接距離の単位パワーによって
被探査単位ユニットの平均パワーを推定し、推定した平均パワーに１個の係数に乗じて検
出閾値とする。
被探査単位ユニットの平均パワーを推定し、推定した平均パワーに１個の係数に乗じて検
出閾値とする。
上昇エッジ計数方法の具体的手順は次の通りである。
(Ｓ０７-１)単位時間の固有モード関数ＩＭＦ信号を入力し、信号の平均値および分散に
基づいて恒定誤警報率の大きさを設定し、適応閾値検出器から閾値を得る。
(Ｓ０７-２)信号の前２点に対して上昇エッジおよび降下エッジを順次に判定し、上昇エ
ッジの判定を満たすと、パルスカウンタに“１を加える”操作する。
(Ｓ０７-３)判定した点数を次第に後に移して、入力信号のすべての点を巡回するまで繰
り返す。
(Ｓ０７-１)単位時間の固有モード関数ＩＭＦ信号を入力し、信号の平均値および分散に
基づいて恒定誤警報率の大きさを設定し、適応閾値検出器から閾値を得る。
(Ｓ０７-２)信号の前２点に対して上昇エッジおよび降下エッジを順次に判定し、上昇エ
ッジの判定を満たすと、パルスカウンタに“１を加える”操作する。
(Ｓ０７-３)判定した点数を次第に後に移して、入力信号のすべての点を巡回するまで繰
り返す。
Ｓ０８、上記パルス周波数を特性行列とし、ＢＰニューラルネットワーク訓練後を経てキ
ャビテーション状態の判定を得る。
ャビテーション状態の判定を得る。
ＢＰニューラルネットの構築および訓練はＭＡＴＬＡＢ（登録商標）のキットＮｅｕｒａ
ｌ Ｎｅｔ Ｆｉｔｔｉｎｇにより完成させ、特性行列を訓練検証およびテスト後に分け、
それぞれ正規化プロセスを作り、３層のネットワークを用いて、隠れ層のノード数はデフ
ォルトの１０を用いて、出力層ノード数は４とし、４種類のキャビテーション状態に対応
する。４種類のキャビテーション状態はそれぞれ、ピン渦巻きのキャビテーション、片キ
ャビテーション、泡キャビテーション、ガイドベーンキャビテーションである。関数など
の他のトレーニング関数はデフォールト設定を選択し、最後に入力する信号特性はキャビ
テーション種別を検証する。
ｌ Ｎｅｔ Ｆｉｔｔｉｎｇにより完成させ、特性行列を訓練検証およびテスト後に分け、
それぞれ正規化プロセスを作り、３層のネットワークを用いて、隠れ層のノード数はデフ
ォルトの１０を用いて、出力層ノード数は４とし、４種類のキャビテーション状態に対応
する。４種類のキャビテーション状態はそれぞれ、ピン渦巻きのキャビテーション、片キ
ャビテーション、泡キャビテーション、ガイドベーンキャビテーションである。関数など
の他のトレーニング関数はデフォールト設定を選択し、最後に入力する信号特性はキャビ
テーション種別を検証する。
具体的に、本方法が異なるキャビテーション状態のプロペラのノイズ検出分野の優勢お
よび特徴を示すために、１０組の異なったキャビテーション状態に対して７葉プロペラの
ノイズを用いて分析する。
よび特徴を示すために、１０組の異なったキャビテーション状態に対して７葉プロペラの
ノイズを用いて分析する。
７葉プロペラの回転速度は毎秒２１回転程度とし、そのいずれかの状態下の異なった階数
のＩＭＦは図２に示すように、上から下までＩＭＦ２〜ＩＭＦ１１（前記のｃ１〜ｃ１０
に対応する）及び残差である。異なった階数のＩＭＦはいずれも異なった周波数帯域のパ
ルスを有する。ＩＭＦ３パルス周波数（数量）の図は図３に示すように、ピン渦巻きのキ
ャビテーション段階のパルス数は明らかに比較的に大きく、可能な高周波特徴に対応する
。ＩＭＦ４パルス周波数の図の図４に示すように、泡キャビテーションのパルス数は明ら
かに比較的に大きく、可能な中高周波特徴に対応する。ＩＭＦ５パルス周波数の図の図５
に示すように、ガイドベーンキャビテーション段階のパルス数は明らかに比較的に大きい
。ＩＭＦ６のパルス周波数図の図６に示すように、異なるキャビテーション段階の違いは
大きくない。ＩＭＦ７パルス周波数の図の図７に示すように、ピン渦巻きからガイドベー
ンキャビテーション段階までパルス数量は逐次増加し、そのうち泡キャビテーション段階
のパルス数は明らかに低下し、特に第７段階、泡発展段階。ＩＭＦ８パルス周波数の図の
図８に示すように、結果はＩＭＦ７と類似し、泡発展段階のパルス数は最少である。
のＩＭＦは図２に示すように、上から下までＩＭＦ２〜ＩＭＦ１１（前記のｃ１〜ｃ１０
に対応する）及び残差である。異なった階数のＩＭＦはいずれも異なった周波数帯域のパ
ルスを有する。ＩＭＦ３パルス周波数（数量）の図は図３に示すように、ピン渦巻きのキ
ャビテーション段階のパルス数は明らかに比較的に大きく、可能な高周波特徴に対応する
。ＩＭＦ４パルス周波数の図の図４に示すように、泡キャビテーションのパルス数は明ら
かに比較的に大きく、可能な中高周波特徴に対応する。ＩＭＦ５パルス周波数の図の図５
に示すように、ガイドベーンキャビテーション段階のパルス数は明らかに比較的に大きい
。ＩＭＦ６のパルス周波数図の図６に示すように、異なるキャビテーション段階の違いは
大きくない。ＩＭＦ７パルス周波数の図の図７に示すように、ピン渦巻きからガイドベー
ンキャビテーション段階までパルス数量は逐次増加し、そのうち泡キャビテーション段階
のパルス数は明らかに低下し、特に第７段階、泡発展段階。ＩＭＦ８パルス周波数の図の
図８に示すように、結果はＩＭＦ７と類似し、泡発展段階のパルス数は最少である。
その後、以上を特性行列を入力とし、ＢＰニューラルネットの分類結果を得る。３００の
グループのデータおよび訓練結果は図９に示すように、そのうち試験セットの正答率は９
４％に達することができ、正確な類を基本的に達成したと考えることができる。
グループのデータおよび訓練結果は図９に示すように、そのうち試験セットの正答率は９
４％に達することができ、正確な類を基本的に達成したと考えることができる。
図３〜図９によって、次の結論に達することができる。
１．ＩＭＦの階数が増大して、すなわち周波数が低下すると、パルス周波数の優勢段階は
次第にキャビテーション発展の後期に移動する。
2.ＩＭＦ７の結論は非常に典型的であり、全体が線形に増加し、その泡キャビテーション
段階の低下はこの段階の片キャビテーションの抑制を表し、気泡の壊滅数量は減少する。
3.ＢＰニューラルネットの試験結果、上記キャビテーション状態に対する識別パルス周波
数の特徴の有効性を検証した。
４．ＥＥＭＤの性質によって、それぞれの全てのＩＭＦが必ずしも明確な物理的意味があ
るのはなく、反映する統計的特性はまだ必ずしも正確ではない。
１．ＩＭＦの階数が増大して、すなわち周波数が低下すると、パルス周波数の優勢段階は
次第にキャビテーション発展の後期に移動する。
2.ＩＭＦ７の結論は非常に典型的であり、全体が線形に増加し、その泡キャビテーション
段階の低下はこの段階の片キャビテーションの抑制を表し、気泡の壊滅数量は減少する。
3.ＢＰニューラルネットの試験結果、上記キャビテーション状態に対する識別パルス周波
数の特徴の有効性を検証した。
４．ＥＥＭＤの性質によって、それぞれの全てのＩＭＦが必ずしも明確な物理的意味があ
るのはなく、反映する統計的特性はまだ必ずしも正確ではない。
従来の方法と比較し、循環安定周期推定は、時間領域平均に基づいく効果が更に正確であ
り、整数倍の処理は解像度を保証でき、同時に、処理結果の検証からＩＭＦ７などの典型
的特徴が分かり、有効的にプロペラの異なるキャビテーション状態を判定できる。
り、整数倍の処理は解像度を保証でき、同時に、処理結果の検証からＩＭＦ７などの典型
的特徴が分かり、有効的にプロペラの異なるキャビテーション状態を判定できる。
以上、前記実施例は本発明の技術的解決手段および利点に詳細に説明し、了解されるべき
なのは、以上は本発明とする具体的な実施形態のみであり、本発明を制限するためのもの
でない。本発明の原則範囲内で作ったいずれの修正、補充および同等置換、いずれも本発
明の保護範囲内に属する。
なのは、以上は本発明とする具体的な実施形態のみであり、本発明を制限するためのもの
でない。本発明の原則範囲内で作ったいずれの修正、補充および同等置換、いずれも本発
明の保護範囲内に属する。
Claims (7)
- パルス周波数の特徴パターンの識別に基づくプロペラキャビテーションの程度の識別方法
であって、
(1)異なったキャビテーション状態の水中のプロペラのノイズ信号を採取するステップと
、
(2)採取したノイズ信号をプログラムに入力して、高速循環安定特徴関数を計算して、循
環密度スペクトルを得るステップと、
(3)得た循環密度スペクトルを正規化し、循環コヒレントスペクトルを得て、次にさらに
積分して対数座標下の増強包絡線スペクトルを平均化して構築するステップと、
(4)得た増強包絡線スペクトルに基づいて特徴周波数を判断し、その対応する時間周期の
整数倍を選択し、ソースデータに対して改善の時間領域の平均を行うステップと、
(5)改善の時間領域の平均した後の信号に集合経験モード分解ＥＥＭＤをし、対応する固
有モード関数ＩＭＦを得るステップと、
(6)恒誤警報率の検出は上昇エッジ計数方法を用い、統計の異なったキャビテーション状
態、異なった階数の固有モード関数のパルス周波数を用いるステップと、
上昇エッジの判断条件は、原状態は降下とし、且つ時系列の連続する二点に対して、第
１点の値は閾値よりも小さく、第２点の値は閾値よりも大きく、降下エッジの判断条件は
、原状態は上昇とし、且つ時系列の連続する二点に対して、第１点の値は閾値よりも大き
く第２点の値は閾値よりも小さく、
前記上昇エッジ計数方法の具体的手順は、
(6-1)単位時間の固有モード関数ＩＭＦ信号を入力し、信号の平均値および分散に基づ
いて恒定誤警報率の大きさを設定し、適応閾値検出器から閾値を得るステップと、
(6-2)信号の前２点に対して上昇エッジおよび降下エッジを順次に判定し、上昇エッジ
の判定を満たすと、パルスカウンタに“１を加える”操作するステップと、
(6-3)判定する点数を次第に後に移して、入力信号のすべての点を巡回するまで繰り返
すステップと、
を含み、
(7)上記パルス周波数を特性行列とし、ＢＰニューラルネットワーク訓練識別を経てキャ
ビテーション状態の判定を得るステップと、
を含むことを特徴とするパルス周波数の特徴パターンの識別に基づくプロペラキャビテー
ションの程度の識別方法。 - ステップ（２）における高速循環安定特徴関数は、
であり、
αは循環周波数であり、ｆはスペクトル周波数とし、ｘは被試験信号とし、Ｘは信号ｘの
スペクトルとし、Ｘ＊は表示されるＸの共役複素数であり、Ｅ（・）は数学的期待値とし
、そのうち、ｘの振幅変調モデルの数学的表現は、
であり、そのうち、Ａｉが各特徴周波数に対応する振幅であり、αｉは特徴周波数の２倍
とし、ｔは時間を示し、Ｎは数を示し、ｖ（ｔ）は背景ノイズを示す、ことを特徴とする
請求項１に記載のパルス周波数の特徴パターンの識別に基づくプロペラキャビテーション
の程度の識別方法。 - ステップ（３）における循環コヒレントスペクトルの数式は、
であり、式中、
は、気泡動作モードに対応する循環コヒレントスペクトルであり、
は気泡動作モードに対応する循環密度スペクトルであり、
は気泡動作モード対応に対応する循環周波数を０とする循環密度スペクトルである、こと
を特徴とする請求項１に記載のパルス周波数の特徴パターンの識別に基づくプロペラキャ
ビテーションの程度の識別方法。 - ステップ（３）における対数座標で構築する増強包絡線スペクトルの具体的手順は、
(3-1)増強包絡線スペクトルのそれぞれの循環周波数に対応する関数値を計算するステッ
プと、そのうち、前記増強包絡線スペクトルの数式は、
であり、式中、
は気泡動作モードに対応する循環コヒレントスペクトルであり、
(3-2)関数値を１０の対数計算することによって音圧レベルを得て、得た対数の関数の値
の範囲に基づいて、値の範囲を設置し、残りの対数関数値を代入して最も対応する値とす
るステップと、
(3-3)対応する座標点および関数値に基づいて、対数座標下の増強包絡線スペクトルを構
築するステップと、
を含むこと特徴とする請求項１に記載のパルス周波数の特徴パターンの識別に基づくプロ
ペラキャビテーションの程度の識別方法。 - ステップ（４）における改善の時間領域平均の数式は、
であり、そのうち、ｘ（ｎ）は時間間隔であり、Δｔは離散サンプルで得られる時刻信号
であり、Ｎは平均の周期スロット数とし、Ｍは一周期中のサンプリングポイント数とし、
ｙ（ｎ）は改善の時間領域平均後に得られた信号とする、ことを特徴とする請求項１に記
載のパルス周波数の特徴パターンの識別に基づくプロペラキャビテーションの程度の識別
方法。 - ステップ（４）における特徴周波数を判断する方法は、増強包絡線スペクトルの振幅の最
高のラインスペクトルに対応する周波数を用いることと、それが対応する時間周期の整数
倍を用いて循環周波数解像度および平均セグメント数の要求を満たす、ことを特徴とする
請求項１に記載のパルス周波数の特徴パターンの識別に基づくプロペラキャビテーション
の程度の識別方法。 - ステップ（５）における集合経験モード分解ＥＥＭＤを算定ステップは、 (5-1)信号中に
(5-1)ガウス分布のホワイトノイズを添加するステップと、
(5-2)ガウス分布のホワイトノイズを添加した信号配列ｘ（ｔ）のすべての極大値点およ
び極小値点を探し、それを三次のスプライン関数によりそれぞれ元配列の上下の包絡線で
近似し、上下の包絡線の平均値はｍ１（ｔ）とし、元データ配列をｍ１（ｔ）を減じて低
周波の新規配列ｈ１（ｔ）、ｈ１（ｔ）＝ｘ（ｔ）−ｍ１（ｔ）を獲得し、
差値とＩＭＦの条件とにより、継続して分解して上記の過程を繰り返すかどうかを判断
することを行い、第１の固有モード関数分量ｃ１（ｔ）を得て、それが信号データ配列の
最高周波の成分を示すステップと、
(5-3)ｘ（ｔ）でｃ１（ｔ）を減じ、高周波数成分をカットした新規データ配列ｒ１（ｔ
）を獲得し、ｒ１（ｔ）をガウス分布のホワイトノイズに添加して、再び上記ステップ（
５−２）の分解を行い、第２の固有モード関数分量ｃ２（ｔ）を得て、最後の１個のデー
タ列ｒｎ（ｔ）が分解できないところまで繰り返すステップと、
(5-4)（５−１）〜（５−３）を反復して、毎回新規ホワイトノイズ配列を添加するステ
ップと、
(5-5)毎回得られる固有モード関数ＩＭＦの集積の平均値を最終結果とするステップと、
を含むことを特徴をする請求項１に記載のパルス周波数の特徴パターンの識別に基づくプ
ロペラキャビテーションの程度の識別方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910864069.1A CN110738115B (zh) | 2019-09-12 | 2019-09-12 | 一种基于脉冲频率特征模式识别的螺旋桨空化程度识别方法 |
| CN201910864069.1 | 2019-09-12 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6826276B1 true JP6826276B1 (ja) | 2021-02-03 |
| JP2021041915A JP2021041915A (ja) | 2021-03-18 |
Family
ID=69267624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020125982A Active JP6826276B1 (ja) | 2019-09-12 | 2020-07-24 | パルス周波数の特徴パターンの識別に基づくプロペラキャビテーションの程度の識別方法 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP6826276B1 (ja) |
| CN (1) | CN110738115B (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113392368A (zh) * | 2021-05-28 | 2021-09-14 | 浙江大学 | 一种基于绝对调制强度谱的流体机械非均匀空化状态表征方法 |
| CN113435246A (zh) * | 2021-05-18 | 2021-09-24 | 西安电子科技大学 | 一种辐射源个体智能识别方法、系统及终端 |
| CN113821888A (zh) * | 2021-09-23 | 2021-12-21 | 西安热工研究院有限公司 | 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法 |
| CN114018571A (zh) * | 2021-10-28 | 2022-02-08 | 国能太仓发电有限公司 | 一种基于频率诱导变分模态分解的齿轮箱故障诊断方法 |
| CN114492538A (zh) * | 2022-02-16 | 2022-05-13 | 国网江苏省电力有限公司宿迁供电分公司 | 一种城市中压配电电缆局部放电信号去噪方法 |
| CN114742111A (zh) * | 2022-05-24 | 2022-07-12 | 南京林业大学 | 基于参数自适应特征模态分解故障诊断方法和系统 |
| CN117009858A (zh) * | 2023-08-22 | 2023-11-07 | 哈尔滨工业大学 | 一种航天密封电子元器件多余物检测信号同步分类方法 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113776834B (zh) * | 2021-10-11 | 2022-09-02 | 山东大学 | 基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统 |
| CN116304588B (zh) * | 2022-09-07 | 2023-08-18 | 浙江大学 | 一种针对不稳定螺旋桨空泡脉动压力信号的补偿处理方法 |
| CN117476039B (zh) * | 2023-12-25 | 2024-03-08 | 西安理工大学 | 基于声学信号的水轮机初生空化预警方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103412298B (zh) * | 2013-08-12 | 2017-11-14 | 中国兵器科学研究院 | 一种自动获取船舶螺旋桨变速旋转时间区间方法 |
| CN104091085B (zh) * | 2014-07-18 | 2017-03-08 | 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 |
| CN104899656A (zh) * | 2015-06-05 | 2015-09-09 | 三峡大学 | 一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法 |
| CN107609488B (zh) * | 2017-08-21 | 2020-11-03 | 哈尔滨工程大学 | 一种基于深度卷积网络的舰船噪声识别分类方法 |
| CN109840495B (zh) * | 2019-01-29 | 2020-09-18 | 浙江大学 | 一种低信噪比条件下的轴频线谱增强方法 |
-
2019
- 2019-09-12 CN CN201910864069.1A patent/CN110738115B/zh active Active
-
2020
- 2020-07-24 JP JP2020125982A patent/JP6826276B1/ja active Active
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113435246A (zh) * | 2021-05-18 | 2021-09-24 | 西安电子科技大学 | 一种辐射源个体智能识别方法、系统及终端 |
| CN113435246B (zh) * | 2021-05-18 | 2024-04-05 | 西安电子科技大学 | 一种辐射源个体智能识别方法、系统及终端 |
| CN113392368A (zh) * | 2021-05-28 | 2021-09-14 | 浙江大学 | 一种基于绝对调制强度谱的流体机械非均匀空化状态表征方法 |
| CN113392368B (zh) * | 2021-05-28 | 2023-08-11 | 浙江大学 | 一种基于绝对调制强度谱的流体机械非均匀空化状态表征方法 |
| CN113821888A (zh) * | 2021-09-23 | 2021-12-21 | 西安热工研究院有限公司 | 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法 |
| CN113821888B (zh) * | 2021-09-23 | 2024-02-27 | 西安热工研究院有限公司 | 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法 |
| CN114018571A (zh) * | 2021-10-28 | 2022-02-08 | 国能太仓发电有限公司 | 一种基于频率诱导变分模态分解的齿轮箱故障诊断方法 |
| CN114492538A (zh) * | 2022-02-16 | 2022-05-13 | 国网江苏省电力有限公司宿迁供电分公司 | 一种城市中压配电电缆局部放电信号去噪方法 |
| CN114492538B (zh) * | 2022-02-16 | 2023-09-05 | 国网江苏省电力有限公司宿迁供电分公司 | 一种城市中压配电电缆局部放电信号去噪方法 |
| CN114742111A (zh) * | 2022-05-24 | 2022-07-12 | 南京林业大学 | 基于参数自适应特征模态分解故障诊断方法和系统 |
| CN117009858A (zh) * | 2023-08-22 | 2023-11-07 | 哈尔滨工业大学 | 一种航天密封电子元器件多余物检测信号同步分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110738115B (zh) | 2022-11-15 |
| JP2021041915A (ja) | 2021-03-18 |
| CN110738115A (zh) | 2020-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6826276B1 (ja) | パルス周波数の特徴パターンの識別に基づくプロペラキャビテーションの程度の識別方法 | |
| CN107356432B (zh) | 基于频域窗经验小波共振解调的滚动轴承故障诊断方法 | |
| Wu et al. | Induction machine fault detection using SOM-based RBF neural networks | |
| CN106845010B (zh) | 基于改进SVD降噪和Prony的低频振荡主导模式辨识方法 | |
| CN110852201B (zh) | 一种基于多脉冲包络谱匹配的脉冲信号检测方法 | |
| CN106778694A (zh) | 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法 | |
| CN107101714A (zh) | 一种基于多测点振动信号特征的变压器健康状况评估方法 | |
| CN108489719B (zh) | 一种基于g-p奇异谱分解的旋转机械复合故障诊断方法 | |
| JP5008766B2 (ja) | テンポ検出装置及びテンポ検出プログラム | |
| Salamon et al. | Sinusoid extraction and salience function design for predominant melody estimation | |
| CN105240187A (zh) | 基于混沌理论实现水轮机状态监测和故障诊断的方法 | |
| CN107831013B (zh) | 利用概率主分量分析增强循环双谱的轴承故障诊断方法 | |
| CN109374119A (zh) | 变压器振动信号特征量提取方法 | |
| CN101813568A (zh) | 采用计算机程序确定空化初生的判定方法 | |
| CN111508517A (zh) | 一种基于噪声特征的微电机智能品控方法 | |
| CN109840495A (zh) | 一种低信噪比条件下的轴频线谱增强方法 | |
| CN110974189A (zh) | 脉搏波的信号质量检测方法及装置、设备、系统 | |
| CN110530507A (zh) | 用于旋转设备监测的边缘计算方法、介质及系统 | |
| CN111626093B (zh) | 一种基于鸣声功率谱密度的输电线路相关鸟种识别方法 | |
| CN110118962A (zh) | 一种水声目标机动状态的辐射噪声仿真方法 | |
| CN111458122A (zh) | 匹配增强时频表示的旋转机械故障诊断方法 | |
| CN114263621A (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
| 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 | |
| CN111192257A (zh) | 一种确定设备状态的方法、系统及设备 | |
| CN113889147A (zh) | 一种基于动态时间弯曲算法的机械系统声纹信号匹配方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200724 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200724 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200821 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201105 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201119 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20201201 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201223 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6826276 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |