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
Description
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。
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。
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。
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。
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。
テーション状態の識別の基礎になった。
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。
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。
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。
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。
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、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。
(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。
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。
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。
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。
(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。
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。
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。
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。
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。
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。
(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。
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。
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。
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。
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。
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。
ョンの程度の識別方法は、以下のステップを含む。
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。
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。
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。
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。
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。
)をして、対応する固有モード関数(IMF)を得る。
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。
(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。
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。
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。
(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。
ャビテーション状態の判定を得る。
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。
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。
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。
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。
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。
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。
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 |