一种新的时频分析方法——局部特征尺度分解
声学信号处理的时频分析方法概述
声学信号处理的时频分析方法概述声学信号处理是指对声音信号进行处理和分析的一门学科，其目的是从声音信号中获取有用的信息和特征。
声学信号处理在音频处理、语音识别、音频编码等领域有着广泛的应用。
而声学信号的时频分析是声学信号处理中的重要内容之一，它可以将信号在时间和频率上进行分析，从而揭示出声音信号的时域特征和频域特征。
时频分析是一种将信号在时间和频域上进行分析的方法。
在声学信号处理中，时频分析可以帮助我们理解声音信号的频率内容随时间的变化。
常用的时频分析方法有傅里叶变换、短时傅里叶变换、小波变换和光谱分析等。
傅里叶变换是一种将信号从时域转换到频域的方法。
它可以将一个连续时间的信号分解为不同频率的正弦波成分，从而得到信号在频域上的表示。
傅里叶变换的主要思想是将信号拆解成一系列正弦波的叠加，而每个正弦波都有不同的频率和振幅。
通过对傅里叶变换结果的分析，可以得到信号的频谱信息，即不同频率成分的强度和相位。
短时傅里叶变换（STFT）是一种将信号分解成时域和频域上的幅度谱的方法。
它通过在时间上将信号进行分帧处理，然后对每一帧信号进行傅里叶变换，得到该时刻的频谱信息。
STFT的一个重要参数是窗函数，它决定了每一帧信号的长度和形状。
不同的窗函数选择会影响到STFT的频率分辨率和时间分辨率。
小波变换是一种时频分析方法，它可以同时提供高时间分辨率和高频率分辨率。
小波变换使用一组具有不同尺度和位置的小波函数来分析信号的时频内容。
通过对小波变换系数的处理和分析，可以得到信号在时频域上的局部特征，更好地揭示信号的瞬时变化。
除了以上提到的方法，光谱分析也是声学信号处理中常用的一种时频分析方法。
光谱分析通过对信号的频谱进行分析，得到信号在频率上的分布情况。
常用的光谱分析方法包括理想光谱估计、周期图谱和功率谱估计等。
这些方法可以帮助我们分析信号的频率特征和谱线性质。
总结起来，声学信号处理的时频分析方法有傅里叶变换、短时傅里叶变换、小波变换和光谱分析等。
脑电信号处理中的时频分析算法
脑电信号处理中的时频分析算法随着脑科学的发展和技术的进步，脑电信号（Electroencephalogram，简称EEG）作为一种常用的脑电生理信号，被广泛应用于脑功能研究、疾病诊断、临床治疗等领域。
由于 EEG 信号本身具有非平稳、非线性、噪声干扰等特征，必须经过一系列的信号处理，以提高其可靠性和准确性。
其中，时频分析算法是一种重要的信号处理方法。
时频分析算法是一种频谱分析的方法，它能够捕捉信号随时间的变化情况。
相比传统的频谱分析方法，时频分析能够更加准确地揭示信号的特征和动态行为。
在 EEG 信号处理中，时频分析算法主要应用于频谱分解、信号分解和特征提取等方面。
常见的时频分析算法主要包括小波变换、短时傅里叶变换、Wigner-Ville分布、时频分析、经验模态分解等。
下面，我们来分别介绍这些算法在 EEG 信号处理中的应用。
小波变换小波变换是在不同时间刻度下分析信号的一种数学变换。
其基本思想是将信号分解成不同的频率成分，并在时间和频率上同时具有局部性。
在 EEG 信号分析中，小波变换广泛应用于去噪、分析信号随时间的变化趋势、提取特征等方面。
通过小波变换，可以将 EEG 信号分解成几个子带，不同子带之间的差异性体现着不同时段和频率成分的特征。
因此，小波变换可以有效地提取 EEG 信号的特征信息。
短时傅里叶变换短时傅里叶变换是一种时频分析方法，其基本思想是在一段时间内对信号进行傅里叶变换，以获得信号在不同频率成分上的变化情况。
与傅里叶变换相比，短时傅里叶变换的优势在于能够获得信号随时间的变化趋势。
在 EEG 信号处理中，短时傅里叶变换主要应用于频谱分析和信号降噪等方面。
通过短时傅里叶变换，可以获得 EEG 信号在不同频率和时间段上的特征，为进一步分析和处理 EEG 信号提供依据。
Wigner-Ville分布Wigner-Ville分布是一种时频分析方法，其基本思想是通过Fourier 变换，获得信号在不同频率成分上的变化情况，并进一步分析信号在时间轴上的分布情况。
基于DILCD和SDEO的电能质量扰动检测新方法
基于DILCD和SDEO的电能质量扰动检测新方法周超;黄纯;易凡【摘要】针对局部特征尺度分解(LCD)出现的模态混叠现象,提出了基于微积分局部特征尺度分解(DILCD)和对称差分能量算子(SDEO)的电能质量扰动信号分析方法.首先选取电力系统中的暂降、暂升,谐波、间谐波,衰减振荡等单一及其复合扰动信号分别进行DILCD分解可得到若干个内禀尺度分量(ISC);然后利用SDEO解调ISC分量求取瞬时频率和瞬时幅值,定位扰动发生的起止时刻.仿真结果表明,该方法能有效检测分析非平稳电能质量扰动信号,获得的瞬时幅值波动、端部效应小,频率检测精度高,时间定位准确.【期刊名称】《电力系统及其自动化学报》【年(卷),期】2018(030)009【总页数】10页(P141-150)【关键词】电能质量;扰动分析;微积分;局部特征尺度分解;内禀尺度分量【作者】周超;黄纯;易凡【作者单位】湖南省电力公司检修公司,长沙 410004;湖南大学电气与信息工程学院,长沙 410082;湖南省电力公司检修公司,长沙 410004【正文语种】中文【中图分类】TM727.2近年来，由于电力电子元件的大规模使用及非线性、冲击性负荷的增加，对电能质量造成严重的影响。
电网中存在的电压暂降、暂升、短时中断，谐波、间谐波以及电压衰减振荡等电能质量问题受到了广泛的关注[1]。
电能质量扰动信号的提取对电能质量的监管至关重要。
扰动信号可看作多分量非线性信号，提取时可先对扰动信号进行分解得出单分量信号，然后对其解调得到扰动参数。
用于电能质量扰动信号常用的分解方法有快速傅里叶变换[2]、小波变换[3]、S变换[4-5]、希尔伯特变换[6]、原子分解算法[7-8]和局部均值分解算法[9]等，这些方法各有特点。
傅里叶变换（FFT）主要用来分析稳态信号，不能处理非平稳、非线性信号；小波变换缺乏自适应性，受基函数选择的影响，对噪声较敏感；S变换频率分辨率高，能独立分析信号每个频率分量的幅值变化，但是要得到各频率分量对应的理想幅值曲线，需要对变换结果进行适当修正；希尔伯特变换采用三次样条函数插值，具有欠、过包络现象，还有迭代判据、端点效应等问题；原子分解算法计算量大，对构造谐波、间谐波，电压闪变的电能质量扰动的相关原子库还有待研究；局部均值分解由于受到余弦函数值域的限制，定位扰动起止时刻不够准确。
局部特征尺度分解方法及其分解能力研究_杨宇
j= 1
通过上述步骤 , LCD方法可将一个多分量信号 分解成若干 ISC 分量之和。 与 IT D 方法相比 , L CD 方法在每次迭代过程中都对剩余信号进 行分量判 定 ,并通过多次迭代自适应地获得 ISC 分量。
图 1 I T D方法中基线信号的构造 Fig. 1 Co nstructio n o f ba seline sig na l fo r IT D metho d
1 2
量组成 ,任何两个 ISC 分量之间相互独立 , 这样一个 多分量信号 x ( t )就可以被分解为有限个 ISC 分量之 和 ,其中任何一个 ISC 分量满足以下条件 : ( 1)在整个数据段内 , 任意两个相邻极值点符号 互异 ; ( 2)在整个数据段内 , 其极值点为 X k ( k = 1, 2, … , M ) , 各个极值点相对应的时刻为 f k ( k = 1, 2,… , M ) ,由任意两个极大 (小 )值点 (f k , X k ) , (f k+ 2 , X k+ 2 ) 连 接 形 成的 线 段 在 其 中 间 极 小 ( 大 ) 值 点 (f k+ 1 , k+ 1的函数值 Ak+ 1与该极小 (大 )值 X k+ 1 )相对应时刻 f X k+ 1的比值关系近似不变 。 根据所定义的 ISC分量 , 对信号 x ( t )进行 L CD 方法分解 , 可将其分解为若干个 ISC 分量之和 , 其分 解过程如下: ( 1)确定原始信号 x ( t )的所有极值点 (f k , Xk ) , 利用式 ( 1)～ ( 3)构造基线信号 m 11 ( t ) = Lt ( 4) ( 2)将 m 11 ( t )从原始信号中分离出来 , 得到剩余 信号 h 11 ( t ) = x ( t ) - m 11 ( t ) ( 5) 理想地 ,如果 h 11 ( t )满足 ISC 分量判据 , 则 h11 ( t ) 为信号 x ( t )的第一个分量 ISC1 ( t ) ; 如果 h 11 ( t )不满足 ISC 分量判据 , 将 h 11 ( t )作为原始信号重复步骤 ( 1) , 则循环 i 次得到 h1i ( t ) = h1i - 1 ( t ) - m 1i ( t ) , 使得 h 1i ( t ) 满足 ISC 分量判据 , h 1i 即为信号 x ( t )的第一个分量 ISC1 ( t )。 ( 3)将 ISC1 ( t )从原始信号中分离出来 , 得到 r1 ( t ) = x ( t ) - ISC1 ( t ) ( 6) 将 r1 ( t )作为原始信号重复步骤 ( 1)和 ( 2) , 得到 x ( t )的满足 ISC分量判据的第二个分量 ISC2 ( t ) , 重 复循环 n 次 , 得到信号 x ( t )的 n 个满足 ISC分量判据 的分量 , 直到 rn ( t )为一单调函数或者小于预设阀值 为止 。 这样便可以将 x ( t )分解为 n 个 ISC 分量和一个 剩余函数 rn ( t )之和 , 即
利用小波变换进行时频分析的方法与步骤
利用小波变换进行时频分析的方法与步骤时频分析是一种将信号在时间和频率上进行联合分析的方法，可以揭示信号的时变特性和频域特征。
而小波变换是一种非平稳信号分析的有效工具，具有良好的时频局部化特性。
本文将介绍利用小波变换进行时频分析的方法与步骤。
一、小波变换的原理和基本概念小波变换是一种将信号分解成不同频率的子信号，并通过缩放和平移小波函数来实现的。
小波函数具有局部化特性，可以在时间和频率上同时提供较好的分辨率。
小波变换的基本概念包括小波基函数、尺度和平移。
小波基函数是一组用于分析信号的基本函数，常用的小波基函数有Morlet小波、Haar小波等。
尺度表示小波函数的频率特性，尺度越大，频率越低；平移表示小波函数在时间上的位置。
二、小波变换的步骤1. 选择合适的小波基函数：根据信号的特点和需求，选择适合的小波基函数。
不同的小波基函数对信号的分析效果有所差异，因此选择合适的小波基函数对于时频分析的准确性至关重要。
2. 进行小波分解：将待分析的信号进行小波分解，得到不同尺度和平移下的小波系数。
小波分解可以通过快速小波变换（Fast Wavelet Transform）等算法来实现。
3. 选择合适的分解层数：分解层数的选择决定了时频分析的精度和分辨率。
较浅的分解层数可以提供较粗糙的时频分析结果，而较深的分解层数可以提供更详细的时频信息。
根据信号的特点和需求，选择合适的分解层数。
4. 重构信号：根据小波系数，进行小波重构，得到时频分析的结果。
小波重构可以通过逆小波变换来实现，逆小波变换是小波分解的逆过程。
5. 分析时频特性：利用重构的信号进行时频分析，可以得到信号在不同时间和频率上的能量分布。
常用的时频分析方法包括小波包分析、短时傅里叶变换等。
三、小波变换的应用领域小波变换在信号处理领域有广泛的应用。
其中，时频分析是小波变换的重要应用之一。
时频分析可以用于音频信号处理、图像处理、振动信号分析等领域。
1. 音频信号处理：小波变换可以用于音频信号的时频分析，可以提取音频信号的谱线轮廓、共振峰等特征，用于音频信号的压缩、降噪等处理。
时频分析方法在语音识别中的应用
时频分析方法在语音识别中的应用时频分析方法是一种在信号处理中常用的技术，它可以将信号在时间和频率两个维度上进行分析，从而帮助我们更好地理解信号的特征和结构。
在语音识别领域，时频分析方法被广泛应用，它能够提取语音信号中的频谱特征，为语音识别算法提供重要的信息支持。
一、时频分析方法的基本原理时频分析方法是在时域和频域上分析信号的一种手段。
它通过将信号分解成不同频率成分，然后对每个频率成分在时间上进行分析，得到频谱随时间变化的图像。
常用的时频分析方法包括短时傅里叶变换（STFT）、连续小波变换（CWT）和小波包变换等。
短时傅里叶变换是一种时频分析方法中最常用的技术，它利用傅里叶变换的原理对信号进行频谱分析。
通过将信号分成多个时间窗口，再对每个窗口内的信号进行傅里叶变换，可以得到每个时间窗口内的频谱信息。
这样，就可以观察到信号在不同时间段内的频谱变化情况。
连续小波变换是另一种常用的时频分析方法，它不仅可以提供频谱信息，还能提供信号在时间和频率上的局部特征。
连续小波变换的基本思想是将信号与不同频率和时间尺度的小波进行相关运算，得到不同的小波系数，从而揭示信号的时频结构。
小波包变换是对连续小波变换的扩展，它可以更好地展示信号的时频特征。
小波包变换通过多次分解和滤波操作，将信号分解成不同频率的小波包系数。
通过对这些小波包系数的分析，可以更准确地提取信号的时频特征。
二、时频分析方法在语音识别中的应用时频分析方法在语音识别中有着广泛的应用。
一方面，时频分析方法可以提取语音信号的频谱特征，为后续的特征提取和模式匹配提供重要信息。
另一方面，时频分析方法还可以帮助识别语音信号中的时变特征，从而提高语音识别的准确率和鲁棒性。
在语音信号的预处理过程中，时频分析方法被用来提取语音信号的频谱特征。
通过对语音信号进行短时傅里叶变换或连续小波变换，可以得到语音信号在不同时间段的频谱信息。
这些频谱信息可以用来表示语音信号的能量分布和频率特征，为后续的特征提取工作奠定基础。
一种新的非平稳信号分析方法——局部特征尺度分解法
Ｌ ＭＤ方 法 将一个 单分 量 的调 幅一 频信 号看 成 是其 调 本 身 的 包 络 信 号 和 一 个 纯 调 频 信 号 的乘 积 ， Ｐ 即 Ｆ
（ ｒ ｄ ｃ ｕ ｃｉｎ 简称 Ｐ ） 量 ， Ｐ ｏｕ ｔ ｎ ｔ ， ｆ ｏ Ｆ分 因此 能 自适 应 地 将一 个复 杂信 号分 解 为若 干 个瞬 时频 率具 有物 理意 义 的Ｐ Ｆ分 量之 和 。 ＭＤ方法 虽然 避免 了Ｅ Ｌ ＭＤ 方法 中的过 包 络 、 欠包 络 以及 由希 尔 伯 特变 换 而 产 生 的 负 频 率等 问题 ， Ｌ 但 ＭＤ 本 身也 存在 迭代 计 算 量大 、 频 率混 淆 、 点 效应 等 问题 。２ ０ 端 ０ ６年 ， ｒ ｒｉ Ｍａｋ Ｇ Ｆ ｅ 提 出 了另 外一 种 自适应 时频 分析 方法 —— 本 征 时间 尺 度 分 解 方 法 （ｎｒ ｓ ｉ —ｃ ｌ ｄ ｃ ｍｐ ｓｔ ｎ， Ｉｔｉ ｉ ｔ ｎ ｃ ｍｅｓａｅ ｅｏ ｏ ｉｏ ｉ
波 基 ， 乏 自适 应 性Ｌ 。 缺 ２ ］ １９ ９ ８年 ， 国 国 家 宇 航 局 的 Ｎｏｄ ｎ Ｅ Ｈｕ ｎ 美 ｒｅ ａ ｇ
等 创造性 地 提 出了处理 非平 稳信 号 的新方 法—— 希 尔 伯特 黄 变换 方法 （ ｌｅｔ ａ ｇｔａ ｓｏ ｍ， 称 Ｈｉ ｒ Ｈｕ ｎ ｒｎ ｆｒ 简 ｂ — ＨＨＴ） 州］ ［ 。该 方 法 能 自适 应 地 将 一个 复 杂 信 号分 ３
引 言
经典 的傅 里 叶变换 方法 只能 处理 线性 和平 稳信 号 ， 自然界 中的大部 分信 号是 非线 性 和非平 稳 的 。 而
Ｓ ｔ ｍｉ ｈ提 出 了另一 种新 的 时频 分析 方法 —— 局 部均 值分 解 （ ｏ ａ ｍｅ ｎｄ ｃｍｐ ｓ ｉｎ 简 称 Ｌ Ｌ ｃｌ ａ ｅｏ ｏ ｉ ｏ ， ｔ ＭＤ）１ ［ ，
时频分析
时频分析时频分析是一种用于研究信号的数学工具，它可以将信号在时域和频域上进行分析。
时域是指信号的时间变化特性，而频域是指信号的频率变化特性。
时频分析的主要目的是确定信号的频率、幅度和相位随时间的变化规律，从而更好地理解信号的性质和特征。
时频分析的基本原理是将信号在时域和频域上进行相互转换。
通过傅里叶变换，我们可以将信号从时域转换到频域，得到信号的频谱。
频谱描述了信号在不同频率上的能量分布情况，可以帮助我们了解信号中哪些频率成分起主导作用。
而逆傅里叶变换则可以将信号从频域转换回时域，复原原始信号。
时频分析的经典方法之一是短时傅里叶变换（Short-TimeFourier Transform，STFT）。
STFT是一种将信号分成很短的时间段，然后对每个时间段进行傅里叶变换的方法。
通过在不同时间段上进行傅里叶变换，我们可以观察到信号在时域和频域上的变化。
但是，STFT在时间和频率上的分辨率不能同时很高，即时间越精细，频率越模糊，反之亦然。
为了克服STFT的局限性，人们提出了许多改进方法。
其中一种方法是连续小波变换（Continuous Wavelet Transform，CWT）。
CWT的特点是可以在不同尺度上进行时频分析，即同时提供时间和频率的高分辨率。
CWT使用一系列不同宽度的小波函数来分析信号，每个尺度上的小波函数都对应不同频率的分量。
通过选取合适的小波函数，我们可以更好地捕捉信号的局部特征。
另一个常用的时频分析方法是瞬时频率估计（Instantaneous Frequency Estimation，IFE）。
IFE是一种用于估计信号瞬时频率的方法，即信号在某一时刻的频率。
IFE通常基于信号的瞬时相位，通过计算相邻时间点上相位变化的一阶差分来估计瞬时频率。
IFE在振动分析和信号处理中得到了广泛应用，例如故障诊断、语音处理和图像处理等领域。
时频分析在许多领域都有着广泛的应用。
在通信领域，时频分析可以用于信号调制识别、频谱分配和多载波信号处理等；在生物医学领域，时频分析可以用于心电图、脑电图和声音信号分析等；在地震学领域，时频分析可以用于地震信号处理和地震事件定位等。
基于ICEEMDAN的滚动轴承声信号故障诊断方法
第４５卷第６期２０２３年１１月沈 阳 工 业 大 学 学 报ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙＶｏｌ ４５Ｎｏ ６Ｎｏｖ ２０２３收稿日期：２０２３－０６－０８基金项目：国家自然科学基金项目（５１６７５３５０，５１７０５３３７）；辽宁省“揭榜挂帅”科技攻关项目（２０２２ＪＨ１／１０４００００８）。
作者简介：李 篪（１９８６－），女，辽宁沈阳人，工程师，博士生，主要从事机械故障诊断、声信号分析等方面的研究。
檪檪檪檪檪檪檪檪檪檪殏殏殏殏机械工程 ＤＯＩ：１０．７６８８／ｊ．ｉｓｓｎ．１０００－１６４６．２０２３．０６．１３基于ＩＣＥＥＭＤＡＮ的滚动轴承声信号故障诊断方法李 篪，陈长征（沈阳工业大学机械工程学院，辽宁沈阳１１０８７０）摘 要：针对基于单通道声信号的机械故障诊断信号干扰成分大，故障特征难以提取的问题，提出了一种结合改进自适应噪声完备经验模态分解（ＩＣＥＥＭＤＡＮ）和快速独立分量分析（ＦａｓｔＩＣＡ）的方法。
依据峭度与信号相关性准则设定本征内模分量（ＩＭＦ）选取系数，对ＩＣＥＥＭＤＡＮ自适应分解的ＩＭＦ进行有效筛选，实现信号降噪和粗提取，并以所选ＩＭＦ作为虚拟通道，应用ＦａｓｔＩＣＡ成功实现信噪的盲源分离。
通过内外圈故障轴承实验数据对算法实行对比验证，结果表明，所提算法大幅降低了噪声及干扰，有效提取了故障特征。
关 键 词：机械故障诊断；声学诊断；声信号；滚动轴承；改进自适应噪声完备经验模态分解；快速独立分量分析；特征提取；盲源分离中图分类号：ＴＨ１３３ ３３ 文献标志码：Ａ 文章编号：１０００－１６４６（２０２３）０６－０６７２－０８ＡｃｏｕｓｔｉｃｓｉｇｎａｌｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎＩＣＥＥＭＤＡＮｆｏｒｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔＬＩＣｈｉ，ＣＨＥＮＣｈａｎｇｚｈｅｎｇ（ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｓｈｅｎｙａｎｇ１１０８７０，Ｌｉａｏｎｉｎｇ，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｉｎｍｅｃｈａｎｉｃａｌｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎｓｉｎｇｌｅ ｃｈａｎｎｅｌａｃｏｕｓｔｉｃｓｉｇｎａｌｓｔｈａｔｃｏｌｌｅｃｔｅｄｓｉｇｎａｌｓａｌｗａｙｓｈａｖｅｔｈｅｉｎｔｅｎｓｉｖｅｉｎｔｅｒｆｅｒｅｎｃｅ，ｆｒｏｍｗｈｉｃｈｆａｕｌｔｆｅａｔｕｒｅｓａｒｅｄｉｆｆｉｃｕｌｔｔｏｂｅｅｘｔｒａｃｔｅｄ，ａｍｅｔｈｏｄｃｏｍｂｉｎｉｎｇｔｈｅｉｍｐｒｏｖｅｄｃｏｍｐｌｅｔｅｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎｗｉｔｈａｄａｐｔｉｖｅｎｏｉｓｅ（ＩＣＥＥＭＤＡＮ）ａｎｄｔｈｅｆａｓｔｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ（ＦａｓｔＩＣＡ）ｗｅｒｅｐｒｏｐｏｓｅｄ．Ｓｅｔｔｉｎｇａｎｉｎｔｒｉｎｓｉｃｍｏｄｅｆｕｎｃｔｉｏｎ（ＩＭＦ）ｓｅｌｅｃｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔａｃｃｏｒｄｉｎｇｔｏｂｏｔｈｔｈｅｋｕｒｔｏｓｉｓａｎｄｔｈｅｓｉｇｎａｌｃｏｒｒｅｌａｔｉｏｎａｓｃｒｉｔｅｒｉｏｎ，ＩＭＦｓａｄａｐｔｉｖｅｌｙｄｅｃｏｍｐｏｓｅｄｂｙＩＣＥＥＭＤＡＮｗｅｒｅｅｆｆｅｃｔｉｖｅｌｙｓｃｒｅｅｎｅｄｔｏｒｅｄｕｃｅｔｈｅｎｏｉｓｅａｎｄｒｏｕｇｈｌｙｅｘｔｒａｃｔｔｈｅｓｉｇｎａｌｆｅａｔｕｒｅｓ．ＦａｓｔＩＣＡｗａｓａｐｐｌｉｅｄｔｏｔｈｅｓｅｌｅｃｔｅｄＩＭＦｓｒｅｇａｒｄｅｄａｓｖｉｒｔｕａｌｃｈａｎｎｅｌｓ，ｂｙｗｈｉｃｈｂｌｉｎｄｓｏｕｒｃｅｓｅｐａｒａｔｉｏｎｃｏｕｌｄｂｅｓｕｃｃｅｓｓｆｕｌｌｙａｃｈｉｅｖｅｄ．Ｔｈｅａｓ ｐｒｏｐｏｓｅｄｍｅｔｈｏｄｗａｓｖｅｒｉｆｉｅｄｂｙｅｘｐｅｒｉｍｅｎｔａｌｄａｔａｏｆｉｎｎｅｒａｎｄｏｕｔｅｒｂｅａｒｉｎｇｒｉｎｇｆａｕｌｔｓ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｓ ｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｇｒｅａｔｌｙｒｅｄｕｃｅｔｈｅｎｏｉｓｅａｎｄｉｎｔｅｒｆｅｒｅｎｃｅ，ａｎｄｉｓｅｆｆｉｃａｃｉｏｕｓｆｏｒｅｘｔｒａｃｔｉｎｇｆａｕｌｔｆｅａｔｕｒｅｓ．Ｋｅｙｗｏｒｄｓ：ｍｅｃｈａｎｉｃａｌｆａｕｌｔｄｉａｇｎｏｓｉｓ；ａｃｏｕｓｔｉｃｄｉａｇｎｏｓｉｓ；ａｃｏｕｓｔｉｃｓｉｇｎａｌ；ｒｏｌｌｉｎｇｂｅａｒｉｎｇ；ｉｍｐｒｏｖｅｄｃｏｍｐｌｅｔｅｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎｗｉｔｈａｄａｐｔｉｖｅｎｏｉｓｅ；ｆａｓｔｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ；ｆａｕｌｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ；ｂｌｉｎｄｓｏｕｒｃｅｓｅｐａｒａｔｉｏｎ 滚动轴承故障是导致旋转机械故障的最主要因素之一，因此针对轴承的健康监测和故障诊断多年来一直是重要的研究领域。
时频分析方法
时频分析方法时频分析是一种用于研究信号在时间和频率两个维度上变化规律的方法。
它在信号处理、通信系统、地震学、生物医学工程等领域都有着广泛的应用。
本文将介绍时频分析方法的基本原理和常见的分析技术，希望能为读者提供一些帮助。
时频分析的基本原理是将信号在时间和频率上进行分解，以揭示信号在不同时间段和频率段的特征。
在时域上，我们可以观察信号的波形和振幅变化；在频域上，我们可以得到信号的频谱信息。
时频分析方法的目的就是将这两个维度结合起来，得到信号在时间和频率上的特性。
常见的时频分析方法包括傅里叶变换、小波变换、时频分布等。
傅里叶变换是一种将信号从时域转换到频域的方法，可以得到信号的频谱信息。
小波变换是一种同时在时域和频域上进行分析的方法，可以更好地捕捉信号的瞬时特性。
时频分布则是一种将信号的时频特性可视化的方法，常用的有Wigner-Ville分布和短时傅里叶变换等。
在实际应用中，选择合适的时频分析方法取决于信号的特性和分析的目的。
如果信号具有明显的频率成分，可以选择傅里叶变换来观察频谱信息；如果信号具有瞬时特性，可以选择小波变换来捕捉信号的瞬时变化；如果需要同时观察信号的时频特性，可以选择时频分布来进行分析。
除了选择合适的时频分析方法，还需要注意信号的预处理和参数的选择。
对于非平稳信号，需要进行平滑处理或者选择适当的小波基函数；对于时频分布方法，需要选择合适的窗口长度和重叠率来得到准确的时频信息。
总之，时频分析是一种重要的信号分析方法，可以帮助我们更好地理解信号的时频特性。
在实际应用中，我们需要根据信号的特性和分析的目的选择合适的时频分析方法，并注意信号的预处理和参数的选择，以得到准确的分析结果。
希望本文能对读者有所帮助，谢谢阅读！。
时频分析方法
时频分析方法时频分析是一种用于研究信号在时间和频率上的变化规律的方法。
在实际应用中，时频分析方法被广泛应用于信号处理、通信系统、地震学、医学影像等领域。
本文将介绍几种常见的时频分析方法，包括傅里叶变换、短时傅里叶变换、小波变换和时频分析的应用。
傅里叶变换是最常见的时频分析方法之一。
它通过将信号分解为不同频率的正弦和余弦函数来分析信号的频谱特性。
傅里叶变换能够清晰地展示信号在频域上的特征，但却无法提供信号在时间上的变化信息。
为了解决这一问题，短时傅里叶变换应运而生。
短时傅里叶变换将信号分割成小段，并对每一小段进行傅里叶变换，从而得到信号在时间和频率上的变化信息。
短时傅里叶变换在分析非平稳信号时具有很好的效果，但是其时间和频率分辨率存在一定的局限性。
小波变换是一种时频分析方法，它能够同时提供信号在时间和频率上的精细信息。
小波变换通过在不同尺度和位置上对信号进行分析，得到信号的时频表示。
小波变换在处理非平稳信号和突发信号时表现出色，具有很好的局部化特性。
然而，小波变换的选择和设计却需要根据具体应用场景来进行调整，这对使用者提出了一定的要求。
时频分析的应用十分广泛，其中之一就是在通信系统中的应用。
通信系统中的信号往往是非平稳的，因此需要采用时频分析方法来对信号进行处理和分析。
时频分析可以帮助我们更好地理解信号的特性，从而提高通信系统的性能和可靠性。
此外，时频分析方法还被广泛应用于医学影像的处理和分析，能够帮助医生更准确地诊断疾病。
综上所述，时频分析方法是一种十分重要的信号分析方法，它能够帮助我们更全面地理解信号的特性。
不同的时频分析方法各有优缺点，需要根据具体的应用场景来选择合适的方法。
随着科学技术的不断发展，时频分析方法将会得到更广泛的应用和进一步的完善。
频谱分析-时频分析,谱分解-分频技术的区别
自1807法国工程师Fourier 提出傅立叶变换以来，随着数值和计算技术，特别是计算机技术发展，傅氏分析称为各学科信号分析的重要手段和工具，数学描述为：()()jwt F w f t e dt ∞--∞=⎰逆变换为： 1()()2jwt f t F w e dw π∞-∞=⎰傅氏变换的数学意义使得微分，积分，卷积等运算经傅氏变换后简化为一般运算，物理意义在于通过变换将时域和频域联系一起。
在时域内隐藏的信息在频域内表现出来。
因此，傅氏变换得到广泛发展与那个。
由上式可知，信号时域内是时间函数，频域内是频率函数。
当希望知道随时间的推移，信号频率成份变化规律与特征时，傅氏分析就表现出局限性。
因为频域内某一个频点幅值由时间域上整个波形决定，某一时刻状态由整个频域信息决定。
为克服这一缺点，需要一种能在时域局部进行频谱分析的数学方法。
基于以上，1946年Gabor 发展了傅氏变换，提出时频分析的一种具体方法——短时傅立叶变换（STFT ），数学表达式为：(,)()()jwt F w f t g t e dt ττ∞--∞=-⎰可改写为： (,)()()jwt F w f t g t e dt ττ∞--∞=+⎰表示窗口不动，信号沿时间轴滑动，对时间离散，取,tmT nT τ==，则STFT 可表示为： (,)()()i m m F n f m n g m e ∞-Ω=-∞Ω=+∑其实：wT Ω=，T ~采样间隔；m ~时窗宽度；n ~数据点数；()g m ~窗口函数；(,)F n Ω反映了()f n 在时刻m 频谱的相对含量。
频谱分析→时频分析1、谱分解技术谱分解技术是三维地震数据体和离散富氏变换时频转换的一种新手段。
它的理论基础是薄层反射系统可产生复杂的谐振反射。
薄地层反射在频率域中唯一特征表达可指示时间厚度变化。
由薄层调谐反射得到的振幅谱可确定构成反射的单个地层的声波特性之间的关系，振幅谱通过谱陷频曲线确定薄地层变化情况。
时频分析方法
时频分析方法时频分析（Time-FrequencyAnalysis）是一门较新的信号处理技术，它是把时域和频域信号处理相结合，使人们可以更好地分析和理解信号的内容。
它对很多应用领域具有重要作用，比如，通信、声学、电子、计算机科学等等。
它在解决复杂信号处理问题上有很大的优势。
时频分析是一种将时域和频域相结合的信号处理技术，其基本思想是，信号在时域上不断变化，同时在频域上也有复杂的结构，时频分析给出了一种能够把信号的时域和频域特性结合起来的新的信号处理方式。
时频分析有几种方法可以将时域信号转换到频域信号，最常用的是傅里叶变换（FFT）方法，它将信号在时域中的变化转换到频域中，形成信号特性的频谱，不同信号在频谱中具有不同的特性，可以有效地判断信号的内容，从而深入了解信号。
除了傅里叶变换之外，还有另外一些时频分析方法，比如局部傅里叶变换（LFFT）、时频变换（TFT）、小波变换（Wavelet Transform，WT）、和生物神经网络（BN）等，这些方法都是用于将信号在时间和频率上分解的有效技术，可以用来更深入地了解信号内容。
时间频率分析技术可以帮助我们理解和测量信号，获得更好的信号处理效果，在这方面它可以有效改善信号处理的准确性、精确性和稳定性，从而解决许多复杂的信号处理问题。
它在通信、声学、电子、计算机科学等领域得到了广泛的应用。
时频分析技术不仅在信号分析领域，也在许多领域取得了重要进展，比如在医学图像处理中，时频分析可以有效检测图像中的微小异常，及时发现和治疗疾病；在智能控制中，时频分析可以有效提高智能系统的控制准确性；在自动语音识别中，时频分析可以准确提取语音特征，使语音的识别精度大大提高等等。
综上所述，时频分析方法是一种新兴的信号处理技术，它将时域和频域信号处理相结合，使人们可以更好的理解和分析信号的特性，它可以改善信号处理的准确性、精确性和稳定性，并在信号处理领域有着重要的应用，特别是在医学图像处理、智能控制、自动语音识别等领域。
小波变换 时频域特征
小波变换时频域特征
小波变换是一种时频分析方法，它能够将信号在时间域和频率域上进行局部化分析。
小波变换将信号分解成一系列不同频率和时间位置的小波基函数，通过分析每个小波基函数的能量分布和时频特性，可以获得信号在不同时间段和频率上的特征。
时频域特征是指在小波变换过程中，通过分析不同尺度和平移参数下的小波基函数能够得到的信号特征。
常见的时频域特征包括：
1. 频谱：通过分析小波基函数在频域上的能量分布，可以得到信号在不同频率下的能量特征。
频谱可以用于识别信号的频率成分和频率分布特性。
2. 能量分布：通过分析每个小波基函数的能量分布，可以获得信号在不同时间段和频率上的能量分布特征。
能量分布可以用于识别信号的能量集中程度和时频分布特性。
3. 包络线：通过分析小波基函数在时间域上的包络线，可以得到信号的振幅特征。
包络线可以用于识别信号的瞬态特征和振幅变化情况。
4. 相位信息：通过分析小波基函数在时间域上的相位信息，可以获得信号的相位特征。
相位信息可以用于识别信号的相位变化情况和信号的相位关系。
时频域特征可以帮助人们更好地理解信号的时频特性，从而进行信号处理、信号识别和信号编码等方面的应用。
如何使用小波变换进行信号重构
如何使用小波变换进行信号重构信号重构是一项重要的信号处理技术，它通过对原始信号进行分析和处理，使得信号能够更好地表示出其特征和结构。
而小波变换作为一种有效的信号分析工具，被广泛应用于信号重构领域。
本文将介绍如何使用小波变换进行信号重构，并探讨其在实际应用中的优势和局限性。
首先，我们来了解一下小波变换的基本原理。
小波变换是一种时频分析方法，它将信号分解为不同频率的小波分量，从而可以对信号的局部特征进行更精细的分析。
小波变换的核心是小波函数，它可以看作是一种特殊的基函数，具有局部化和多尺度分析的特点。
通过对信号进行小波分解，可以得到不同频率和尺度的小波系数，从而揭示信号的时频特性。
在信号重构中，我们通常需要根据已有的采样数据来还原信号的原始形态。
小波变换提供了一种有效的方法来实现信号的重构。
具体而言，我们可以通过将小波系数与小波基函数进行线性组合，来重构信号。
在这个过程中，我们可以根据需要选择不同的小波基函数和重构算法，以达到更好的重构效果。
小波变换的信号重构方法有多种，其中最常用的是基于小波包的重构方法。
小波包是小波变换的一种扩展形式，它将信号分解为更细致的频率子带，从而可以更准确地还原信号的频率特性。
基于小波包的重构算法通常包括两个步骤：首先是小波包分解，将信号分解为不同频率子带的小波系数；然后是小波包重构，通过对小波系数进行线性组合，还原信号的原始形态。
小波包重构方法具有一定的优势和局限性。
首先，小波包可以提供更丰富的频率信息，能够更准确地还原信号的频率特性。
其次，小波包重构方法具有较好的时域局部性，能够更好地保留信号的局部特征。
然而，小波包重构方法也存在一些局限性，比如对噪声和干扰信号的敏感性较高，容易引入伪迹等问题。
因此，在实际应用中需要根据具体情况选择合适的重构方法。
除了基于小波包的重构方法，还有其他一些小波变换的信号重构方法。
例如，基于小波阈值去噪的重构方法可以通过对小波系数进行适当的阈值处理，来去除信号中的噪声和干扰。
数字信号处理中时频分析技巧
数字信号处理中时频分析技巧时频分析是数字信号处理中的重要技术之一，它能够提供信号在时域和频域上的详细分析信息。
在数字信号处理领域的应用非常广泛，包括通信系统、音频处理、图像处理等方面。
本文将介绍数字信号处理中的时频分析技巧，包括短时傅里叶变换（STFT）、小波变换（WT）、希尔伯特－黄变换（HHT）等方法。
首先要介绍的是短时傅里叶变换（STFT），它是一种将信号在时域和频域上进行分析的方法。
STFT使用窗函数将信号分割成一段一段的小块，并对每一段进行傅里叶变换。
这样可以得到信号在不同时间和不同频率上的频谱信息。
STFT能够较好地抓取信号的瞬时特性，但对于非平稳信号，频率分辨率较低，时间分辨率较高。
小波变换（WT）是另一种常用的时频分析方法。
它通过将信号与小波基函数进行相互作用，获得信号在不同尺度和不同位置上的时频信息。
小波基函数是一组具有局部性质的基函数，能够较好地表示信号的非平稳性。
WT具有较高的时间分辨率和较好的频率分辨率，适用于分析非平稳信号和突发信号。
希尔伯特－黄变换（HHT）是近年来提出的一种新型时频分析方法。
它结合了经验模态分解（EMD）和希尔伯特谱分析（HSA）两种方法。
EMD是一种将信号分解成多个固有振动模态的方法，而HSA则是对每个固有振动模态进行希尔伯特变换并求取瞬时时频图谱。
HHT能够较好地提取信号的非线性和非平稳特性，适用于分析振动信号和生物信号等。
除了这些常用的时频分析方法，还有一些其他的技术也值得关注。
例如，提取信号的瞬时参数可以通过瞬时频率（IF）、瞬时幅度（IA）、瞬时相位（IP）等来实现。
这些参数能够反映信号在时间和频率上的变化特性，对于信号的瞬态行为有较好的描述能力。
此外，盲源分析（BSS）也是一种常用的信号处理技术，它能够从复杂的混合信号中分离出各个源信号，进一步提取出它们的时频信息。
时频分析技巧在不同领域的应用非常广泛。
在通信系统中，时频分析一般用于信号调制与解调、频率同步、信道估计等方面，能够提取出信号的频谱特性，评估信号的品质。
采用局部特征尺度分解的跳频信号参数盲估计算法
采用局部特征尺度分解的跳频信号参数盲估计算法吕晨杰;王斌;唐涛【期刊名称】《信号处理》【年(卷),期】2015(000)003【摘要】A new blind parameter estimation algorithm of the frequency hopping signal is proposed,which is based on the local characteristic-scale decomposition(LCD)to solve the contradiction between the resolution of time and frequency. In the proposed algorithm the frequency hopping signal is iteratively decomposed into several intrinsic scale components (ISC),and some intrinsic scale components are deleted which are regarded as noise components,then an analysis se-quence is derived from the maximum instantaneous amplitude of the denoised signal.So the hop rate and hop timing of the frequency hopping signal can be estimated by performing wavelet transform and Fourier transform on the analysis sequence. And the hopping frequencies can be estimated by using the estimated hop rate and hop timing.The algorithm is free from time-frequency uncertainty principle,and can estimate the hop rate,hop timing and hopping frequencies without any prior knowledge.Simulation results have proved that the algorithm is effective.%针对现有跳频信号参数盲估计算法存在时间分辨率和频率分辨率矛盾这一问题，提出了一种基于局部特征尺度分解的跳频信号参数估计新算法。
常用分解曲线
常用分解曲线
常用的分解曲线有以下几种：
1. 傅里叶级数（Fourier Series）：用正弦和余弦函数的无穷级数来表示周期函数。
通过将周期函数分解为不同频率的正弦和余弦波，可以得到其频谱特征。
2. 小波变换（Wavelet Transform）：是一种时频分析方法，能够捕捉信号在时间和频率上的局部特征。
小波变换将信号分解为不同尺度和位置上的小波基函数，提供了更好的时间和频率分辨率。
3. 奇异值分解（Singular Value Decomposition，SVD）：是一种线性代数中的矩阵分解方法，将一个矩阵分解为三个矩阵的乘积。
SVD在信号处理和数据降维中广泛应用，可以提取出矩阵的主要特征。
4. 主成分分析（Principal Component Analysis，PCA）：是一种常用的数据降维技术，通过线性变换将原始数据投影到新的坐标系上，使得投影后的数据具有最大的方差。
PCA可以用于特征提取、数据压缩等领域。
5. 独立成分分析（Independent Component Analysis，ICA）：是一种盲源分离方法，通过将混合信号分解为相互独立的成分，来还原出源信号。
ICA常用于信号处理、图像分析等领域。
这些分解曲线方法在不同领域和应用中具有重要的作用，可以帮助我们理解和分析复杂的数据和信号。
1。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
２ Ｏ ２ 年 １
湖
南
大
学
学
报 （自 然 科 学 版 ）
Ｖｏ ＿ ９， ． ｌ ３ Ｎｏ ６
６ 月
Ｊ ｕ ｎ ｌ ｆ Ｈｕ ａ ｉｅ ｓｔ （ ｔ ｒ ｌＳ ｉ ｎ ｅ ） ｏ ｒ ａ ｎ ｎ Ｕｎ ｖ ｒ ｉ Ｎａ ｕ ａ ｃ ｅ ｃ ｓ ｏ ｙ
Ｔｈ ｎａ ｙ ｉ ｅ ｕ ｔ ｖ ｅ ｅ ａ ｌ ｓｓ ｒ ｓ ｌｓ ｈａ ｅ ｄ ｍｏｎｓ ｒ ｔ ｄ ｔ ｅ ｖ ｌｄ ｔ ｈ ｗｏ ｄ ｃ ｔ ａ ｅ ｈ ａ ｉ ｉｙ ｏｆｔ ｅ ｔ ｅ ｏｍｐｏ ｉｉ ｎ ｍ ｅ ｈｏ ． Ｍ ｏｒ ｏｖ ｒ ｓｔｏ ｔ ｄｓ ｅ ｅ ，ＬＣＤ ｓ ｉ ｓ ｕｐｅ ｉ ｏ ＥＭ Ｄ ｎ ｃ ｒｏｒｔ ｉ ｏｍｐｕ ａ ｉ ｎ ｌｅ ｆｃ ｅ ｙ ａ ｄ ｒ ｓ ｒｃ ｉ ｎ ｎｄ ｅ ｆ ｃ ｓ ｎ ａ ｉｉ ｔ ｔｏ ａ ｆｉ ｉｎｃ ｎ ｅ ｔ ｉ ｔｏ ｏｆｅ ｆｅ ｔ ．Ｉ ｄｄ ｔｏｎ，ＬＣＤ ｓａ ｓ ｐ ｉｄ ｉ ｌ ｏ ａ ｐｌｅ ｔ ａ ｔ ｄ ａ ｎｏ ｉ ｏ ｏ ｌｒ ｂｅ ｒｎｇ ａ ｈ ｎａ ｙ ｉ ｅ ｕｌｓｆ ｏ ｔ ｃ ｕａ ａ ｔｖｉ ａ ｉ ｎ ｓｇｎ ｌｈａ ｅ ｆ — ｏ ｆ ｕｌ ｉ ｇ ｓ ｓｆ ｒ ｒ ｌｅ ａ ｉ ｎｄ ｔ ｅ ａ ｌ ｓ ｓｒ ｓ ｔ ｒ ｍ ｈｅ ａ ｔ ｌｆ ｕｌ ｂｒ ｔｏ ｉ ａ ｖ ｕｒ ｔ ｅ ｒ ｅ ｈ ｆｅ ｔｖ ｎｅ ｓ ｏ ｈ ｒ ｐ ｏｖ ｄ ｔ ｅ ｅ ｆ ｃ ｉ ｅ ｓ ｆＬＣＤ． Ｋｅ ｒ ｓ： ａ ｔ ｉ ｇｎ ｓ ｓ ｌ ａ ｃ ｒ ｃ ｅ ｉｔｃ ｓ ａ ｅ ｄ ｃ ｙ ｗｏ ｄ ｆ ｕｌ ｄ ａ ｏ ｉ ； ｏｃ ｌ ｈａ ａ ｔ ｒｓ ｉ— ｃ ｌ ｅ ｏｍｐｏ ｉｉ ｎ； ｉ ｔ ｉ ｉ ｃ ｌ ｃ ｓｔｏ ｎ ｒｎｓｃ ｓ ａ ｅ ｏｍｐ ｅ ；ｒ ｌｒ ｏｎ ｎｔ ｏｌｅ ｂｅ ｒｎ ａ ｉ ｇｓ
摘 要 ： 尺 度 分 量 （ｎｒｎ ｉ ｓａｅｃ ｍｐ ｎ ｎ ， 在 Ｉ ｔｉｓ ｃｌ ｏ ｏ ｅ ｔ ｃ
ＩＣ） Ｓ 的基 础上 ， 出了一种新 的 自适 应 时频分 析 方法—— 局 部 特征 尺 度 分 解（ ｏ ａ ｃ ａａ— 提 Ｌ ｃ ｌ ｈ ｒｃ
中图分 类号 ： ＴＨ１ ５ １ 文献标 识码 ： Ａ
Ａ ｗ ｍ ｅ ｆ ｅ ｕ ｎ ｙ Ａｎ ｌ ｓｓ Ｍ ｅ ｈ ｄ ｔ ｅ Ｎｅ Ｔｉ — ｒ ｑ ｅ ｃ ａ ｙ ｉ — ｔｏ ｈ Ｌｏ ａ ａ ａ ｔ ｒｓ ｉ— ｃ ｌ ｃ ｍ ｐ ｓｔｏ ｃ ｌＣｈ ｒ ｃ ｅ ｉｔｃ ｓ ａ ｅ Ｄｅ ｏ — ｏ ｉｉ ｎ
ｃ ｏｍｐｌｃ ｔ ｄ ｓｇ ｌｃ ｎ ｂ ｃ ｉａ ｅ ｉ ｎａ ａ ｅ ｄｅ ｏｍｐｏ ｅ ｎ ｏ ａ ｎ ｓ ｄ ｉ ｔ ｕｍｂｅ ｆＩ ｒｏ ＳＣ， ｗｈｏ ｅ ｉ ｔ ｎｔ ｎｅ ｓ ｎｓ ａ ａ ｏｕｓｆ ｅ ｅ ｉ ｓｈａ ｅ ｐｈ ｉａ ｒ ｑｕ ｎｃｅ ｖ ｙｓｃ ｌ
ｔｒ ｔ —ｃｌ ｄ ｃ ｍｐ ｓ ｉｎ Ｌ Ｄ） 该 方 法 可 以 自适 应 地 将 一 个 复 杂 信 号 分 解 为 若 干 个 Ｉ Ｃ ｅｉ ｉ ｓａｅ ｅｏ ｏ ｉｏ ， Ｃ ， ｓｃ ｔ Ｓ 分 量 之 和 ． 别 采 用 Ｌ Ｄ 方 法 和 经 验 模 态 分 解 （ ｍｐｒ ａ ｍｏ ｅｄ ｃ ｍｐ ｓ ｉｎ Ｅ 分 Ｃ Ｅ ｉ ｃ ｌ ｄ ｅｏ ｏ ｉ ｏ ， ＭＤ） 法 ｉ ｔ 方
ｃ ｎ ｌ ｓｓｍ ｅ ｈ ｄ，． ． ｏ ａ ｈ ｒ ｃｅ ｉｔｃｓ ａｅｄ ｃ ｍｐ ｓｔ ｎ （ Ｄ） ｙ ａ ａｙ ｉ ｔ ｏ ｉｅ ，ｌｃ ｌ ａ ａ ｔｒｓｉ— ｃ ｌ ｅ ｏ ｏ ｉ ｏ ｃ ｉ ＬＣ ，ｗａ ｒ ｐ ｓ ｄ ｓｐ ｏ ｏ ｅ ．Ｂｙ ｕ ｉｇ ＬＣ 。ａ ｓｎ Ｄ
Ａｂ ｔ ａ ｔ Ｂａ ｅ ｈ ｅ ｉ ｉｉ ｎ ｏ ｎ ｒｎｓｃ ｓ ａ ｅｃ ｍ ｐ ｎｅ ｔ （ ＳＣ ）。ａ ｎ ｗ ｅ ｆａ ｐｔｖ ｉ ｅ ｆｅ ｅ — ｓｒ ｃ ： ｓ ｄ ｏｎ ｔ ｅ ｄ ｆｎ ｔｏ ｆｉ ｔ ｉ ｉ ｃ ｌ ｏ ｏ ｎ Ｉ ｅ ｓ ｌ— ｄａ ｉ ｅ ｔｍ —ｒ ｑｕ ｎ
ＹＡＮＧ ＥＮＧ ｉｇ， Ｙｕ 。Ｚ Ｍ ｎ ＣＨＥＮＧ ｕ —ｈ ｎ Ｊ ｎｓ ｅ ｇ
（ ｔ ｅ ｙ Ｌ ｂ ｒｔｒ ｆ ｖ ｎ ｅ ｅｉ ｎ ｎ ｆｃ ｒ ｆ ｒ ｅ ｉ ｅＢ ｄ ， ｎ ｎＵｎ ， ｈ ｎ ｓ ａ Ｈｕ ａ ４ ０ ８ － ｈ ａ Ｓａ ａ ｏ ａ ｙｏ ａ ｃ Ｄ ｓ ｎ ａ ｄＭａ ｕａｔ ｅ ｏ ｈ ｌ ｏ ｙ Ｈｕ ａ ｉ Ｃ ａ ｇ ｈ ， ｎ ｎ １ ０ ２ Ｃ ｉ ） ｔ Ｋｅ ｏ Ａｄ ｄ ｇ ｕ Ｖ ｃ ｖ ｎ
ｍ ｅ ｎ ｎ ． ｅ ｐ ｏ ｅ ｓ ｄ ｓｍｕ ａ ｉ ｎ ｓｇ ａ ｓａ ａ ｙ ｅ ｙ Ｌ ａ ｉ ｇ Ｔｈ ｒ ｃ ｓ ｅ ｉ ｌ ｔ ｉ ｎ ｌ ｏ ｗａ ｎ ｌ ｚ ｄ ｂ ＣＤ ｎ ｍ ｐ ｒｃ ｌ ａ ｄ ｅ ｉｉａ ｄ ｅ ｏ ｍｏ ｅ ｄ ｃ ｍｐ ｓｔｏ （ ｏ ｉｉ ｎ ＥＭ Ｄ） ．
对仿 真信 号进行 了分析 ， 析结 果表 明 ： 方 法都 可 以有 效地 对 信 号进 行 分解 ， Ｌ Ｄ 方 分 ２种 但 Ｃ 法在计 算 效率和 抑 制端 点效 应 等 方 面要 优 于 Ｅ ＭＤ 方 法． 外 ， 此 还将 Ｌ Ｄ 方 法应 用 于 滚动 Ｃ 轴 承故 障诊 断 ， 实验 信 号的 分析 结果进 一 步表 明 了该方 法 的有效 性． 关 键词 ： 障诊 断 ； 部特 征尺 度 分解 ； 故 局 内禀尺度 分 量 ； 滚动轴 承
Ｊ ｎ ｕ ．２ ０ １ ２
文 章 编 号 ：６ ４２ ７ （０ ２ ０ —０ ５０ １７ —９ ４ ２ １ ）６０ ３ —５
一
种 新 的 时 频 分 析 方 法
局 部 特 征 尺 度 分 解
杨 宇 曾 鸣 ， 军 圣 ， 程
（ 南 大 学 汽 车 车 身 先 进 设 计 制造 国 家 重 点 实 验 室 ， 南 长 沙 湖 湖 ４０８） １ ０ ２