倒频谱分析 (DEMO)

合集下载

时域分析法 (DEMO)

时域分析法 (DEMO)

从图 1—23 可以看出,信号的时域和频域描述是从不同的领域来 说明同一个信号。周期方波在时域可分解成许多不同频率和幅值的奇 次谐波,而在频域则表达了这些谐波的幅值与初始相位角随频率的变 化情况。(俯视为初始相位角)
实际上,各种幅域参数本质上是取决于随机信号的概率密度函数。 随机信号的概率密度函数表示幅值 x(t) 落在某一个指定范围内的概 率大小,随机信号的幅值取值的概率是有一定规律的,即对于同一过 程的多次观测中,信号中各幅值出现的频次将趋于确定的值。
p(x) 表示幅值落在小区间 (x, x x) 上的概率与区间长度之比,因 此称为幅值概率密度函数。
Xp=
X (t)man
测试过程中如能充分估计峰值的大小,将便于确定测试仪器的动 态工作范围。若对峰值估计不足,可导致削波失真,甚至仪器被损坏。 信号的峰值也有它的自身作用,如在进行机械结构的强度或安全设计 时,就需要了解负荷的最大瞬时值。
峰值不能完全反映信号在整个时间过程中的状况。 2.均值 μ x 各态历经的平稳随机信号的均值是样本函数 x(t) 在整个时间坐标 上的积分平均即
式中,总是重点考虑较多出现的应力所造成的疲劳问题,所以它成为 产品设计的必要依据。
测试信号的频率域分析 在动态测试技术中往往需要将时间域信号变换列频率域上加以 分析,从频率角度来反映和揭示信号的变化规律,这种频率分析的方 法又称为频谱分析法。常用的频谱分析法有频率分析相功率谱分析两 种。 信号的时域分析 时域分析的主要特点是针对信号的时间顺序,即数据产生的先后 顺序。而在幅域分析中,虽然各种幅域参数可用样本时间波形来计算, 但忽略了时间顺序的影响,因而数据的任意排列所计算的结果是一样 的,在时域中提取信号特征的主要方法有相关分析和时序分析。 一、时域波形分析 常用工程信号都是时域波形的形式.时域波形有直观、易于理解 等持点。由于是最原始的信号,所以也含的信息量大,但缺点是不太 容易看出所包含信息与故障的联系 而对于某些故障信号,其波形具 有明显的特征,这时可以利用时域波形所作出初步判断。例如对于旋 转机械、其不平衡故障较严重时,信号中有明显的以旋转频率为持征 的周期成分;而转轴不对中时,信号在一个周期内,旋转频率的 2 倍 频成分明显加大,即一周波动 2 次。 而当故障轻微或信号中混有较大干扰噪声时,载有故障信息的波 形持征就会被掩没。为了提高信号的质量,往往要对信号进行预处理,

基于小波包和倒频谱分析的颤振特征提取方法

基于小波包和倒频谱分析的颤振特征提取方法

2017年1月机床与液压Jan.2017第 45 卷第1期MACHINE TOOL &HYDRAULICS Yol.45 No. 1 D O I:10.3969/j.issn. 1001-3881. 2017. 01. 043基于小波包和倒频谱分析的颤振特征提取方法王二化\刘忠杰2(1.常州信息职业技术学院,常州市大型塑料件智能化制造重点实验室,江苏常州213164;2.常州信息职业技术学院机电工程学院,江苏常州213164)摘要:立铣加工过程中的颤振会严重影响工件表面质量和材料去除率,加剧刀具磨损和恶化工作环境。

虽然大部分颤 振监测系统可以监测到颤振发生,但颤振发生时已经对工件和刀具产生了严重的损伤,因此,需要提前监测到颤振特征。

由于加工过程的非线性导致振动信号频率成分复杂,单一的时频分析方法难于得到可靠的颤振特征。

通过小波包分解确定 颤振发生频段并重构该频段信号,通过颤振发生频段的倒频谱辨识稳定、过渡和颤振状态。

研究结果表明,该方法可以有 效识别立铣加工过程的稳定、过渡和颤振状态。

关键词:颤振;立式铣削;小波包分解;倒频谱;特征提取中图分类号:TP14 文献标志码:A文章编号:1001-3881 (2017) 01-173-4Chatter Feature Extraction Method Based on Wavelet Packet Decompositionand Cepstrum AnalysisWANG Erhua1, LIU Zhongjie2(1. Changzhou Key Laboratory of Large Plastic Parts Intelligence Manufacturing, Changzhou College ofInformation Technology, Changzhou Jiangsu 213164, China;2. School of Mechanical and ElectricalEngineering, Changzhou College of Information Technology, Changzhou Jiangsu 213164, China) Abstract :Chatter in the process of end milling would lead t o poor surface finish, low material removal rate, severe tool wearand noisy workplace, and et c.Chatter vibration can be detected by most chatter detection system, however, i t already has serous effects on the surface quality of workpieces as well as the cutting tools when i t occurring. Therefore,chatter detection system must find chatter characteristicsin the early s t a t e.The nonlinear machining process would cause complex frequency componentsin the vibration signal,so i t was dif f i c u l t to obtain reliable chatter feature using a single time-frequency analysis method. Wavelet packet decomposition was e m­ployed to define the chatter emerging frequency range, and i t was reconstructed. The cepstrum of chatter emerging frequency range wa- susedto identify the stable, transition and chatter stat e s. The study results show that the method can accurately distinguish the stable, transition and chatter states in end milling processes.Keywords:Chatter; End milling; Wavelet packet decomposition;Cepstrum; Feature extraction〇前言切削颤振的机制研究最早可追溯到1946年,在 研究初期阶段,认为颤振的发生主要归因于切削系统 存在负阻尼[1]。

倒频谱分析法在新能源减速器异响诊断中的应用

倒频谱分析法在新能源减速器异响诊断中的应用

倒频谱分析法在新能源减速器异响诊断中的应用作者:文 / 邢明星高海龙吴海东来源:《时代汽车》 2020年第12期邢明星高海龙吴海东蜂巢传动科技河北有限公司河北省保定市 071000摘要:在研究了齿轮系统的振动噪声机理的基础上建立了以倒频谱分析法为核心的齿轮故障诊断数学模型,依据该模型,利用LMS Test. Lab函数运算、频谱曲线绘图功能对某新能源减速器测试数据进行倒频谱分析,并准确找到故障源;结果表明,倒频谱分析法能够简化复杂振动信号的频谱特征,分离、提取密集边频信号中的周期成份,精确定位故障源,对工程应用具有重要意义。

关键词:振动噪声机理;倒频谱分析法;边频信号;周期成份1 引言在变速传动系统产生的异响中,齿轮的局部故障占有很大的比例,而此时齿轮传动系统的振动信号中包含了丰富的故障特征信息,不同的齿轮故障具有的振动信号特征不同。

目前故障的诊断方法有很多,常见的方法有:时域分析法、频域分析法、时间序列分析法和倒频谱分析法等,各种振动信号分析方法在旋转机械中都取得了成功的应用[1,2]。

齿轮啮合传动过程中,其振动和噪声可以迅速、全面、真实地反映齿轮传动系统故障的性质和范围,而要准确诊断出故障所在,振动信号特征的提取和分析成为关键[3]。

由于齿轮传动过程中齿轮轴的转频调制齿轮的啮合频率,从而导致齿轮振动信号的频谱曲线图中会出现在齿轮啮合频率周围产生一系列边频谱带;当正常运转时,信号会保持不变;而当齿轮出现故障时,边频带的数量和幅值会发生变化;这些边频带交叉在一起很难进行分辨,只应用普通的频谱分析法已不能够准确的判断出故障,利用倒频谱法能够有效地分析复杂边频的周期成分[3,4,5]。

本文采用倒频谱分析法对某新能源减速器齿轮振动信号进行两次傅里叶积分变换,将原功率谱上成族的边频线简化为单根谱线,使信号的能量更加集中[6],进而准确定位故障源,为提升整个传动系统的使用品质提供了保障。

2 减速器齿轮啮合振动调制分析齿轮具有一定质量,轮齿可以看作弹簧,因此在研究一对齿轮啮合传动时,该齿轮副可以看成是一个具有质量、弹簧、阻尼振动的系统。

倒频谱分析 (DEMO)

倒频谱分析 (DEMO)

倒频谱分析倒频谱分析也称为二次频谱分析,是近代信号处理科学中的一项新技术,是检测复杂谱图中周期分量的有用工具。

它对于分析具有同族谐频或异族谐频、多成分边频等复杂信号,找出功率谱上不易发现的问题非常有效。

实数倒谱又分为功率倒频谱、幅值倒频谱和类似相关函数的倒频谱。

工程上经常使用的是功率倒频谱和幅值倒频谱。

在语言分析中语音音调的测定、机械振动中故障监察和诊断以及排除回波(反射波)等方面均得到广泛的应用。

若一个测量信号)s(t)x(=,则当两个分量y+tt)(ty是由两个分量)(tx与)(t(s叠加而成的,即)的能量分别集中在不同的频率段时,可用频域分析中的线性滤波或功率谱分析;当所要提取的分量以一定的形状作周期性重复而其中一分量是随时间变化的噪声时,可用时域分析中的信号平均法或相关分析。

这些方法都可有效地处理线性叠加信号。

但是有的信号不是由其分量的线性叠加,例如机床的输出信号是)(ty,激发振动的输入信号是切削力)tty+xhy是(t=即输出)(th描述的,则有)(t(t(x,而机床的动力特性是由脉冲响应))()输入)h的卷积,这是用处理线性叠加信号的方法就不够了。

另外、对于一个(tx与脉冲响应力)(t复杂的功率谱图,有的很难直观看出它的一些特点和变化情况。

而倒谱分析则能很好地处理这类问题,使故障诊断更加便利。

倒频谱是频域函数的傅里叶再变换,与相关函数不同只差对数加权。

对功率谱函数取对数的目的,是使再变换以后的信号能量格外集中,同时还可解析卷积(褶积)成分,易于对原信号的识别。

功率倒谱主要定义为时间信号的功率谱取对数再进行傅里叶逆变换。

通过上述分析可知,倒谱分析技术可适用于:(1)机械故障诊断,对于机械故障信号在频谱图上,出现难以识别的多族调制边频时,采用倒频谱分析技术,可以分解和识别故障频率,分析和诊断产生故障的原因和部位。

在齿轮箱的振动分析中,倒谱分析技术有广泛的应用。

(2)语音和回声分析,求解卷积问题。

倒谱计算与分析综述

倒谱计算与分析综述

《视频语音处理技术》倒谱计算与分析学院名称:计算机与信息工程学院____________ 专业名称:计算机科学与技术________________ 年级班级:_________________姓名:________________________学号:______________________计算机与信息技术学院综合性、设计性实验报告专业:计算机科学技术年级/班级:2011级2012 —2013学年第一学期一、实验目的:对语音信号进行同态分析可得到语音信号的倒谱参数。

语音的倒谱是将语音的短时谱取对数后再进行IDFT得到的,所以浊音信号的激励反映在倒谱上是同样周期的冲激,借此,可从倒谱波形中估计出基音周期。

对倒谱进行低时窗选,通过语音倒谱分析的最后一级,进行DFT后的输出即为平滑后的对数模函数,这个平滑的对数谱显示了特定输入语音段的谐振结构,即谱的峰值基本上对应于共振峰频率,对于平滑过的对数谱中的峰值进行定位,即可估计共振峰。

对于倒谱计算与分析的设计实验可作如下训练:1、复倒谱的几种计算方法:2、最小相位信号法和递归法;3、基音检测;4、共振峰检测。

二、实验仪器或设备:windowsXP下的Matlab编程环境三、总体设计(设计原理、设计方案及流程等)1 .复倒谱的几种计算方法:在复倒谱分析中,z变换后得到的是复数,所以取对数时要进行复对数运算。

这时存在相位的多值性问题,称为“相位卷绕”。

设信号为x(n)=为(n) X2( n)则其傅里叶变换为X(e')二Xje八)/(e八)对上式取复对数为ln X(e')=lnX1(e「)7nX2(e「)则其幅度和相位分别为:ln X(e鬥=ln X'e鬥+ln X2(e今「)「(•) *)(■) = - i( ■)2()上式中,虽然 iCO ,2()的范围均在—二,二 内,但 (.)的值可能超过(―.兀)范围。

计算机处理时总相位值只能用其主值 ①(国)表示,然后把这个相位主值“展开”,得到连续相位。

基于倒频谱的无噪声运动模糊图像快速复原算法

基于倒频谱的无噪声运动模糊图像快速复原算法

基于倒频谱的无噪声运动模糊图像快速复原算法
魏鑫;陈广锋
【期刊名称】《东华大学学报(自然科学版)》
【年(卷),期】2016(042)002
【摘要】针对当前运动模糊图像复原算法主要集中在非实时性研究,着重考虑算法的执行质量而不考虑算法执行效率的问题,提出了基于倒频谱的无噪声图像的快速复原算法.该算法对无噪声模糊图像进行倒频谱处理,从倒频谱图中直接得到图像的模糊方向和模糊距离.对于尺寸较大的图像,在执行倒频谱算法前先使用双线性插值算法实现图像压缩,再进行倒频谱操作.通过比较各种复原算法的执行效率及效果,采用维纳滤波对图像进行复原.通过对多幅模糊图像进行仿真复原试验,在获得了良好的复原效果的同时也取得了较高的执行效率.
【总页数】6页(P228-233)
【作者】魏鑫;陈广锋
【作者单位】东华大学纺织装备教育部工程研究中心,上海201620;东华大学纺织装备教育部工程研究中心,上海201620
【正文语种】中文
【中图分类】TP753
【相关文献】
1.一种基于倒频谱鉴别模糊参数的图像复原算法 [J], 谢飞;车宏;蔡猛;张红刚
2.运动模糊图像快速递推复原算法研究 [J], 李双军;曾光宇
3.基于l0高阶全变差的运动模糊图像盲复原算法 [J], 高如新;郭凤云;李雪颖
4.基于改进R-L算法的运动模糊图像复原方法研究 [J], 陈员义;杨文福;周祥明;徐华银
5.基于改进R-L算法的运动模糊图像复原方法研究 [J], 陈员义;杨文福;周祥明;徐华银
因版权原因,仅展示原文概要,查看原文内容请购买。

最小方差倒频谱

最小方差倒频谱

最小方差倒频谱最小方差倒频谱(Minimum Variance Spectral Estimation,MVSE)是一种经典的频谱估计方法,旨在从有限长度的离散时间序列中估计出信号的频率成分。

它是一种非参数估计方法,与传统的经验谱估计法相比,MVSE方法更加灵活和有效。

为了更好地理解最小方差倒频谱方法,我们首先需要了解频谱估计的基本概念和问题。

频谱是一个描述信号在不同频率下的能量分布的函数,它能够提供信号中各个频率成分的信息。

频谱估计的目标就是通过给定的有限时间序列,从中估计出信号的频率成分。

在频谱估计中,最常用的方法是傅里叶变换。

傅里叶变换将信号从时域转换到频域,得到信号在各个频率下的复数幅度或相位。

然而,傅里叶变换在实际应用中存在一些限制,尤其是对于非平稳信号和非无限长度信号。

此外,傅里叶变换对输入序列的长度要求较高,必须是周期信号或有限长度的周期块。

对于非周期信号,我们需要综合多个周期信号的频谱来估计出整个信号的频谱。

最小方差倒频谱是一种常用的频谱估计方法,可以克服以上问题。

它基于最小方差准则,通过对输入信号进行预处理,将其转换为一个线性组合的形式,从而得到频谱估计。

最小方差倒频谱方法的基本思想是对输入信号进行线性滤波,使得输出信号的频谱能够更好地估计原始信号的频谱。

该方法的核心就是确定最佳滤波器,使得输出信号的方差最小。

在实际应用中,最小方差倒频谱方法通常通过自适应滤波技术来实现。

最小方差倒频谱方法的实现过程包括以下几个步骤:1.预处理:对输入信号进行预处理,例如去除直流分量、归一化等。

2.设置自适应滤波器:选择合适的滤波器参数和滤波器类型,例如FIR滤波器、IIR滤波器等。

3.计算自相关矩阵:根据输入信号和滤波器的参数,计算自相关矩阵,该矩阵描述了输入信号与滤波器输出信号之间的关系。

4.计算最小方差反卷积函数:通过对自相关矩阵进行逆运算,得到最小方差反卷积函数,该函数可以用来估计输入信号的频谱。

倒频谱在航空发动机振动分析中的应用

倒频谱在航空发动机振动分析中的应用
2 1 年 1月 2 日收 到 , 01 8 2月 l 1日修 改
若 源 输 入 信 号 为 ( ) 测 得 的 输 出 信 号 为 t,
Y£, () 传递 响 应 函数 h( , 时 域 关 系 为 : t ) 则 Y( )=
() () th t。 频 域为 : ( = 】 ( , ( 。
中图法分类号
V 3 .2 2 19 ;
航空 发动 机在 其 工作 过 程 中 , 由于 自身 的各 种 机 械运动 , 括 高 低 压 转 子 的 旋 转 运 动 , 轮 的啮 包 齿
得到倒 频 谱 函数 c ( ) pw rcpt m) 。 q ( o e e su 。其 数 学 r
表达式 为 :
第 1 1卷
第 1 2期
2 1 年 4月 01







Vo.1 No 2 Ap . 011 1 1 .1 r2
17 — 1 1 2 1 1 —77 0 6 1 8 5( 01 ) 2 2 2 — 3
S i n e T c oo y a d Engn e i c e c e hn lg n i e rng
术 对 实 际发 动机 振 动 数据 进 行 了分 析 , 果 表 明 倒 频 谱 分 析 技 术 应 用 于 航 空 发 动 机 振 动 分 析 , 以有 效 分 离传 递 通 道 影 响 并 结 可 从 复 杂 的 频谱 中提 取 出特 征 频 率 。
关键词
倒 频谱
航 空发动机
振 动分析 文献 标志码

2 1 S i eh E gg 0 c T c. nn. 1 .
倒 频谱 在 航 空 发 动 机 振 动 分析 中 的应 用

基于倒频谱分析的电机故障检测

基于倒频谱分析的电机故障检测

基于倒频谱分析的电机故障检测张雄希;刘振兴【摘要】介绍了倒频谱分析的基本原理及在电机故障检测中的应用.对于电机运行过程中所形成的耦合故障导致故障类型识别困难的问题,提出了运用倒频谱分析与小波分解相结合的电机故障检测方法.它能将功率谱上成族的边频带谱线简化为更易于观察的单根谱线,将两者优势相结合,实现电机耦合故障分离和故障特征提取,为电机复合故障诊断提供了新的途径和方法.【期刊名称】《电力系统保护与控制》【年(卷),期】2010(038)020【总页数】3页(P145-147)【关键词】倒频谱;小波分解;故障检测【作者】张雄希;刘振兴【作者单位】武汉科技大学信息科学与工程学院,湖北,武汉,430081;冶金自动化与检测技术教育部工程研究中心,湖北,武汉,430081;武汉科技大学信息科学与工程学院,湖北,武汉,430081;冶金自动化与检测技术教育部工程研究中心,湖北,武汉,430081【正文语种】中文【中图分类】TM3430 引言鼠笼式异步电机是应用最广泛的一种电气设备,运行过程中的主要故障表现为转子断条、定子匝间短路和气隙偏心等。

国内外学者对电机故障特征如何有效地提取和识别进行了大量的研究工作,但研究对象主要集中在对转子断条、偏心、定子短路等单一故障进行诊断[1]。

然而在实际生产中,异步电机的故障往往并非单独出现,某些故障常会诱发其他故障,多个故障相互耦合形成复合故障,因此对异步电动机复合故障的研究也很有必要[2]。

小波变换具有的多分辨率性质在故障信号提取方面具有突出作用,近年来在异步电机早期故障检测领域得到较多的应用。

利用小波多分辨分析特性将故障电机信号细分到不同频段中,在各个频段里分析处理,消除故障特征频率附近的频率干扰因素,有利于提取故障特征频率[3]。

倒频谱分析法可将功率谱上成族的边频带谱线简化为单根谱线,分离和提取信号中的周期成分、多成分边频,目前在设备故障诊断中应用较为广泛[4]。

频谱分析(完整版)

频谱分析(完整版)

Matlab 信号处理工具箱 帮助文档 谱估计专题翻译:无名网友 & Lyra频谱分析Spectral estimation (谱估计)的目标是基于一个有限的数据集合描述一个信号的功率(在频率上的)分布。

功率谱估计在很多场合下都是有用的,包括对宽带噪声湮没下的信号的检测。

从数学上看,一个平稳随机过程n x 的power spectrum (功率谱)和correlation sequence (相关序列)通过discrete-time Fourier transform (离散时间傅立叶变换)构成联系。

从normalized frequency (归一化角频率)角度看,有下式()()j mxx xx m S R m eωω∞-=-∞=∑注:()()2xx S X ωω=,其中()/2/21limN j n n N n N X x e Nωω→∞=-=∑πωπ-<≤。

其matlab近似为X=fft(x,N)/sqrt(N),在下文中()L X f 就是指matlab fft 函数的计算结果了使用关系2/s f f ωπ=可以写成物理频率f 的函数,其中s f 是采样频率()()2/sjfm f xx xxm S f R m eπ∞-=-∞=∑相关序列可以从功率谱用IDFT 变换求得:()()()/22//22sss f jfm f j m xx xx xx sf S e S f e R m d df f πωππωωπ--==⎰⎰序列n x 在整个Nyquist 间隔上的平均功率可以表示为()()()/2/202ss f xx xx xx sf S S f R d df f ππωωπ--==⎰⎰ 上式中的()()2xx xx S P ωωπ=以及()()xx xx sS f P f f = 被定义为平稳随机信号n x 的power spectral density (PSD)(功率谱密度) 一个信号在频带[]1212,,0ωωωωπ≤<≤上的平均功率可以通过对PSD 在频带上积分求出[]()()211212,xxxx P P d P d ωωωωωωωωωω--=+⎰⎰从上式中可以看出()xx P ω是一个信号在一个无穷小频带上的功率浓度,这也是为什么它叫做功率谱密度。

倒谱分析

倒谱分析

倒谱分析(1).倒频谱的数学描述倒频谱函数CF(q)(power cepstrum)其数学表达式为:(2.6)CF(q)又叫功率倒频谱,或叫对数功率谱的功率谱。

工程上常用的是式(2.6)的开方形式,即:(2.7)C0(q)称为幅值倒频谱,有时简称倒频谱。

倒频谱变量q的物理意义为了使其定义更加明确,还可以定义:(2.8)即倒频谱定义为信号的双边功率谱对数加权,再取其傅里叶逆变换,联系一下信号的自相关函数:看出,这种定义方法与自相关函数很相近,变量q与τ在量纲上完全相同。

为了反映出相位信息,分离后能恢复原信号,又提出一种复倒频谱的运算方法。

若信号x(t)的傅里叶变换为X(f):(2.9)x(t)的倒频谱记为:(2.10)显而易见,它保留了相位的信息。

倒频谱与相关函数不同的只差对数加权,目的是使再变换以后的信号能量集中,扩大动态分析的频谱范围和提高再变换的精度。

还可以解卷积(褶积)成分,易于对原信号的分离和识别。

(2).倒频谱的应用分离信息通道对信号的影响图2.26对数功率谱关系图。

在机械状态监测和故障诊断中,所测得的信号,往往是由故障源经系统路径的传输而得到的响应,也就是说它不是原故障点的信号,如欲得到该源信号,必须删除传递通道的影响。

如在噪声测量时,所测得之信号,不仅有源信号而且又有不同方向反射回来的回声信号的混入,要提取源信号,也必须删除回声的干扰信号。

若系统的输入为x(t),输出为y(t),脉冲响应函数是h(t),两者的时域关系为:y(t)=x(t)*h(t)频域为:Y(f)=X(f)*H(f)或Sy(f)=Sx(f)*|H(f)|2对上式两边取对数,则有:(2.11)式(2.72)关系如图(2.26)所示,源信号为具有明显周期特征的信号,经过系统特性logGk(f)的影响修正,合成而得输出信号logGy(f)。

对于(2.72)式进一步作傅里叶变换,即可得幅值倒频谱:(2.12)即:(2.13)以上推导可知,信号在时域可以利用x(t)与h(t)的卷积求输出;在频域则变成X(f)与H(f)的乘积关系;而在倒频域则变成Cx(q)和Ch(q)相加的关系,使系统特特性Ch(q)与信号特性Cx(q)明显区别开来,这对清除传递通道的影响很有用处,而用功率谱处理就很难实现。

倒谱分析 2

倒谱分析  2

实验三、用MATLAB实现语音信号的倒谱分析学院:信息与通信工程学院专业:通信工程班级:通信112学号:*******姓名: ***指导教师:***1.实验目的观察语音信号的倒谱系数,理解并掌握语音信号倒谱分析的原理和语音信号倒谱系数的特点,为深入学习语音信号处理的各种应用奠定基础。

2.实验内容(1)由麦克风采集语音数据,将采集的数据存成WA V文件(要求采样率为8000Hz),存在本人的文件夹中。

(2)读取WA V文件,分别计算并显示一帧浊音和一帧清音的原始语音信号、加窗信号、倒谱(要求窗函数为汉宁窗、帧长为256,帧移为128),观察并分析浊音和清音倒谱的差异,并利用浊音的倒谱近似的估计出浊音的基音周期。

(3)读取WA V文件,选取一帧浊音并显示其波形,计算并显示不同窗函数情况下这帧浊音的加窗信号、倒谱(要求窗函数分别为矩形窗和汉宁窗、帧长为256,帧移为128),观察并分析不同的窗函数对倒谱分析的影响。

3. (1)由麦克风采集语音数据,将采集的数据存成WA V文件(要求采样率为8000Hz),存在本人的文件夹中。

供参考的程序代码:clear;close all;Fs=8000;y=wavrecord(5*Fs,Fs,'double');wavwrite(y,'e:\\my.wav');soundview(y,Fs);(2读取WA V文件,分别计算并显示一帧浊音和一帧清音的原始语音信号、加窗信号、倒谱(要求窗函数为汉宁窗、帧长为256,帧移为128),观察并分析浊音和清音倒谱的差异,并利用浊音的倒谱近似的估计出浊音的基音周期。

供参考的程序代码clear;close all;x= wavread('e:\\my.wav'); % 从文件my.wav读取语音x = double(x);LEN = 256;INC= 128;f = enframe(x, LEN, INC); % 分帧ff=f(36,:); % 选取一帧浊音信号ff1=ff'.*hamming(length(ff)); % 加汉宁窗% 计算倒谱r=fft(ff1);LogMag=log(abs(r));Ceps=ifft(LogMag);LEN1=LEN/2;Ceps1=zeros(LEN,1);Ceps1(1: LEN1-1)= flipud(Ceps(2:LEN1));Ceps1(LEN1:LEN)= Ceps(1:LEN1+1);subplot(3,1,1); plot(ff); % 绘制截取的一帧语音信号axis([0,LEN,-0.5,0.5]);title('截取的一帧语音信号'); xlabel('样点数'); ylabel('幅度');subplot(3,2,1); plot(ff1); % 绘制一帧加窗后的语音信号axis([0,LEN,-0.5,0.5]);title('加汉宁窗的语音帧'); xlabel('样点数'); ylabel('幅度');subplot(3,2,5);Q=[-LEN1+1:1:LEN1];plot(Q,Ceps1); % 绘制倒谱axis([-LEN1+1,LEN1,-2,0.7]);xlabel('倒频/s '); ylabel('倒频谱幅度'); title ('加汉宁窗的倒谱');x= wavread('e:\\my.wav'); % 从文件my.wav读取语音x = double(x);LEN = 256;INC= 128;f = enframe(x, LEN, INC); % 分帧ff=f(36,:); % 选取一帧浊音信号ff1=ff'.*hamming(length(ff)); % 加汉宁窗% 计算倒谱r=fft(ff1);LogMag=log(abs(r));Ceps=ifft(LogMag);LEN1=LEN/2;Ceps1=zeros(LEN,1);Ceps1(1: LEN1-1)= flipud(Ceps(2:LEN1));Ceps1(LEN1:LEN)= Ceps(1:LEN1+1);subplot(3,2,2); plot(ff); % 绘制截取的一帧语音信号axis([0,LEN,-0.5,0.5]);title('截取的一帧语音信号'); xlabel('样点数'); ylabel('幅度');subplot(3,2,4); plot(ff1); % 绘制一帧加窗后的语音信号axis([0,LEN,-0.5,0.5]);title('加汉宁窗的语音帧'); xlabel('样点数'); ylabel('幅度');subplot(3,2,6);Q=[-LEN1+1:1:LEN1];plot(Q,Ceps1); % 绘制倒谱axis([-LEN1+1,LEN1,-2,0.7]);xlabel('倒频/s '); ylabel('倒频谱幅度'); title ('加汉宁窗的倒谱');(3)读取.WA V文件,选取一帧浊音并显示其波形,计算并显示不同窗函数情况下这帧浊音的加窗信号、倒谱(要求窗函数分别为矩形窗和汉宁窗、帧长为256,帧移为128),观察并分析不同的窗函数对倒谱分析的影响。

局部倒频谱编辑方法及其在齿轮箱微弱轴承故障特征提取中的应用

局部倒频谱编辑方法及其在齿轮箱微弱轴承故障特征提取中的应用

局部倒频谱编辑方法及其在齿轮箱微弱轴承故障特征提取中的应用张西宁; 周融通; 郭清林; 张雯雯【期刊名称】《《西安交通大学学报》》【年(卷),期】2019(053)012【总页数】9页(P1-9)【关键词】振动信号; 局部倒频谱; 轴承微弱故障检测【作者】张西宁; 周融通; 郭清林; 张雯雯【作者单位】西安交通大学机械制造系统工程国家重点实验室 710049 西安【正文语种】中文【中图分类】TH17齿轮箱作为机械设备中用于连接和传递动力的关键部件,在风力发电机、直升机、汽车、农业机械、冶金机械等大型复杂机械装备中得到了广泛应用[1]。

然而,由于工况恶劣、强负荷、长期运行等影响,齿轮箱中的典型零部件,如齿轮、滚动轴承,容易因疲劳、磨损发生故障[2]。

由于滚动轴承故障会产生周期性冲击脉冲,目前对轴承状态监测主要使用振动信号分析法[3]。

当齿轮箱中的滚动轴承发生故障时,啮合频率、转频及滚动轴承故障特征频率成分相互耦合,且存在复杂的调制现象,轴承故障特征成分往往不易分辨或被淹没,从而导致轴承故障漏判[4]。

因此,十分需要找到一种合适的方法,抑制频谱中离散频率成分及复杂调制现象的干扰,让轴承故障特征成分得以凸显。

针对多干扰微弱轴承故障诊断问题,现有研究主要着眼于将部分频率成分分离或抑制,以提高故障特征成分辨识度。

文献[5]提出同步时域平均(TSA)方法,对特定周期性分量增强且抑制其他频率成分及背景噪声,但分离齿轮箱轴承信号时因平均周期未知而难以应用。

Randall等提出一种倒频谱编辑(CEP)方法,利用倒频谱将频谱中等间隔分布的谱线收集到一根倒谱线上的能力,在倒谱域将其幅值置0,以在重构频谱中去除该离散频率成分[6]。

当干扰多、故障特征成分较弱时,定义在全频段上的倒谱无法分辨干扰成分,更无从编辑。

代士超等提出利用TSA方法帮助识别齿轮干扰成分的准确位置再进行原始倒谱编辑,取得了一定的效果,但方法过于烦琐[7]。

6.3 倒频谱分析方法

6.3 倒频谱分析方法
6.3 倒频谱分析方法
6.3.1 倒频谱的概念
6.3.2 倒频谱与解卷积
6.3.3 倒频谱的应用
对于高速大型旋转机械,其旋转状况较复杂,尤其当设备 出现不对中,轴承或齿轮的缺陷、油膜涡动、磨擦、 陷流及质量不对称等异常现象时,振动更为复杂。此 时用一般频谱分析方法已经难于辩识缺陷的频率分量, 而用倒频谱,则会增强识别能力。
例如一对工作中的齿轮,在实测得到的振动或噪声信号中, 包含着一定数量的周期分量。如果齿轮产生缺陷,则其振动 或噪声信号还将产生大量的谐波分量及边带频率成分。
6.4 细化谱分析方法
细化谱分析是增加频谱中某些部分分辨能力的方法,即 “局部放大”的方法。
实际应用中常有这种情况,即对整个频率范围内的某一 部分希望有较高的分辨率。
%用ZOOM-FFT处理 load zoomfftdata; fi=6;%最小细化截止频率 np=10;%放大倍数 nfft=512;%FFT长度 nt=length(x); fa=fi+0.5*fs/np; %最大细化截止频率 nf=2^nextpow2(nt); na=round(0.5*nf/np+1); %频移 n=0:nt-1; b=n*pi*(fi+fa)/fs;%确定旋转因子 y=x.*exp(-i*b);
例6.5 产生一个由3个频率相近的正弦波 叠加组成的周期信号,分别采用细化 FFT和普通FFT处理,比较两种结果。
%产生信号 clear;
fs=200;%采样频率
N=1024;%采样点数 n=0:N-1;t=n/fs;f=(0:N-1)*fs/N; f1=7;f2=7.2;f3=8; s1=sin(2*pi*f1*t);s2=sin(2*pi*f2*t);s3=sin(2*pi*f3*t); x=s1+s2+s3; save zoomfftdata fs,x

一种基于倒频谱分析的快速音频检索方法[发明专利]

一种基于倒频谱分析的快速音频检索方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202011145738.9(22)申请日 2020.10.23(71)申请人 昆明理工大学地址 650500 云南省昆明市呈贡区吴家营街道景明南路727号(72)发明人 邵玉斌 杨贵安 龙华 杜庆治 刘晶 唐维康 陈亮 (74)专利代理机构 北京方圆嘉禾知识产权代理有限公司 11385代理人 王月松(51)Int.Cl.G06F 16/61(2019.01)G06F 16/683(2019.01)G06K 9/62(2006.01)(54)发明名称一种基于倒频谱分析的快速音频检索方法(57)摘要本发明公开了一种基于倒频谱分析的快速音频检索方法,属于音频检索技术领域。

本发明包括:第一步,构建检索音频特征库,根据信号能量比值循环对检索音频库每一段音频提取频域特征构建出检索音频特征库,以供检索使用;第二步,提取样本音频指纹,根据信号能量比值对用户输入的样本音频提取频域特征形成样本音频特征;第三步,根据样本长度确定最佳混合点,样本音频特征与检索音频特征在最佳混合点混合使得对混合特征的倒频谱分析结果更为精确;第四步,样本音频检索,用倒频谱分析的方法寻找检索音频特征库中与样本音频特征相似度最高的检索音频特征,对应检索音频信息即为样本音频检索结果。

本方法提取的音频特征代表性强且占用空间小;在检索时,倒频谱分析直接针对两个音频特征的混合结果进行,且倒谱分析仅对混合特征做傅里叶相关变换,计算量小且计算速度快。

因此,针对现有技术在音频检索应用中检索效率低的缺点,本发明在保证音频检索准确率的前提下极大提高了检索效率。

权利要求书1页 说明书6页 附图5页CN 112214635 A 2021.01.12C N 112214635A1.一种基于倒频谱分析的快速音频检索方法,其特征在于:S1、建检索音频特征库,根据信号能量比值循环对检索音频库每一段音频提取频域特征构建出检索音频特征库,以供检索使用;S2、提取样本音频指纹,根据信号能量比值对用户输入的样本音频提取频域特征形成样本音频特征;S3、根据样本长度确定最佳混合点,样本音频特征与检索音频特征在最佳混合点混合使得对混合特征的倒频谱分析结果更为精确;S4、样本音频检索,用倒频谱分析的方法寻找检索音频特征库中与样本音频特征相似度最高的检索音频特征,对应检索音频信息即为样本音频检索结果。

EEMD降噪与倒频谱分析在风电轴承故障诊断中的应用

EEMD降噪与倒频谱分析在风电轴承故障诊断中的应用
(南京工业大学电气工程与控制科学学院,江苏南京 211816)

摘要:针对风电轴承故障时的振动信号为低频信号,并且出现不平稳、非线性等特点,一般很难检验出来,所以提出 了一种新的轴承故障诊断方法:首先提出了基于相关系数与峭度相结合的 EEMD 阵噪方法,对轴承振动加速度信号进行去 噪,然后对降噪后的信号再次进行 EEMD 分解并与倒频谱相结合,对振动信号进行处理。此方案不仅提高了振动信号的信 噪比,而且抑制了在经验模态分解中的模式混叠现象,提高了故障诊断的准确性,充分显示了其应用在风电轴承故障诊断 系统中的可行性。
Keywords: Wind power bearing; EEMD noise reduction; EEMD-Cepstrum; Fault di叩10Sl1!
。 前言 风电回转支承是风机中重要部件之一,风机的变
浆和偏航系统都要用到回转支承。对于风电回转轴 承,其生产周期比较长,成本和安装都价格不菲,而 且工作环境也是非常的恶劣,需要承受很重的载荷以 及冲击性载荷 。 风电回转支承的运转性能和可靠性指 标比较高,一旦失效可导致风力发电机整机的失效, 因此,对其进行故障诊断意义重大[叫 。
号中加入自噪声从而来削弱异常事件对之产生的影 响,因为自噪声的频谱分布是很均匀的,可以利用这 个特点,使不同时间尺度的信号自动分布到合适的参 考尺度上,同时可以利用白噪声的一个特点即它的均
值为零,通过多次平均这个方法使噪声之间相互抵 消,最终抑制甚至完全消除噪声的影响 [3-飞 EEMD
收宿日期: 2017-03-ω 基金项目:国家自 然科学基金资助项 目 ( 51277仰2); 江苏省人事厅江苏省博士后资助计划( 1却1012C)
选择,如果直接用频谱分析这种方法,因为冲击成分 的能量 占总能量的比值较低,所以要想对轴承的故障 特征频率进行充分地提取,是有一定的难度。通过以 上分析,本文作者提出了 EEMD 降噪与倒频谱相结合 的分析方法,从而可以有效地提取故障的周期成分。 1 聚合经验分解 (EEMD)

一种改进的局部倒频谱分析方法

一种改进的局部倒频谱分析方法

一种改进的局部倒频谱分析方法张西宁;李兵;雷威【摘要】针对倒频谱分析难以实现从低信噪比信号中检测故障的问题,在对局部倒频谱分析的基础上,提出了一种改进的局部倒频谱分析方法,并给出了改进局部倒频谱分析的原理和算法.该方法通过在时域引入相关消噪处理,降低时域原始信号中的非周期性分量的干扰,在频域引入相关消噪处理,降低频谱上非周期性谱峰影响,实现了频谱上周期性故障特征向零频率附近的聚集.改进的局部倒频谱分析方法解决了局部倒频谱方法存在的计算频带难以选择的问题,同时消除了对故障频域内周期性特征局部化分布的限制,扩展了应用范围.将该方法用于仿真信号以及故障齿轮实验测试信号的分析,结果表明,与传统倒频谱和局部倒频谱方法相比,提出的改进局部倒频谱分析方法具有强的抗噪能力,实验中较传统倒频谱和局部倒频谱方法分别多提供了8.05 bit和1.11bit的诊断信息.该方法可用于实现从低信噪比信号中检测故障.【期刊名称】《西安交通大学学报》【年(卷),期】2016(050)008【总页数】6页(P1-5,14)【关键词】倒频谱;振动信号处理;早期故障识别;齿轮;轴承【作者】张西宁;李兵;雷威【作者单位】西安交通大学机械制造系统工程国家重点实验室,710049,西安;西安交通大学机械制造系统工程国家重点实验室,710049,西安;西安交通大学机械制造系统工程国家重点实验室,710049,西安【正文语种】中文【中图分类】TH17齿轮、轴承是机械中应用最为广泛的基础零部件,其工作状态直接影响到整台设备的正常运行。

倒频谱[1]分析作为齿轮、轴承振动信号监测诊断中常用和有效的分析方法,能简化和提取振动信号频谱上的周期性特征,在齿轮、轴承等的监测诊断领域有广泛的应用。

倒频谱的研究一直受到人们的关注,对其研究提高了倒频谱分析的效果,同时也使倒频谱的应用扩展到了纺织纱条条干不均匀分析、航空发动机监测、风力发电机监测、结构健康监测以及目标运动参数估计等领域[2-13]。

  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. 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. 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)。

倒频谱分析
倒频谱分析也称为二次频谱分析,是近代信号处理科学中的一项新技术,是检测复杂谱图中周期分量的有用工具。

它对于分析具有同族谐频或异族谐频、多成分边频等复杂信号,找出功率谱上不易发现的问题非常有效。

实数倒谱又分为功率倒频谱、幅值倒频谱和类似相关函数的倒频谱。

工程上经常使用的是功率倒频谱和幅值倒频谱。

在语言分析中语音音调的测定、机械振动中故障监察和诊断以及排除回波(反射波)等方面均得到广泛的应用。

若一个测量信号)
s
(t
)
x
(
=,则当两个分量
y+
t
t
)
(t
y是由两个分量)
(t
x与)
(t
(
s叠加而成的,即)
的能量分别集中在不同的频率段时,可用频域分析中的线性滤波或功率谱分析;当所要提取的分量以一定的形状作周期性重复而其中一分量是随时间变化的噪声时,可用时域分析中的信号平均法或相关分析。

这些方法都可有效地处理线性叠加信号。

但是有的信号不是由其分量的线性叠加,例如机床的输出信号是)
(t
y,激发振动的输入信号是切削力)
t
t
y+
x
h
y是
(t
=即输出)
(t
h描述的,则有)
(t
(t
(
x,而机床的动力特性是由脉冲响应)
)
(
)
输入)
h的卷积,这是用处理线性叠加信号的方法就不够了。

另外、对于一个
(t
x与脉冲响应力)
(t
复杂的功率谱图,有的很难直观看出它的一些特点和变化情况。

而倒谱分析则能很好地处理这类问题,使故障诊断更加便利。

倒频谱是频域函数的傅里叶再变换,与相关函数不同只差对数加权。

对功率谱函数取对数的目的,是使再变换以后的信号能量格外集中,同时还可解析卷积(褶积)成分,易于对原信号的识别。

功率倒谱主要定义为时间信号的功率谱取对数再进行傅里叶逆变换。

通过上述分析可知,倒谱分析技术可适用于:
(1)机械故障诊断,对于机械故障信号在频谱图上,出现难以识别的多族调制边频时,采用倒频谱分析技术,可以分解和识别故障频率,分析和诊断产生故障的原因和部位。

在齿轮箱的振动分析中,倒谱分析技术有广泛的应用。

(2)语音和回声分析,求解卷积问题。

对于振源或声源信号受传递系统(或途径)影响,构成的合成信号,采用倒谱分析技术,可以分离和提取源信号或系统影响,有利于对不同目标信号特征进行分别研究。

从一个混有周期波形的随机波形中很难直接看出其中的周期信号,但进行功率谱分析后就很容易看出来。

同样,对于一个复杂的功率谱图,有时很难直观看出它的一些特点和变化情况。


果用倒频谱(cepstrum)分析则能突出功率谱图的一些特点和显示振动状态的一些变化,有利于故障诊断。

倒频谱的最大应用就是去除干扰,使分析信号更加突出。

故障诊断中实测的振动、噪声信号,往往不是振源和噪声源信号本身,而是振动源和噪声源信号x(t)经过传递系统h(t)到达测点的输出信号。

即倒谱为功率谱的对数值的傅里叶逆变换。

工程上实测的振动、噪声信号往往不是振源信号本身,而是振源或音源信号x(t),经过传递系统h(t )到测点输出信号y (t)。

由倒谱的定义可得
)
()()(τττh x y C C C +=上式表明,时域中信号的卷积关系在倒谱上表现为信号叠加。

在机械故障诊断系统中,当机械故障信号的频谱图出现难以识别的多族调制边频时,应用倒谱分析技术,可以分解和识别故障频率,分析和诊断产生故障的原因。

在齿轮箱的振动分析中,倒谱分析技术有广泛的应用。

倒谱与其它谱分析技术相比,有几条显著特点:
1)倒频谱的分离特性使周期信号容易被捡出,并且倒频谱在功率谱的对数转换时给低幅值分量以较高的加权,而给高幅值分量以较小的加权,加权的结果又有利于突出周期性的小信号,并能精确测出频率间隔,这非常有利于检测出谱图中的故障边带族(周期信号)。

2)倒频谱在信号经过功率变换之后以及它的分离特性,使信号丢失了相位信息和传递信息,也就是说,它对于传感器的测点位置、信号的传输路径、调制的相位关系不敏感,这样,不同点的幅值频谱图可能差异很大,但倒频谱显示结果则完全相同,因此有利于我们找到故障源的特征频率。

3)在齿轮箱的振动中,调频和调幅的同时存在及两种调制在相位上的变化使边频具有不稳定性,这种不稳定性给在功率谱上识别边频造成不利影响。

而在倒频谱上,代表齿轮调制程度的幅值不受相位变化的影响,这也是倒频谱分析的优点之一。

4)倒频谱的另一个主要优点是受信号传递路径影响较小,这—优点对于故障识别极为有用。

5)两个传感器在齿轮箱上不同测点的分析结果。

可以看到,由于传递路径不同,两者的功率谱也不相同,但在倒频谱上,由于信号源的振动效应和传递途径的效应分离开来,代表齿轮振动特征的倒频率分量几乎完全相同,只是低倒频率段存在由于传递函数差异而产生的影响。

由此可
见,在进行倒频谱分析时.可以不必考虑信号测取时的衰减和标定系数所带来的影响。

倒谱定义:倒谱按定义方可分为功率倒谱、幅值倒谱、类似相关倒谱、复倒谱等几类
1.功率倒谱
设时域信号)(t x 的功率谱密度函数为)(f S 则实际谱可表达为
2
)(lg )(f S F q C P =上式的含义为:对时域信号)(t x 的功率谱)(f S 取对数.而后再进行付里叶变换(即)(lg f S F )再取其模的平方。

显见,倒谱是频域信号的付氏变换,与自相关函数—样,变换到—个新的时间域,称为倒频域,自变量q 称为倒频率,它只有与自相关函数)(τR 中自变量τ相同的时间量纲,单位为s 或ms 。

它与自相关函数不同的是增加了对数加权,这是倒谱的一个重要的特点,对数加权的目的在于:
1)扩大频谱的动态范围,提高再变换的精度;
2)对数加权后具有解卷积的作用,便于分离和提取目标信号,易于对原信号的识别。

由于倒谱进行了对数加权、因此,又常称对数功率谱。

2.幅值倒谱工程上倒频谱常采用正方根的形式来定义即:
)
(lg )(f S F q C q =称为幅值倒谱,它是复倒谱定义式中的模。

3.类似相关函数的倒谱
为了使倒谱的物理意义更清楚明确,常采用一种类似相关函数的形式,给出倒谱另一种定义方式,即:
)
(lg )(1f S F q C q -=4.复倒谱
上述三种倒谱的定义式都丢失了相位信息,然而工程上往往需要保留相位,以便复原信号,为此,倒谱又常用复数的形式来表示
)
()()()()(f jI f R e f X f X f j +==φ
1、解乘积同态滤波方法:如载波信号和调制信号(包络信号)的乘积。

条件是载波频率远大于调制频率时,重叠较小。

2、解卷积同态滤波方法:在有多径反射和混响环境下作声强分析,会出现干扰预所需信号的卷积。

在测量齿轮故障时,故障源引起的冲击为激励信号,在箱体上测到的是该激励通过轴-轴承-箱体传递途径得到的振动响应信号,因此这振动信号就是激励信号与传递特性的卷积。


卷积作傅里叶变换将卷积变成相乘关系,再作对数变换和傅里叶逆变换,这一过程叫倒谱分析。

相关文档
最新文档