MATLAB环境下基于稀疏最大谐波噪声比反卷积的信号处理方法

状态监测与故障诊断是保障机械设备安全、稳定运行的基础。滚动轴承是旋转机械的核心部件,其服役性能直接影响整台设备的运行安全。在测试的振动信号中,周期性冲击是滚动轴承发生故障的重要标志。因此,如何从振动信号中提取出与故障相关的周期性冲击成分,是实现轴承故障诊断的关键。然而,随着机械设备集成化程度越来越高和运行工况日益复杂化,测试的振动信号的组成成分愈发复杂,噪声和干扰信息带来的影响也日趋严重,使得轴承故障特征更加微弱,特征提取变得十分困难。

谐波噪声比,被定义为信号中谐波成分与噪声成分能量的比值。对于数据序列x,其谐噪比定义为:

为了测试HNR对周期性故障特征的评价性能,计算了严格等间隔分布的周期性冲击信号以及设置0%~20%的随机波动对应信号的HNR值,结果如图2所示。

原始严格周期的信号,其HNR数值为11.58,随着随机波动的增大,信号的周期性逐渐降低,对应的HNR数值也随之下降。由此说明,HNR能够有效、定量地评价故障信号的周期性特征。

鉴于谐波噪声比的优势,提出一种基于稀疏最大谐波噪声比反卷积的信号处理方法,算法程序运行环境为MATLAB R2018a,可用于旋转设备故障诊断,也可用于金融时间序列,地震信号,机械振动信号,语音信号,声信号等一维信号分析。

% 最优滤波频带滤波后的时域波形
figure
plot(t,hilx);
ylabel('Amplitude');
xlabel('Time [s]');
set(gcf,'pos',pos);
% 最优滤波频带滤波后的包络谱
figure
myfft(fs,hilx,1);
ylabel('Amplitude');
xlabel('Frequency [Hz]');
set(gcf,'pos',pos);
xlim([0 300])

出图如下:

工学博士,担任《Mechanical System and Signal Processing》审稿专家,担任
《中国电机工程学报》优秀审稿专家,《控制与决策》,《系统工程与电子技术》,《电力系统保护与控制》,《宇航学报》等EI期刊审稿专家。

擅长领域:现代信号处理,机器学习,深度学习,数字孪生,时间序列分析,设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。

相关推荐
一点媛艺30 分钟前
Kotlin函数由易到难
开发语言·python·kotlin
程序小旭32 分钟前
机器视觉基础—双目相机
计算机视觉·双目相机
姑苏风34 分钟前
《Kotlin实战》-附录
android·开发语言·kotlin
奋斗的小花生1 小时前
c++ 多态性
开发语言·c++
魔道不误砍柴功2 小时前
Java 中如何巧妙应用 Function 让方法复用性更强
java·开发语言·python
闲晨2 小时前
C++ 继承:代码传承的魔法棒,开启奇幻编程之旅
java·c语言·开发语言·c++·经验分享
老猿讲编程2 小时前
一个例子来说明Ada语言的实时性支持
开发语言·ada
AI极客菌2 小时前
Controlnet作者新作IC-light V2:基于FLUX训练,支持处理风格化图像,细节远高于SD1.5。
人工智能·计算机视觉·ai作画·stable diffusion·aigc·flux·人工智能作画
阿_旭2 小时前
一文读懂| 自注意力与交叉注意力机制在计算机视觉中作用与基本原理
人工智能·深度学习·计算机视觉·cross-attention·self-attention
王哈哈^_^3 小时前
【数据集】【YOLO】【目标检测】交通事故识别数据集 8939 张,YOLO道路事故目标检测实战训练教程!
前端·人工智能·深度学习·yolo·目标检测·计算机视觉·pyqt