《基于先验未知盲反卷积技术的包络谱重复瞬态的循环平稳性提取》阅读笔记及代码整理

2023-11-03 06:15
文章标签 代码 提取 技术 整理 笔记 重复 阅读 卷积 循环 未知 瞬态 包络 先验 平稳性 盲反

本文主要是介绍《基于先验未知盲反卷积技术的包络谱重复瞬态的循环平稳性提取》阅读笔记及代码整理，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

论文阅读笔记及代码整理
《Extracting cyclo-stationarity of repetitive transients from envelope
spectrum based on prior-unknown blind deconvolution technique》
代码有优化整理过，需要请下载：https://mbd.pub/o/bread/ZZaTl5ht

贡献：
1.文提出一种基于包络谱定义准则的盲反卷积（BD）技术。
2.所提出的方法不需要任何先验参数，并且对脉冲噪声具有鲁棒性。
3.所提方法优于传统的时域BD方法，包括MED和SF-SLSN
摘要：
传统盲反卷积方法的目标是从时域恢复脉冲信号。针对重复瞬态的循环平稳性，提出了一种新的盲反卷积（BD）技术，就是未知先验的盲反卷积技术，用于提取重复瞬态信号的循环平稳性。该方法通过最小化基于包络谱(ES)定义的最优准则来寻找反滤波器。此外，该方法不需要初始化BD的先验知识。基于该方法和广义Lp/Lq范数，介绍了如何设计一种提取重复瞬态循环平稳性（cyclo-stationarity）的BD算法。（主题就是通过使用ES定义的最优准则提供了一个反卷积的算法框架）

说明
盲反卷积（BD）旨在构建一个逆滤波器，BD得到的逆滤波器抵消了各种外部信号传输路径的影响。
根据不同的优化准则，盲反卷积包括最小熵反卷积(MED)[12]、广义MED[13]、最优最小熵反卷积(OMED)、单层单节点结构稀疏滤波(SF-SLSN)[15]、最大相关峭度反卷积(MCKD)、多点最佳最小熵解卷积调整卷积 (MOMEDA)[17]和基于循环平稳的盲反卷积(CYCBD)应用与脉冲特征检测。
MED的原理是利用峰度最大化的策略来实现逆滤波器
广义MED是通过最大化去卷积信号的 Gary 可变范数来恢复脉冲特征。
OMED使用最大化D范数的策略来获得逆滤波器。
然而，峰度、Gary 变模和 D 模对异常值极为敏感，因此往往会过度突出输入信号的主峰。

提出的SF-SLSN是一种BD方法，通过采用广义Lp/Lq范数（G-Lp/Lq）来恢复稀疏
了克服这些最优准则的局限性，提出了一些基于故障周期信息的最优准则，包括相关峰度（CK）、多D范数multi D-norm（MDN）和循环平稳性指标（ICS）。MCKD、MOMEDA和CYCBD分别是基于CK、MDN和ICS的典型BD技术。
另一种基于信号平方包络(SE)的最优判据是表征非平稳信号尤其是轴承故障信号冲量的有效判据，包括谱峭度(SK)[8]、谱L2/L1范数[24]、谱Lp/Lq范数[24]、谱平滑指数[25]、谱Gini指数。
为了充分利用ES在表征环平稳性信号方面的优势，本研究开展了以下工作。首先，本研究提出了一种新的BD技术，用于从ES中提取重复瞬态的循环平稳性。新方法通过最小化由ES定义的最优标准来搜索滤波器，而不是最小化由时域波形或SE定义的最优标准。（就是通过使用ES定义的最优准则提供了一个反卷积的算法框架），本文的内容还有介绍了所提出的以G-Lp/Lq范数为最优准则的BD方法。它展示了如何设计BD算法来从ES中提取重复瞬态的循环平稳性。这种基于G-Lp/Lq范数的BD方法是一种非参数方法，对异常值具有良好的鲁棒性。

理论
试图通过使滤波信号的最优准则最大化或最小化来追求一个反滤波器来抵消传输路径的影响，可以表示为: 在这里插入图片描述

y表示测量信号，f是期望的反滤波器，x是由反滤波器f获得的滤波信号，∗表示卷积算子。为了便于数值计算，将Eq.(1)的卷积过程重构为矩阵乘法的形式:
在这里插入图片描述

其中在这里插入图片描述

是由y导出的Hankel矩阵;N是y的长度;L是反滤波器f的长度。为了利用ES判据实现BD，需要将滤波后的信号x转换成ES。平方包络线e可以定义为:
在这里插入图片描述

hilbert (x)表示滤波后信号的hilbert变换(HT);|·|为模算子。对于向量x， | x |的模是通过使用恒等式在这里插入图片描述
得到的，其中圆圈点表示元素积，conj (x)是x的复共轭。

G- Lp/Lq范数代表了一大类稀疏测度，包括峰度、L2/L1范数[5]、偏态[35]、Gary变量范数(p > 2和q = 2)[20]和pq均值范数(0 < p < 1和q > 1)[21]。G- Lp/Lq范数具有很强的灵活性，其特性完全由变量p和q决定。G- Lp/Lq范数Lp,q的定义为:
在这里插入图片描述

中s为输入信号;N是s的长度。将项N (p/ q−1)加入式(14)的目的是得到归一化GLp/Lq范数。G- Lp / Lq具有很强的灵活性，可以表示许多常用的稀疏准则。

械设备的几种常用健康指标
在这里插入图片描述

提出方法的流程
在这里插入图片描述

案例：
引入一个模拟的轴承故障信号来说明所提方法的有效性。为了突出该方法的优点，将其结果与传统的基于MED和SF-SLSN的时域BD进行了比较。MED和SF-SLSN在MATLAB中的实现可以在外部资源部分中找到。模拟信号：

a(t)是故障阐述的故障脉冲信号，

d(t)是随机脉冲
在这里插入图片描述

n(t)是随机噪声
将模拟脉冲信号、随机脉冲信号、噪声信号和混合信号分别绘制在图4 (a)至(d)中，从图4 (d)的观察可以看出，重复脉冲信号完全淹没在噪声背景中，混合信号中的随机脉冲明显。图5为混合信号的ES。ES中的红线对应故障特征频率及其谐波。从图5可以看出，故障特征频率很难识别。
在这里插入图片描述

处理结果分别如图6（a）、（b）、（c）和（d）所示。在这种情况下，所提出的方法选择了G-L1/L2范数（p=1，q=2）和G-L0.4/L4范数（p=0.4，q=4）。 过滤器长度设置为 L=40。事实上，其他 p、q 值仍然是可选的。关于p和q的选择策略，请参考文献[15]。为了验证所提方法的优越性，采用基于MED和SF-SLSN的时域BD方法对混合信号进行处理。然后，滤波器长度 L 也设置为 40。MED和SF-SLSN得到的处理结果分别如图6（e）、（f）、（g）和（h）所示。从图6（a）、（c）、（e）和（g）可以看出，图6（a）和（c）具有明显的脉冲特性。然而，图6（e）和（g）中出现了一个大振幅的单脉冲。这些结果表明，MED和SF-SLSN对单个脉冲很敏感，这往往会过度突出输入信号中的主峰。相比之下，所提出的方法对随机脉冲具有鲁棒性。所提方法MED和SF-SLSN得到的信号包络谱分别绘制在图6（b）、（d）、（f）和（h）中。图6（b）和（d）中通过所提方法得到的包络谱表明了不同的故障谐波。该结果清楚地揭示了模拟的轴承故障。然而，MED和SF-SLSN得到的包络谱中的谱线非常混乱，很难观察到与故障特征频率相关的谐波，如图6（f）和（h）所示。正因为如此，时域中随机脉冲（异常值）的频谱类似于谱线分布均匀的“均匀谱”，因此基于ES定义的最优准则的BD不会收敛到时域随机脉冲。对图6（b）和（d）的结果进行比较，可以看出G-L1/L2范数和G-L0.4/L4范数的结果相似。这意味着结果的稀疏性受 p/q 比的影响较小。
在这里插入图片描述

测试主函数代码

%% demo 
clc
clear all
close all
addpath('./minFunc');
N=5000;
Fs=10000;  % sampling frequency
fts=[0:1:N-1]*Fs/N;
t=[0:1:N-1]/Fs;
load('sim_fault.mat');
load('sim_outlier.mat');
load('sim_noise.mat');
sx1=sim_fault+sim_outlier+sim_noise;
%%
close all
aa=300;bb=150;
figure(1)
plot(t,sim_fault,'LineWidth',1)
ylabel('Amplitude','fontsize',12)
xlabel('Time (s)','fontsize',12)
title("sim_fault");
set(gca,'linewidth',1);
set(gca,'FontSize',12);
set(gcf,'position',[200,300,aa,bb]);
ylim([-2,2])figure(2)
plot(t,sim_outlier,'LineWidth',1)
ylabel('Amplitude','fontsize',12)
xlabel('Time (s)','fontsize',12)
title("sim_outlier");
set(gca,'linewidth',1);
set(gca,'FontSize',12);
set(gcf,'position',[200,300,aa,bb]);
ylim([-5,7])
yticks([-5,0,7])figure(3)
plot(t,sim_noise,'LineWidth',1)
ylabel('Amplitude','fontsize',12)
xlabel('Time (s)','fontsize',12)
title("sim_noise");
set(gca,'linewidth',1);
set(gca,'FontSize',12);
set(gcf,'position',[200,300,aa,bb]);figure(4);
plot(t,sx1,'LineWidth',1)
ylabel('Amplitude','fontsize',12)
xlabel('Time (s)','fontsize',12)
title("sim_fault+sim_outlier+sim_noise");
set(gca,'linewidth',1);
set(gca,'FontSize',12);
set(gcf,'position',[200,300,aa,bb]);
ylim([-5,7])
yticks([-5,0,7])
%%
figure(5)
plot(fts,abs(fft(sx1))*2/N,'LineWidth',1)
xlabel('Frequency (Hz)','fontsize',12)
ylabel('Amplitude','fontsize',12)
title("FFT");
set(gca,'linewidth',1);
set(gca,'FontSize',12);
set(gcf,'position',[200,300,300,150]);
% ylim([0,0.3])
xlim([0,5000])
figure(6)
plot(fts,abs(fft(abs(hilbert(sx1))))*2/N,'LineWidth',1)
xlabel('Frequency (Hz)','fontsize',12)
ylabel('Amplitude','fontsize',12)
title("hilbert_trans");
set(gca,'linewidth',1);
set(gca,'FontSize',12);
%set(gcf,'position',[200,300,300,150]);
ylim([0,0.1])
xlim([0,800])
set(gcf,'position',[200,300,600,200]);%%
[~,rec1]=min_blp_lplq(sx1,40,0,1,2);
fts1=(0:length(rec1)-1)*Fs/length(rec1);
NN=length(rec1);
figure(7)
plot(t(1:NN),rec1,'LineWidth',1)
ylabel('Amplitude','fontsize',12)
xlabel('Time (s)','fontsize',12)
title("min_blp_lplq(rec1)");
set(gca,'linewidth',1);
set(gca,'FontSize',12);
set(gcf,'position',[200,300,aa,bb]);
ylim([-6,6])
yticks([-6:3:6])figure(8)
plot(fts1,abs(fft(abs(hilbert(rec1))))*2/length(rec1),'LineWidth',1)
ylabel('Amplitude','fontsize',12)
xlabel('Frequency (Hz)','fontsize',12)
title("hilbert(rec1))");
set(gca,'linewidth',1);
set(gca,'FontSize',12);
set(gcf,'position',[200,300,aa,bb]);
xlim([0,400]);
ylim([0,0.4])
%%
[~,rec2]=min_blp_lplq(sx1,40,0,0.4,4);
fts1=(0:length(rec2)-1)*Fs/length(rec2);
NN=length(rec2);
figure(9)
plot(t(1:NN),rec2,'LineWidth',1)
ylabel('Amplitude','fontsize',12)
xlabel('Time (s)','fontsize',12)
title("min_blp_lplq(rec2)");
set(gca,'linewidth',1);
set(gca,'FontSize',12);
set(gcf,'position',[200,300,aa,bb]);
ylim([-6,6])
yticks([-6:3:6])figure(10)
plot(fts1,abs(fft(abs(hilbert(rec2))))*2/length(rec2),'LineWidth',1)
ylabel('Amplitude','fontsize',12)
xlabel('Frequency (Hz)','fontsize',12)
title("hilbert(rec2))");
set(gca,'linewidth',1);
set(gca,'FontSize',12);
set(gcf,'position',[200,300,aa,bb]);
xlim([0,400]);
ylim([0,0.4])
%%
[y_final] =med2d(sx1,40,400,0.0001,0);
fts1=(0:length(y_final)-1)*Fs/length(y_final);
NN=length(y_final);
figure(11)
plot(t(1:NN),y_final,'LineWidth',1)
ylabel('Amplitude','fontsize',12)
xlabel('Time (s)','fontsize',12)
title("med2d(y_final))");
set(gca,'linewidth',1);
set(gca,'FontSize',12);
set(gcf,'position',[200,300,aa,bb]);
ylim([-5,10])
yticks([-5:5:10])figure(12)
plot(fts1,abs(fft(abs(hilbert(y_final))))*2/length(y_final),'LineWidth',1)
ylabel('Amplitude','fontsize',12)
xlabel('Frequency (Hz)','fontsize',12)
title("(hilbert(y_final)");
set(gca,'linewidth',1);
set(gca,'FontSize',12);
set(gcf,'position',[200,300,aa,bb]);
xlim([0,400]);
ylim([0,0.4])%%
[~,rec3]=min_lplq(sx1,40,0,1,2);
fts1=(0:length(rec3)-1)*Fs/length(rec3);
NN=length(rec3);
figure(13)
plot(t(1:NN),rec3,'LineWidth',1)
ylabel('Amplitude','fontsize',12)
xlabel('Time (s)','fontsize',12)
title("min_lplq(rec3)");
set(gca,'linewidth',1);
set(gca,'FontSize',12);
set(gcf,'position',[200,300,aa,bb]);
ylim([-6,6])
yticks([-6:3:6])figure(14)
plot(fts1,abs(fft(abs(hilbert(rec3))))*2/length(rec3),'LineWidth',1)
ylabel('Amplitude','fontsize',12)
xlabel('Frequency (Hz)','fontsize',12)
title("hilbert(rec3)");
set(gca,'linewidth',1);
set(gca,'FontSize',12);
set(gcf,'position',[200,300,aa,bb]);
xlim([0,400]);
ylim([0,0.4])

这篇关于《基于先验未知盲反卷积技术的包络谱重复瞬态的循环平稳性提取》阅读笔记及代码整理的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/336162。

相关文章

springboot自定义注解RateLimiter限流注解技术文档详解

springboot自定义注解RateLimiter限流注解技术文档详解

《springboot自定义注解RateLimiter限流注解技术文档详解》文章介绍了限流技术的概念、作用及实现方式,通过SpringAOP拦截方法、缓存存储计数器,结合注解、枚举、异常类等核心组件,... 目录什么是限流系统架构核心组件详解1. 限流注解 (@RateLimiter)2. 限流类型枚举 (
阅读更多...
Python实现批量提取BLF文件时间戳

Python实现批量提取BLF文件时间戳

《Python实现批量提取BLF文件时间戳》BLF（BinaryLoggingFormat）作为Vector公司推出的CAN总线数据记录格式,被广泛用于存储车辆通信数据,本文将使用Python轻松提取... 目录一、为什么需要批量处理 BLF 文件二、核心代码解析：从文件遍历到数据导出1. 环境准备与依赖库
阅读更多...
Python实现PDF按页分割的技术指南

Python实现PDF按页分割的技术指南

《Python实现PDF按页分割的技术指南》PDF文件处理是日常工作中的常见需求,特别是当我们需要将大型PDF文档拆分为多个部分时,下面我们就来看看如何使用Python创建一个灵活的PDF分割工具吧... 目录需求分析技术方案工具选择安装依赖完整代码实现使用说明基本用法示例命令输出示例技术亮点实际应用场景扩
阅读更多...
Python实现MQTT通信的示例代码

Python实现MQTT通信的示例代码

《Python实现MQTT通信的示例代码》本文主要介绍了Python实现MQTT通信的示例代码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1. 安装paho-mqtt库‌2. 搭建MQTT代理服务器（Broker）‌‌3. pytho
阅读更多...
MySQL进行数据库审计的详细步骤和示例代码

MySQL进行数据库审计的详细步骤和示例代码

《MySQL进行数据库审计的详细步骤和示例代码》数据库审计通过触发器、内置功能及第三方工具记录和监控数据库活动,确保安全、完整与合规,Java代码实现自动化日志记录,整合分析系统提升监控效率,本文给大... 目录一、数据库审计的基本概念二、使用触发器进行数据库审计1. 创建审计表2. 创建触发器三、Java
阅读更多...
Python自动化批量重命名与整理文件系统

Python自动化批量重命名与整理文件系统

《Python自动化批量重命名与整理文件系统》这篇文章主要为大家详细介绍了如何使用Python实现一个强大的文件批量重命名与整理工具,帮助开发者自动化这一繁琐过程,有需要的小伙伴可以了解下... 目录简介环境准备项目功能概述代码详细解析1. 导入必要的库2. 配置参数设置3. 创建日志系统4. 安全文件名处
阅读更多...
MySQL 迁移至 Doris 最佳实践方案(最新整理)

MySQL 迁移至 Doris 最佳实践方案(最新整理)

《MySQL迁移至Doris最佳实践方案(最新整理)》本文将深入剖析三种经过实践验证的MySQL迁移至Doris的最佳方案,涵盖全量迁移、增量同步、混合迁移以及基于CDC(ChangeData... 目录一、China编程JDBC Catalog 联邦查询方案（适合跨库实时查询）1. 方案概述2. 环境要求3.
阅读更多...
SpringSecurity整合redission序列化问题小结(最新整理)

SpringSecurity整合redission序列化问题小结(最新整理)

《SpringSecurity整合redission序列化问题小结(最新整理)》文章详解SpringSecurity整合Redisson时的序列化问题,指出需排除官方Jackson依赖,通过自定义反序... 目录1. 前言2. Redission配置2.1 RedissonProperties2.2 Red
阅读更多...
nginx 负载均衡配置及如何解决重复登录问题

nginx 负载均衡配置及如何解决重复登录问题

《nginx负载均衡配置及如何解决重复登录问题》文章详解Nginx源码安装与Docker部署,介绍四层/七层代理区别及负载均衡策略,通过ip_hash解决重复登录问题,对nginx负载均衡配置及如何... 目录一：源码安装：1.配置编译参数2.编译3.编译安装 二,四层代理和七层代理区别1.二者混合使用举例
阅读更多...
MySQL 多列 IN 查询之语法、性能与实战技巧(最新整理)

MySQL 多列 IN 查询之语法、性能与实战技巧(最新整理)

《MySQL多列IN查询之语法、性能与实战技巧(最新整理)》本文详解MySQL多列IN查询,对比传统OR写法,强调其简洁高效,适合批量匹配复合键,通过联合索引、分批次优化提升性能,兼容多种数据库... 目录一、基础语法：多列 IN 的两种写法1. 直接值列表2. 子查询二、对比传统 OR 的写法三、性能分析
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2