强背景噪声下周期信号周期的一种估计方法技术

本发明专利技术强背景噪声下周期信号周期的一种估计方法，是一种利用周期信号自身序列对其周期进行搜索的方法，步骤为：（１）定义一种序列测度函数作为搜索目标函数；（２）给出初始周期搜索区间和初始搜索方式；（３）不断变换假定的信号周期进行搜索－每给一个假定周期，按此周期对原信号序列进行时域平均处理，并对平均的输出序列计算测度函数值；（４）做时域平均谱－对应各搜索周期点的测度值曲线；（５）根据平均谱上极值精确估计周期信号的周期，若成功则结束，否则调整搜索区间或搜索方式转步骤（３）继续。该发明专利技术解决了常见方法周期检测能力弱的问题，对实际中的低信噪比周期信号，如动设备表面测取的振动加速度信号等的分析有用。

【技术实现步骤摘要】

本专利技术是基于计算机程序估计强背景噪声下周期信号的周期。实际中有许许多多的动设备，如发电机、电动机、压缩机、齿轮变速箱等，它们的运动一般具有周期运动的特点。为了对这些动设备的运行状态进行评估和诊断，一种简单方便的途径是从这些动设备的机壳表面测取振动加速度信号进行分析。由于机壳表面的加速度测点往往远离机器内部的振源(运动源)，振动传递过程中不可避免地要带入各种噪声，因此，实测的表面振动加速度信号通常是带有很强背景噪声的周期信号；另外，有些动设备如多级齿轮变速箱等，其内部有多个振源，实测的表面加速度信号更复杂——含有多个周期分量，但实际分析时往往某一时刻只对一个振源感兴趣，因此，实测信号可以认为是一个含有若干干扰分量和噪声的周期信号。这里，将以上两种情况的周期信号通称为强背景噪声下的周期信号。实际中还存在其他强背景噪声下的周期信号实例。强背景噪声下周期信号经过采样进入计算机后，对它的分析一般先要进行必要的降噪，如时域平均处理、奇异值分解降噪等，以提取感兴趣的周期分量、抑制干扰分量和噪声，但这些降噪处理的前提是先要给出周期信号的精确周期，即先要精确估计周期。周期信号的周期对旋转设备而言在一定程度上还有“转速”的物理含义。周期信号周期估计的一种途径是利用另外一路载有周期信息的时标信号来估计，而本专利技术则是用强背景噪声下周期信号自身序列来确定周期——不用另外一路时标信号。
技术介绍
一个周期信号的采样序列不一定是周期序列，再考虑噪声的影响，工程上一般不会出现严格的数学意义上的周期序列，因此，不可能指望从一个采样序列的时域波形上观察出原周期信号的精确周期。现有的利用背景噪声下周期信号自身序列来估计周期的方法有幅值频谱或功率谱法，自相关函数法，奇异值分解搜索法等。幅值频谱或功率谱法。一个理想周期信号的离散序列，经离散傅立叶变换(DFT)可变换到频域进行表示。该周期信号基波及各次谐波分量在其幅值频谱或功率谱上会表现出相应的谱峰。基于各种内插技术可精确确定幅值频谱或功率谱上的基波频率，即精确确定周期信号的周期。但是，周期信号中背景噪声(包括一般噪声和干扰分量)的存在，会影响DFT结果各数值的大小，进而会使感兴趣周期分量的周期估计出现误差。(参考文献丁康、张晓飞，频谱校正理论的发展，振动工程学报，13(1)，2000，14-22)。自相关函数法。一个理想周期信号的自相关函数是一个同周期的周期信号，而白噪声的自相关函数是一个冲击函数，自相关函数法正是利用这一点来提高对背景噪声下周期信号周期的检测能力。但实际中，噪声在不同时刻的相关系数未必是0，即一般不是白噪声过程；若背景噪声中还包含其他干扰分量，则背景噪声更是一个自相关较强的过程；背景噪声和周期过程间也可能表现出某种互相关性。因此，从自相关函数的定义可知，背景噪声对自相关函数法的周期估计会产生影响。另外，由于进行的是离散自相关函数法分析，周期估计值只能以采样间隔为单位，精度受限制。奇异值分解搜索法。该方法可描述为在一周期搜索区间内，按照一定的搜索策略和方法，不断变换假定的信号周期；每给一个假定信号周期，将信号序列按此周期长度依次截取若干段构造矩阵，做矩阵奇异值分解，并计算出一个占比——最大奇异值与所有奇异值之和的比；最后，将“占比”最大的假定周期估计为周期信号的周期。周期信号中背景噪声的存在，也会影响矩阵奇异值分解的结果，进而会影响奇异值分解搜索的精度。(参考文献李建，刘红星等，探测信号中周期性冲击分量的奇异值分解技术，振动工程学报，2002，v15(4)，415-418)。以上三种方法中，不管是最常见的幅值频谱或功率谱、自相关函数法，还是奇异值分解搜索方法，它们估计周期信号周期的精度都会受背景噪声的影响，自相关函数法的周期估计精度还要受到信号采样间隔的限制。随着背景噪声的越来越强，即信噪比的越来越低，这三种方法的周期估计精度也会越来越低；特别是，当背景噪声强到一定程度，三种方法都会失效。
技术实现思路
专利技术目的针对现有三种周期估计方法周期估计能力不足——周期估计精度不高、背景噪声强时会失效等问题，提出一种更适用于强背景噪声下周期信号的精度更高的周期估计方法。技术方案本专利技术强背景噪声下周期信号周期的估计方法，是一种利用周期信号自身序列对其周期进行搜索的方法，步骤为(1)定义一种序列测度函数作为搜索的目标函数；(2)给出初始周期搜索区间和初始搜索方式；(3)不断变换假定的信号周期进行搜索——每给一个假定的信号周期T，按此周期对原信号序列进行时域平均处理，并对平均的输出序列计算测度函数值；(4)做时域平均谱——对应各搜索周期点的测度函数值的连接曲线；(5)根据平均谱上的极值精确估计周期信号的周期，若成功则过程结束，否则调整搜索区间或搜索方式，转步骤(3)继续。以上步骤(1)中，一个信号序列的测度函数，可定义为该信号序列的各数值的均方根，也可定义为它的能量形式——均方和等；为了测度值数据的规一化起见，还可将序列测度函数定义为相对形式，如它的均方值与作为参考序列的原周期信号序列的均方值的比值。以上步骤(2)中，初始周期搜索区间可根据先验知识给出，若无先验知识，则搜索区间的下界Tmin可确定为1个采样间隔，上界Tmax可试确定为一较大的假定周期，如50个采样间隔，即从假定周期为1个采样间隔开始试搜索。以上步骤(2)中，搜索方式可以采用枚举搜索方式，也可以采用其他的搜索方式，如进化计算等；当采用枚举搜索方式时，初始的枚举搜索间隔ΔT可取得稍大，以提高搜索速度，如取0.1个信号采样间隔；当采用进化等搜索方式时，不存在搜索间隔ΔT，但要确定进化代数等参数。枚举搜索方式指将搜索区间按一定的间隔离散化为若干个数值点，在这些数值点处逐一进行搜索，这里的离散间隔即枚举搜索间隔ΔT，决定了将要确定的周期的精度，也关系到能否成功搜索到信号周期分量及其周期。进化算法是模拟自然进化的随机搜索算法，搜索精度取决于进化代数的多少、每代种群规模的大小等参数。以上步骤(3)中，每假定一个信号周期T要对原信号序列进行时域平均处理，可描述为设含背景噪声的原周期信号为x(t)，它以Δt为采样间隔的N点采样序列为x(n)n＝0，1，…，N-1，对假定周期T，令平均点数K＝floor(N/Tmax)，floor为向下取整函数，令mi＝round(i·T/Δt)，round为就近取整函数，则时域平均后的输出序列定义为y(n)=1KΣi=0K-1x(n-mi),n=mK-1,···,N-1---(1)]]>这里，Tmax和T的单位均为采样间隔Δt。该时域平均相当于对原序列的一种滤波，其滤波器称为梳状滤波器(comb filter)，它的样值响应函数为 的左边输出序列可以看成x(n)与h(n)线性卷积后去掉两边过渡段的剩余序列。以上步骤(4)中，做时域平均谱——对应各搜索周期点的测度函数值的连接曲线，横轴可为搜索周期、纵轴可为测度函数值。以上步骤(5)中，如果当前搜索区间的时域平均谱上出现突出的惟一谱峰(极值)，且确认其为感兴趣的周期分量，则可将对应的假定周期确定为周期信号周期；若时域平均谱上出现多个假定周期本文档来自技高网...

【技术保护点】
一种利用强背景噪声下周期信号自身序列对其周期进行估计的方法，其特征在于，包括如下步骤：（１）定义一种序列测度函数作为搜索的目标函数；（２）给出初始周期搜索区间［Ｔ↓［ｍｉｎ］，Ｔ↓［ｍａｘ］］和初始搜索方式；（３）不断变换假定的信号周期进行搜索－每给一个假定的信号周期Ｔ，按此周期对原信号序列进行时域平均处理，并对平均的输出序列计算测度函数值；（４）做时域平均谱－对应各搜索周期点的测试函数值的连接曲线；（５）根据平均谱上的极值精确估计周期信号的周期，若成功则过程结束，否则，调整搜索区间或搜索方式，转步骤（３）继续。

【技术特征摘要】

【专利技术属性】
技术研发人员：刘红星，肇莹，管建池，高敦堂，都思丹，屈梁生，左洪福，姜澄宇，
申请(专利权)人：南京大学，
类型：发明
国别省市：84[中国|南京]