System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及信号处理和信号监测识别领域,具体涉及一种多源信号的频率分量估计与精准分离方法及装置。
技术介绍
1、风力发电是一种清洁、可再生的能源形式,其发电过程中涉及到叶片、传动系统、轴承、发电机等多个关键组件。然而,由于运行工况多变和外界环境因素的影响,风电机组容易发生连接部位松动、轴承及齿轮箱损伤、齿轮啮合间隙变化等问题,进而引起风电机组出现各种异常响声,产生故障信号,若在一个位置或多个位置发生两个或多个故障,则产生多源复合故障信号,严重影响其运行性能和可靠性。
2、由于风电机组在运转时人无法进入,检查、排除非常困难,即使有的异响短期内不影响风电机组运转,但是一个安全隐患,可能导致大部件的损坏,最后引起重大故障发生。通过风电机组运行中的异常声音信号进行故障诊断,具有非侵入性、可以传达设备的整体状态、可以识别不同类型的故障等优势,所以依据风电机组运行中的异常声音信号进行频率分量估计与精准分离,对单个故障或多源复合故障的故障类型进行判断和严重性评估具有重要的意义。
3、现有技术中有采用基于非负矩阵分解和快速独立成分分析的频率估计和信号分离算法,但基于非负矩阵分解的方法只适用于计算复杂度低的场景,实时性难以保障,并且分解形式和分解结构不唯一,不同的非负矩阵分解算法可能会产生不同的结果,这导致了信号分离解释上的困难。基于快速独立成分分析的方法,采用牛顿迭代法在初始解附近迭代计算求解,可能无法收敛并且容易陷入局部最优中,存在求解误差的传播和积累。在风电机组多源声音信号频率估计和信号分离故障诊断的场景中,对噪声
技术实现思路
1、本专利技术要解决的技术问题:针对现有技术的上述问题,提供一种多源信号的频率分量估计与精准分离方法及装置,本专利技术旨在解决传统信号频率估计与信号分离方法在独立源个数未知,容易陷入局部最优和信号分离误差积累问题,改进传统方法容易陷入局部最优、灵活性差的问题,在频率估计与信号分离中提高精度。
2、为了解决上述技术问题,本专利技术采用的技术方案为:
3、一种多源信号的频率分量估计与精准分离方法,包括下述步骤:
4、s101,针对多个通道的采样数据基于拟合熵确定独立源个数和主成分信号;
5、s102,采用变步长牛顿迭代法对主成分信号解混叠得到解混叠矩阵和预分离信号;
6、s103,运用误差反向传递修正解混叠矩阵将多源混合信号分离为精确分离信号;
7、s104,基于各个通道的精确分离信号进行频率估计。
8、可选地,步骤s101包括:
9、s201,对n个通道采集的m个时刻的采样数据构建维度为n×m的观测数据矩阵x;对观测数据矩阵x进行标准化处理,得到标准化后的观测数据矩阵x;根据标准化后的观测数据矩阵x,分别计算各个通道间的协方差系数得到维度为n×n的协方差系数矩阵r;对协方差系数矩阵r进行特征值分解,将特征值进行降序排列,得到协方差系数矩阵r的n个特征值及其对应的特征向量;
10、s202,从1开始到n结束遍历计算不同独立源个数时的拟合熵,并根据下式从计算得到的n个拟合熵中确定独立源个数b:
11、
12、上式中,b为遍历的独立源个数,b=1,2,...,n-1,ef(b+1)为b+1个独立源信号时的拟合熵,ef(b)为b个独立源信号时的拟合熵;
13、s203,选择协方差系数矩阵r的前b个最大特征值对应的特征向量作为投影矩阵,利用投影矩阵将标准化后的观测数据矩阵x投影到低维度维度为b×m的主成分信号v。
14、可选地,步骤s202中拟合熵的计算函数表达式为:
15、
16、上式中,ef(c)表示独立源个数c时的拟合熵,m为采样的时刻数量,n为通道数量,λi为协方差系数矩阵r的第i个特征值。
17、可选地,步骤s203中利用投影矩阵将标准化后的观测数据矩阵x投影到低维度维度为b×m的主成分信号v的函数表达式为:
18、v=ptx,
19、上式中,p表示维度为n×b的投影矩阵,x为标准化后的观测数据矩阵,且有:
20、p=[a:,1,a:,2,…,a:,b],
21、上式中,a:,1~a:,b为协方差系数矩阵r的前b个最大特征值对应的特征向量。
22、可选地,步骤s102包括:
23、s301,对主成分信号进行中心化和白化,得到中心化和白化后的主成分信号v;
24、s302,构建解混叠的非线性方程:
25、
26、上式中,f(w)为解混叠的非线性方程,e为数学期望值,v为中心化和白化后的主成分信号,为预分离信号,为对比函数一阶导数g′(u)在处的取值,且有g(u)=ln(cosh(u)),g′(u)=tanh(u),其中u为对比函数的自变量;初始化迭代步数k=1,以及第1步的步长参数μ(1)=1;随机初始化解混叠矩阵w=[w:,1,w:,2…w:,b],其中w:,1~w:,b分别为解混叠矩阵w的第1~b个列向量,初始化列变量i=1,将解混叠矩阵w的第i个列向量作为初始的第1步的第i个列向量
27、s303,根据下式求解第k+1步的第i个列向量
28、
29、上式中,μ(k)为第k步的步长参数,e为数学期望值,为第i个预分离信号,为对比函数一阶导数g′(u)在处的取值,为对比函数的二阶导数g″(u)在处的取值,为第k步的第i个列向量;更新第k+1步的步长参数μ(k+1);根据下式计算迭代后的第k+1步的第i个列向量并将迭代后的第k+1步的第i个列向量作为新的第k+1步的第i个列向量
30、
31、
32、上式中,w:,j为解混叠矩阵w的第j个列向量;为迭代后的第k+1步的第i个列向量;
33、s304,若迭代步数k等于预设阈值或者则跳转步骤s305;否则,将迭代步数k加1,跳转步骤s303继续迭代;
34、s305,若列变量i小于独立源个数b则将列变量i加1,跳转步骤s303以求解解混叠矩阵w的下一个列向量;否则得到解混叠矩阵w,跳转步骤s306;
35、s306,根据下式得到预分离信号:
36、
37、上式中,为预分离信号,w为解混叠矩阵,v为中心化和白化后的主成分信号。
38、可选地,步骤s303中更新第k+1步的步长参数μ(k+1)的函数表达式为:
39、
40、上式中,μ(k+1)为第k+1步的步长参数,μ(k)为第k步的步长参数,μt为阈值,为对第k步的第i个列向量本文档来自技高网...
【技术保护点】
1.一种多源信号的频率分量估计与精准分离方法,其特征在于,包括下述步骤:
2.根据权利要求1所述的多源信号的频率分量估计与精准分离方法,其特征在于,步骤S101包括:
3.根据权利要求2所述的多源信号的频率分量估计与精准分离方法,其特征在于,步骤S202中拟合熵的计算函数表达式为:
4.根据权利要求2所述的多源信号的频率分量估计与精准分离方法,其特征在于,步骤S203中利用投影矩阵将标准化后的观测数据矩阵X投影到低维度维度为B×M的主成分信号V的函数表达式为:
5.根据权利要求1所述的多源信号的频率分量估计与精准分离方法,其特征在于,步骤S102包括:
6.根据权利要求5所述的多源信号的频率分量估计与精准分离方法,其特征在于,步骤S303中更新第k+1步的步长参数μ(k+1)的函数表达式为:
7.根据权利要求1所述的多源信号的频率分量估计与精准分离方法,其特征在于,步骤S103包括:
8.根据权利要求7所述的多源信号的频率分量估计与精准分离方法,其特征在于,步骤S402中第i个预分离信号和第j个主
9.一种多源信号的频率分量估计与精准分离装置,包括相互连接的微处理器和存储器,其特征在于,所述微处理器被编程或配置以执行权利要求1~8中任意一项所述多源信号的频率分量估计与精准分离方法。
10.一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其特征在于,所述计算机程序用于被微处理器编程或配置以执行权利要求1~8中任意一项所述多源信号的频率分量估计与精准分离方法。
...【技术特征摘要】
1.一种多源信号的频率分量估计与精准分离方法,其特征在于,包括下述步骤:
2.根据权利要求1所述的多源信号的频率分量估计与精准分离方法,其特征在于,步骤s101包括:
3.根据权利要求2所述的多源信号的频率分量估计与精准分离方法,其特征在于,步骤s202中拟合熵的计算函数表达式为:
4.根据权利要求2所述的多源信号的频率分量估计与精准分离方法,其特征在于,步骤s203中利用投影矩阵将标准化后的观测数据矩阵x投影到低维度维度为b×m的主成分信号v的函数表达式为:
5.根据权利要求1所述的多源信号的频率分量估计与精准分离方法,其特征在于,步骤s102包括:
6.根据权利要求5所述的多源信号的频率分量估计与精准分离方法,其特征在于,步骤s303中更新第k+1步的...
【专利技术属性】
技术研发人员:温和,胡轲,孙彪,林海军,赵景波,吴双双,王天阳,曹斯濛,
申请(专利权)人:湖南大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。