-
题名基于启发式掩模EMD的音频突变成分检测方法
被引量：2
- 1
-
-
作者
李海峰
戎晓汇
马琳
徐忠亮
薄洪健
-
机构
哈尔滨工业大学计算机科学与技术学院
东北林业大学信息与计算机工程学院
深圳航天科技创新研究院
-
出处
《信号处理》
CSCD
北大核心
2020年第6期885-893,共9页
-
基金
国家重点研发计划项目(2018YFC0806800)
国家自然科学基金项目(61671187)
+3 种基金
中国博士后科学基金资助项目(2019M663095)
深圳市基础研究项目(JCYJ20180507183608379)
深圳市创新环境建设计划重点实验室项目(ZDSYS201707311437102)
应用基础研究项目(CJN13J004)。
-
文摘
多数情况下,音频信号可以视为是由稳态成分和突变成分两种成分组成,稳态成分与突变成分在属性特征方面具有明显的差异,而且突变成分通常承载更重要的信息,是信号处理要分析提取的目标。为有效检测出突变成分并将这两种成分分离,需要完整精确地检测提取出突变成分。为此本文提出一种基于启发式掩模经验模态分解(Empirical Mode Decomposition,EMD)的音频突变成分检测方法,该检测方法中使用启发式掩模EMD分解音频信号并从中提取出各点的瞬时信息作为检测特征,同时本文提出一种窗长自适应更新策略来设定适合突变成分的长度。在IOWA的乐器音频数据集中,该检测方法能够实现以98.68%的检测精确率和87.65%的检测召回率将音频突变成分检测出来。此外该检测方法无需人为干预,并且检测出的突变成分维度一致,便于进行后续的特征提取、分类识别等处理操作。
-
关键词
掩模经验模态分解
音频信号
突变成分
检测方法
-
Keywords
empirical mode decomposition with a masking signal
audio signal
mutant component
detection method
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
TN911.72
[电子电信—通信与信息系统]
-
-
题名BFA优化掩膜参数的轴承故障诊断方法的研究
- 2
-
-
作者
李凌均
秦梦通
王坤
陈磊
-
机构
郑州大学机械工程学院
-
出处
《机械设计与制造》
北大核心
2022年第8期189-192,196,共5页
-
基金
河南省教育厅科学技术研究重点项目指导计划(13B460397)
河南省高校重点学科开放实验室项目(PMTE201302A)。
-
文摘
掩膜信号法一定程度上削弱了信号分解结果中的模态混叠现象,其分解结果主要受到掩膜信号的幅值和掩膜频率的影响。为获得参数最优解,摒弃了传统计算获得的方法,提出了细菌觅食算法优化掩膜参数的滚动轴承故障诊断方法。首先利用参数寻优的BFA算法优化掩膜信号的幅值和掩膜频率,得到最优参数组合,利用参数优化后的掩膜信号处理故障信号得到频谱更加纯净的本征模函数,最终根据相关系数准则选取最佳分量进行频谱分析。实验结果表明优化参数后掩膜信号处理下的故障信号抗模态混叠能力更强,分量融合后故障特征更明显。
-
关键词
滚动轴承故障诊断
细菌觅食算法
参数寻优
掩膜信号法
模态混叠
-
Keywords
Rolling Bearing Fault Diagnosis
Bacterial Foraging Algorithm
Parameter Optimization
mask signal method
Mode Mixing
-
分类号
TH16
[机械工程—机械制造及自动化]
TH133.3
[机械工程—机械制造及自动化]
-
-
题名基于MS-EEMD的滚动轴承微弱故障提取研究
被引量：2
- 3
-
-
作者
王志坚
吴文轩
张纪平
王日俊
寇彦飞
-
机构
中北大学机械工程学院
-
出处
《噪声与振动控制》
CSCD
2018年第3期152-156,共5页
-
基金
山西省自然科学基金资助项目(2015011063)
-
文摘
在实际工况下,轴承的早期故障信号与强噪声信号相比属于微弱信号,而轴承的早期故障特征从强噪声环境中提取出来一直是故障诊断课题的一大难点。基于上述问题,提出一种基于MS(Mask Signal)和EEMD(Ensemble Empirical Mode Decomposition)方法的滚动轴承微弱故障提取方法。由于EEMD方法在噪声背景下分解出的IMF分量存在模态混叠现象,很难辨别故障频率的真伪,所以引入掩膜信号法对分解出的IMF分量进行处理,抑制虚假频率,将故障频率提取出来。通过将掩膜信号法与EEMD方法相结合的方式,对存在噪声的故障信号进行处理,提取出故障特征。
-
关键词
振动与波
强噪声
掩膜法
总体平均经验模态分解
故障诊断
-
Keywords
vibration and wave
strong noise
mask signal （MS） method
ensemble empirical mode decomposition（EEMD）
fault diagnosis
-
分类号
TP17
[自动化与计算机技术—控制理论与控制工程]
TP206
[自动化与计算机技术—检测技术与自动化装置]
-
