提取声学信号识别与盲解卷积算法的齿轮箱故障的方法.pdf
Ch****49
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
提取声学信号识别与盲解卷积算法的齿轮箱故障的方法.pdf
本发明公开了提取声学信号识别与盲解卷积算法的齿轮箱故障的方法,S1:利用传声器接收机械系统观测通道;S2:对观测通道输出的结果进行分帧,求取平均功率,并与噪声功率相减;S3:将经过S2处理后信号进行奇偶截取,得到截取拓展信号;S4:对截取拓展信号进行预处理,使用盲源分离算法对截取拓展信号进行分离;S5:对分离的结果密度峰值聚类,将同类分离结果归为一类;S6:计算各类中信号与聚类中心的距离,分别筛选出距离各聚类中心最近的多个分离结果,可在不适合测量振动信号与采样长度较短的情况下使用,对机械声信号进行故障特征
增强旋转机械故障信号特征的盲解卷积算法.pdf
本发明涉及一种增强旋转机械故障信号特征的盲解卷积算法,包括以下步骤:S1:构建多个级联的FIR滤波器,根据原始振动信号的特征确定盲解卷积算法的最大化准则,将最大化准则作为目标函数;S2:利用级联的FIR滤波器依次对原始振动信号进行卷积运算,得滤波后的信号,计算滤波后的信号的目标函数值;S3:采用后向自动微分算法计算当前迭代次数下目标函数值对滤波器的梯度;S4:更新所有滤波器的值;S5:重复S2‑S4,达到最大迭代次数后,输出最终的滤波后的信号。解决了由于不同盲解卷积算法的迭代算法不能通用以及盲解卷积算法性
基于盲信号提取算法的语音识别方法及系统.pdf
本发明适用于通信技术领域,提供了一种基于盲信号提取(BSE)算法的语音识别方法,包括有:通过盲信号提取算法处理输入的混合源语音信号,以分离出各个期望源语音信号;从所述期望源语音信号中提取出期望信号特征;根据所述期望信号特征进行模式匹配得到对应的语义信息。相应地,本发明还提供一种基于盲信号提取算法的语音识别系统。借此,本发明能够从输入混合源语音信号中准确地提取出期望信号特征,可大大提高模式匹配成功率,从而提升了通信终端语音识别的灵敏度和准确度,增强了用户体验。
基于参考信号频域半盲提取的机械故障特征声学诊断.docx
基于参考信号频域半盲提取的机械故障特征声学诊断基于参考信号频域半盲提取的机械故障特征声学诊断机械设备运转时,其振动信号中蕴含着很多状态信息,尤其是当设备出现故障时,振动特征信号内会产生明显的冲击成分,由此衍生的声信号特性将随之发生改变[1]。机械设备故障诊断能否顺利进行很大程度上依赖于能否从繁多复杂的机械状态信号中提取足够数量且能够真实而客观地反映诊断对象工况的信息[2]。声信号测试具有非接触测量、测试方式简便、在线测试和无附着物影响等诸多优点,尤其适用于工业现场状态监测与故障诊断[3]。然而实际声场环境
实现齿轮箱混合故障信号盲源分离方法.pdf
本发明公开了一种实现齿轮箱混合故障信号盲源分离方法,涉及齿轮箱混合故障盲源分离诊断方法技术领域。所述方法包括如下步骤:对采集到的单通道齿轮箱混合故障信号进行EMD预处理;利用白噪声统计特征及峭度值结合方法选取IMF分量,作为有效的振动模式分量;对所选取的IMF分量重构分组,作为盲源分离的输入信号,结合CICA算法进行混合信号盲源分离,提取出感兴趣的故障信号;对经CICA方法分离得出的感兴趣的故障信号进行Hilbert包络分析,获取其包络谱,诊断出混合故障中感兴趣的故障特征,实现盲源分离。所述方法可实现盲源