Уточнение времени

Научные отчеты, том 13, Номер статьи: 5215 (2023) Цитировать эту статью

363 доступа

Подробности о метриках

Частотно-временной гребень не только демонстрирует изменяющийся процесс нестационарного сигнала с изменением во времени, но также предоставляет информацию о синхронных или несинхронных компонентах сигнала для последующих исследований по обнаружению. Следовательно, ключевым моментом является уменьшение ошибки между реальным и расчетным гребнем в частотно-временной области для точного обнаружения. В этой статье адаптивная взвешенная гладкая модель представлена ​​как инструмент постобработки для уточнения частотно-временного гребня, который основан на грубой оценке временно-частотного гребня с использованием недавно появившихся частотно-временных методов. Во-первых, грубый гребень оценивается с помощью мультисинхронного преобразования сигнала вибрации в условиях переменной скорости. Во-вторых, применяется адаптивный взвешенный метод для уточнения местоположения больших частотно-временных значений энергии оцениваемого гребня. Затем строится разумный параметр плавной регуляризации, связанный с сигналом вибрации. В-третьих, разработан метод мажорирования-минимизации для решения адаптивной взвешенной гладкой модели. Наконец, уточненная частотно-временная характеристика получается с использованием критерия остановки оптимизационной модели. Моделирование и экспериментальные сигналы приведены для проверки работоспособности предлагаемого метода по средним абсолютным ошибкам. По сравнению с другими методами предлагаемый метод имеет самые высокие показатели по точности уточнения.

Метод частотно-временного анализа (TFA) является эффективным инструментом для получения информации о синхронных или несинхронных компонентах сигнала при мониторинге состояния и диагностике неисправностей в нестационарных условиях. Кроме того, можно охарактеризовать изменяющиеся во времени характеристики нестационарных сигналов. Методы TFA широко применяются в области радиолокации, гидролокации и астрономии, биомедицины и машиностроения1,2,3,4,5,6 и т. д. Обычные методы TFA грубо делятся на линейные и квадратичные преобразования, и все они имеют соответствующие недостатки. Например, кратковременное преобразование Фурье (STFT) и непрерывное вейвлет-преобразование (CWT) и т. д., оба из которых сложны в выборе разумного параметра окна TFA, что приводит к временному и частотному разрешению в частотно-временной области7. С другой стороны, при классическом квадратичном преобразовании, представленном распределением Вигнера-Вилля (WVD), при анализе многокомпонентного сигнала будут введены перекрестные помехи8, что ухудшит читаемость времени-частоты и увеличит сложность измерения времени-частоты. выделение частотного гребня.

В основном алгоритм поиска пикового значения всегда применяется для извлечения пиковой энергии частотно-временного представления для характеристики процедуры изменяющегося во времени сигнала в промышленной сфере. Тем не менее, полученный гребень пика представляет собой грубую кривую, полученную с использованием вышеупомянутых частотно-временных методов. Следовательно, грубая кривая представляет собой аппроксимированную ломаную линию, хотя и создает подходящий параметр окна.

Чтобы смягчить влияние запутанных фоновых шумов и помех при анализе изменяющихся во времени сигналов и получить концентрированное частотно-временное представление, для решения вышеуказанных проблем вводится инструмент постпрогрессии. Огер9,10 предложил метод переназначения (RM) для концентрации частотно-временной энергии в узком диапазоне. После этого предлагается использовать синхросжатое преобразование (SST)11 для сжатия частотно-временных коэффициентов в траекторию мгновенной частоты (IF) вдоль оси частоты. Этот метод может обеспечить точную частотно-временную читаемость. Другими словами, размытое частотно-временное представление концентрируется с помощью оператора синхросжатия при анализе стационарного сигнала, в результате чего получается точное частотно-временное представление12. Тем не менее, подобранная частотно-временная кривая сильно смещена по сравнению с реальной ПЧ при анализе ЛЧМ-сигналов или частотно-модулированных сигналов13,14. Несколько лет назад Ян предложил серию параметрических методов частотно-временного анализа, чтобы охарактеризовать разнообразие изменяющегося во времени сигнала15,16,17. Стоит отметить, что автор расширил обычное ядро ​​линейного чирплета до полиномиального чирплетного преобразования (PCT), построив полиномиальное нелинейное ядро ​​чирплета для замены ядра чирплета в чирплетном преобразовании. Таким же образом разрабатывается сплайн-ядерное чирплетное преобразование (SCT). (Теорема Вейерштрасса применяется для того, чтобы гарантировать, что любая непрерывная функция на замкнутом и ограниченном интервале может быть равномерно аппроксимирована на этом интервале полиномом с любой степенью точности, однако значение порядка должно быть определено заранее15). Хотя частотно-временная траектория изменяющегося во времени сигнала хорошо подобрана, энергия частотно-временного представления размыта. В последние годы предложено несколько полезных улучшенных методов обработки нестационарных сигналов: разработаны SST второго порядка на основе STFT (FSST2)18 и SST19 высокого порядка для согласования многочастотной амплитудной модуляции (AM) и частотной модуляции (FM). компонентные сигналы20, при этом частотно-временная энергия концентрируется в узкой полосе. Однако сложность и разнообразие практических случаев затрудняют определение точных параметров IF17,21. Ю предложил итерационный метод для улучшения частотно-временной концентрации энергии по сравнению с методом SST. Итерационный метод не только обрабатывает изменяющиеся во времени сигналы, но также было подтверждено преимущество концентрации энергии путем расчета индекса энтропии Реньи22. Хотя частотно-временная читаемость достигается за счет введения оператора синхросжатия высокого порядка и итерационных методов, расчетная частотно-временная траектория является ломаной.