本征时间尺度分解（Intrinsic Time-Scale Decomposition）-CSDN博客

本文链接：https://blog.csdn.net/L_2018/article/details/125297783

1.在诊断领域应用。

本征时间尺度分解能够很好地处理振动信号，分解出振动信号最具代表性的特征信号，在如滚动轴承故障诊断上，采取本征时间尺度分解作为信号处理手段来进行故障诊断能够大大提高诊断性能，

2.数学原理。

本征时间尺度分解最早由 Frei 和 Osorio 在本征时间尺度分解——非平稳信号的时频能

量分析和实时滤波一文提出，旨在将复杂信号分解为成多个相互独立的固有旋转分量和一

个单调函数或常数之和。具体计算下下：

给定一个待分解的复杂信号 F ( t ), 定义一个操作过程 P 以提取 F ( t ) 中的基线成分（ P 相当于是提取低通信号的算子），当去除 F ( t ) 中的基线信号后，剩余的信号就成为了固有旋转分量。一次分解过程可以描述为式（1）

${\color{Magenta} F(t)=PF(t)+(1-P)F(t)=P(t)+Q(t)}(1)$

式中：

P ( t ) ——基线信号或者低通信号；

Q ( t ) ——固有旋转分量。

具体实现步骤如下：

Step 1：确定分析的实值信号 F ( t )，为了便于定义，τ0=0 是实值信号 F ( t ) 的第一个样本，设在对应时刻τ k （ k =1,2,..., n ）下的极值 F ( τ k ) 。

Step 2：假设 P ( t ) 和 H ( t ) 定义在 [0, τ k ] 之间， F ( t ) 的时间 t 在 [0, τ k+2 ] 取值，基线提取算子 P 定义为两个极点之间的区间( τ k , τ k+1 ] 上的分段线性函数，如式（2）所示。

${\color{Magenta} PF(t)=P(t)=P(\tau_{k} )+\frac{P(\tau_{k+1})-P(\tau_{k} )}{F(\tau_{k+1})-F(\tau_{k} )}[F(t)-F(\tau_{k})],t\in (\tau_{k},\tau_{k+1}]}(2)$

式中：

${\color{Magenta} P(\tau_{k+1})=\alpha\left \{ F(\tau_{k})+\frac{\tau_{k+1}-\tau_{k}}{\tau_{k+2}-\tau_{k}} \left [ F(\tau_{k+2})- F(\tau_{k}) \right ]\right \}+(1-\alpha ) F(\tau_{k+1}),k=1,2,...,n-2}$