【变分多谐波对偶模式追踪】从噪声信号中提取重复瞬态分量的方法（Matlab代码实现）

  💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

📚2 运行结果

2.1 算例1

2.2 算例2

🎉3 参考文献

🌈4 Matlab代码、数据、文献

---

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

在振动信号中，重复瞬态分量（RTC）是反映旋转机械局部缺陷的典型症状，可以通过特征参数（如到达间隔、最大振幅、共振频率和衰减率）进行数学定义。特别是，到达间隔和最大振幅揭示了故障的位置和严重程度，并为状态监测和故障诊断提供了关键信息，这些信息应在信号处理过程中得到很好的保留。周期性RTC具有离散和清晰的光谱结构。在这种情况下，我们可以通过构建一个局部窄带通滤波器组来尽可能多地恢复周期性RTC，以提取具有相等频率间隔的突出谱线。然而，这种带通滤波器组无法直接提取伪周期RTC，因为时域中重复周期的轻微随机偏差，即RTC的到达间隔波动，可能会导致严重的频谱模糊，尤其是在频谱的高频区域。
就时域波形和频谱的形状而言，由多个谐波组成的分量在时域中分散，但在频域中表现为具有局部紧凑带宽的重复瞬态形式。基于傅里叶变换（FT）的二元性，时域和频域中傅里叶变换对的函数形式可以互换。这意味着周期性或伪周期性RTC可以表示为多谐波对偶函数的傅里叶逆变换（IFT）。基于这一想法，开发了一种称为变分多谐波对偶模式追踪（VMHDMP）的复值目标分量分解方法，用于处理复值频率信号，并准确提取时域中发生的RTC。本质上，VMHDMP提供了一个最佳的“瞬态通过”逆滤波器组，该滤波器组仅在RTC中每个瞬态的发生时刻附近具有紧凑的通道。因此，与故障密切相关的生命参数被完全保留，而不同时刻发生的频率重叠噪声和大振幅干扰可以被有效地消除。使用一些模拟和实验示例来测试VMHDMP的有效性。

文献1：用于从振动信号中提取重复瞬态分量的变分多谐波对偶模式追踪方法

摘要
振动信号中的重复瞬态分量（RTC）是反映旋转机械局部缺陷的典型症状，可以通过特征参数（如到达间隔、最大振幅、共振频率和衰减率）进行数学定义。特别是，到达间隔和最大振幅揭示了故障的位置和严重程度，并为状态监测和故障诊断提供了关键信息。然而，在适用性、抗噪性和保真度方面存在一些不足，不利于追求故障诱导的RTC，并实现关键特征参数的可靠识别。因此，提出了一种称为变分多谐波对偶模式追踪（VMHDMP）的新方法来准确提取RTC。首先在频域中定义了多谐波对偶模式函数（MHDMF），该函数全面描述了RTC的关键特征参数。基于定义的MHDMF，对RTC的追求被表述为具有局部紧凑持续时间约束的频域变分优化问题，该问题从复值频率信号中以显式MHDMF最优地搜索模式。在求解算法中引入了涉及实值和复值信号相互转换的策略，以满足复值频率信号的可分解性。最后，对提取的MHDMF的分析形式进行傅里叶逆变换，以获得忠实的RTC。本质上，VMHDMP提供了一个最佳的“瞬态通过”逆滤波器组，仅在RTC中每个瞬态的发生时刻附近具有紧凑的通道。因此，与故障密切相关的生命参数被完全保留，而不同时刻发生的频率重叠噪声和大振幅干扰可以被有效地消除。通过模拟和实验示例来测试VMHDMP的有效性。 

文献2：轴承故障脉冲包络特征的多谐波变分模式提取

摘要
故障引起的脉冲响应的包络形状反映了轴承故障区域的撞击过程，并提供了有关缺陷区域大小和轮廓的信息。由于脉冲包络是受带内噪声严重影响的宽带分量，因此很难与振动信号分离。为了消除带内噪声并从全频带包络中获取诊断信息，提出了一种称为变分多谐波模式提取（VMHME）的新方法，用于提取脉冲包络分量并表征包络形状。首先，构建多谐波模式函数（MHMF）以定义谐波组件，该组件通常具有宽带特性，但每个谐波都是窄带的。然后建立变分模型，从分析信号中用显式MHMF对模式进行最优分解。一次只提取一个特定模式，并采用该模式来有效地满足故障引起的脉冲包络提取的需求。本质上，VMHME提供了一个最佳的带通滤波器组，在故障特征谐波处具有局部窄带宽。利用窄带宽谐波组件消除了带内噪声，同时保留了包络形状的故障特征。使用模拟和实验轴承故障信号验证了所提出方法的有效性。结果表明，VMHME可以深入利用包络形状信息进行轴承故障诊断。

📚2 运行结果

2.1 算例1

2.2 算例2

部分代码：

%% VMHDMP
alpha = 1e5; %  the penalty function to control the time-domain local compactness; it can be set to 1e5 in this example
tau_int = 671; %  an approximate value of the theoretical repetition period of the desired repetitive transient component
tau_offset = -445; %  a constant that denotes the time offset by time-domain sampling
K = 15; % the number of transients to be recovered� it can be set to 15~30 in this example
tol = 1e-6; % tolerance of convergence criterion; typically around 1e-6 or 1e-8
[D_jw R_jw] = VMHDMP(Ge_jw, alpha, tau_int, tau_offset, K, tol);

x_response_extraction_Y = -real(ifft(ifftshift(D_jw))); % Reverse Fourier transform and take real part
x_response_extraction = x_response_extraction_Y(1:N); % Remove the extened part

% Short-time Fourier transform and parameters
wlen = 64;
hop = wlen/64; 
nfft = 8*wlen;
anal_win = blackmanharris(wlen, 'periodic'); 
synth_win = hamming(wlen, 'periodic');
% Obtain time-frequency nalysis
[STFT, F, T] = stft(x_response_extraction, anal_win, hop, nfft, fs);

figure
set(gcf,'unit','centimeters','Position',[15 15 16 8]);
stem(t,x_impulse_mark,'r:','marker','none')
hold on
plot(t,x_response_extraction,'b')
set(gca,'xLim',[0 1])
set(gca,'yLim',[-2.5 2.5])
xlabel('Time (s)')
ylabel('Amplitude')
title('Extracted pseudo-periodic oscillatory RTC')
set(gca,'FontSize',10,'FontName','Times New Roman')
figure
set(gcf,'unit','centimeters','Position',[15 15 16 8]);
imagesc(T, F, abs(STFT));
set(gca,'YDir','normal');
xlabel('Time (s)')
ylabel('Frequency (Hz)')
title('TFA of extracted pseudo-periodic oscillatory RTC')
set(gca,'FontSize',10,'FontName','Times New Roman')
axis([T(1),T(end),600,2200]);
 

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

🌈4 Matlab代码、数据、文献

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取