白银时代的博客

  有好几个读者私信博主，希望讲一下振动信号的包络解调技术。包络解调技术作为机械故障诊断重要的方法，具有一定的技术难度，博主将工作中常用的几种包络解调技术（hilbert变换解调、检波滤波解调以及细化平方解调方法）进行了归纳及python实现，希望能给大家一些帮助。.........

一、概述  本章节我们继续讨论和实现监督式故障诊断的特征选择算法（F_Score、Chi-square Score、mRMR方法），纯手撸代码，谢谢大家支持。二、F_Score原理及实现2.1 F_Score计算原理  F-score是特征选择中比较简单和有效的方法，也是很常用的一种方法。  第 i\mathrm{i}i 个特征的F-score的计算公式如下所示:F(i)≡(x‾i(+)−x‾i)2+(x‾i(−)−x‾i)21n+−1∑k=1n+(xk,i(+)−x‾i(+))2+1n−−1∑

文章目录一、概述一、概述

文章目录一、概述二、算法原理三、Python实现四、Tips一、概述测试信号中所含状态信息量的多少，是机械监测诊断的关键。振动和噪声是机械故障诊断中常用的信号源。但是在机器的实际诊断监测中，由于振动源多、振动传递路径复杂，由传感器搜集到的信息往往是多个振动激励源信号的总和。对于特定部件激振的振动信号来说，测试得到的振动信号信噪比较低。独立分量分析为分离和提取混合信号中的源信号提供了一个有力的工具。下面我们来看一下如何通过ICA算法实现降噪。二、算法原理  关于独立分量分析的算法可见独立成分（ICA）

文章目录一、概述二、算法原理三、python实现四、Tips一、概述  主成分分析，是考察多个变量间相关性一种多元统计方法，研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关，也可以理解为将原信号进行压缩。  在对原信号进行PCA压缩的过程中，噪声也同样被压缩，再对PCA结果重新恢复时，因为PCA过程保留了原信号主成分，因此信号主要特征得到了保留，而噪声信号已被压缩而无法恢复，这就是PCA去噪的原理。二、算法原

文章目录一、概述二、算法原理三、Python实现四、Tips一、概述  自适应滤波是近年以来发展起来的一种最佳滤波方法。它是在维纳滤波,Kalman滤波等线性滤波基础上发展起来的一种最佳滤波方法。由于它具有更强的适应性和更优的滤波性能。从而在工程实际中,尤其在信息处理技术中得到了广泛的应用。自适应滤波存在于信号处理、控制、图像处理等许多不同领域，它是一种智能更有针对性的滤波方法，通常用于去噪。二、算法原理  LMS算法原理  RLS算法原理  大神的讲解由于CSDN各路大神已经有不少原理方面的

文章目录一、概述二、算法原理三、Python实现四、Tips一、概述  自回归模型（Autoregressive model，简称AR），是统计学中一种处理时间序列的方法，用同一变数例，如yty_{t}yt​的历史值，亦即yt−1−Ny_{t-1-N}yt−1−N​至yt−1来预测y_{t-1}来预测yt−1​来预测y_{t}$的表现，并假设它们为一线性关系。因为这是从回归分析中的线性回归发展而来，只是不用x预测y，而是用x预测 x（自己），因此称为自回归。  基于AR模型降噪的基本思路是信号有确定性

文章目录一、概述二、算法原理2.1 离散二进小波分析一、概述  小波变换（wavelet transform，WT）是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间（空间）频率的局部化分析，通过伸缩平移运算对信号（函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求

文章目录一、概述二、基本原理三、python实现3.1 生成模拟信号3.2 源信号匹配滤波3.3 自相关匹配滤波四、Tips一、概述  匹配滤波（matched filtering）是最佳滤波的一种，该滤波器的准则是输出信噪比最大，常用于通信、雷达等系统的接收机中，当输入信号具有某一特殊波形时，其输出达到最大。说人话就是，假设我们有两个信号A和B，用A来对B信号进行滤波，如果B信号与A信号波形一致，其输出值最大。匹配滤波因其滤波效果极佳，在振动信号处理中也得到了大量的应用。举个例子，在对设备机脚振动信号

文章目录一、概述二、算法原理2.1 EEMD2.2 CEEMD三、python实现3.1 EEMD核心代码3.2 CEEMD核心代码四、Tips一、概述  在上一篇文章中，我们虽然对模拟振动信号进行了HHT分析，但是从结果中大家可以看到，处理后得到的不管是瞬时频率还是瞬时幅值均有震荡，这种震荡也叫模态混叠，具体的表现为一个IMF分量中存在多个尺度成分，或者是一个尺度成分在多个IMF分量中存在。  为了解决这个问题，人们提出了采用噪声辅助处理方法，EEMD（总体经验模态分解）以及CEEMD（补充总体经验

文章目录一、概述二、算法原理2.1 瞬时频率2.2 经验模态分解(EMD)三、python中实现3.1 生成模拟信号3.2 EMD变换3.3 Hilbert变换四、Tips一、概述  希尔伯特-黄变换（HHT）是一种非线性、非平稳信号的分析处理方法。它主要有经验模态分解（EMD）和希尔伯特变换两个理论部分构成，经验模态分解可以将任意信号分解为一系列固有模式函数的集合；固有模式函数再经过希尔伯特频谱分析，可以得到瞬时频率。因此经过希尔伯特-黄变换最终可以得到非线性、非平稳信号的时频图。二、算法原理  

文章目录一、概述二、算法原理2.1 时域统计特征三、python代码实现一、概述二、算法原理  这里我们借鉴西安交通大学机械学院雷教授的论文《Fault diagnosis of rotating machinery based on multiple ANFIS combination with GAs》相关研究成果。雷教授在论文中共列举了4类共24种振动信号的时域和频域特征。2.1 时域统计特征p1=∑n=1Nx(n)NP2=∑n=1N(x(n)−p1)2N−1p3=(∑n=1N∣x(n)∣N