Affinare il tempo

Rapporti scientifici volume 13, numero articolo: 5215 (2023) Citare questo articolo

363 accessi

Dettagli sulle metriche

La cresta tempo-frequenza non solo mostra il processo variabile del segnale non stazionario con il cambiamento del tempo, ma fornisce anche informazioni sui componenti sincroni e non sincroni del segnale per la successiva ricerca di rilevamento. Di conseguenza, la chiave è ridurre l’errore tra la cresta reale e quella stimata nel dominio tempo-frequenza per un rilevamento accurato. In questo articolo, un modello liscio ponderato adattivo viene presentato come uno strumento di post-elaborazione per perfezionare il crinale tempo-frequenza che si basa sul crinale tempo-frequenza stimato grossolanamente utilizzando metodi tempo-frequenza emergenti. In primo luogo, la cresta grossolana viene stimata utilizzando la trasformazione multi-sincronizzazione per il segnale di vibrazione in condizioni di velocità variabile. In secondo luogo, viene applicato un metodo ponderato adattivo per migliorare la posizione del grande valore energetico tempo-frequenza della cresta stimata. Quindi, viene costruito il parametro di regolarizzazione ragionevole e uniforme associato al segnale di vibrazione. In terzo luogo, viene sviluppato il metodo di maggiorazione-minimizzazione per risolvere il modello liscio ponderato adattivo. Infine, la caratteristica tempo-frequenza raffinata è ottenuta utilizzando il criterio di arresto del modello di ottimizzazione. Vengono forniti segnali sperimentali e simulativi per convalidare le prestazioni del metodo proposto mediante errori assoluti medi. Rispetto ad altri metodi, il metodo proposto ha le prestazioni più elevate in termini di accuratezza del raffinamento.

Il metodo di analisi tempo-frequenza (TFA) è uno strumento efficace per fornire informazioni sui componenti sincroni e non sincroni del segnale nel monitoraggio delle condizioni e nella diagnosi dei guasti in condizioni non stazionarie. Inoltre, potrebbero essere caratterizzate le caratteristiche di variazione nel tempo dei segnali non stazionari. I metodi TFA trovano ampia applicazione nei settori radar, sonar e astronomico, della biomedicina e dell'ingegneria meccanica1,2,3,4,5,6, ecc. I metodi TFA convenzionali sono approssimativamente divisi in trasformate lineari e quadratiche e tutti hanno i rispettivi inconvenienti. Ad esempio, la trasformata di Fourier a breve termine (STFT) e la trasformata wavelet continua (CWT) e così via, entrambe difficili nella scelta di un parametro finestra ragionevole di TFA, che porta alla risoluzione del tempo e della frequenza nel dominio tempo-frequenza7. D'altra parte, nella classica trasformata quadratica rappresentata dalla distribuzione di Wigner-Ville (WVD), le interferenze incrociate verrebbero introdotte nell'analisi del segnale multicomponente8, il che diminuisce la leggibilità del tempo-frequenza e aumenta la difficoltà del tempo-frequenza. estrazione della cresta di frequenza.

Nella maggior parte dei casi, l'algoritmo di ricerca del valore di picco viene sempre applicato per estrarre l'energia di picco della rappresentazione tempo-frequenza per caratterizzare la procedura del segnale variabile nel tempo nell'area industriale. Tuttavia, la cresta del picco ottenuta è una curva approssimativa utilizzando i metodi tempo-frequenza sopra menzionati. Pertanto, la curva approssimativa è una linea spezzata approssimata pur costruendo un opportuno parametro di finestra.

Per mitigare l'impatto dei rumori di fondo e delle interferenze nell'analisi dei segnali variabili nel tempo e ottenere una rappresentazione concentrata tempo-frequenza, viene introdotto lo strumento post-progresso per risolvere i problemi di cui sopra. Auger9,10 ha proposto una tecnica di riassegnazione (RM) per concentrare l'energia tempo-frequenza in una banda stretta. Successivamente, si propone la trasformata di sincronismo (SST)11 per comprimere i coefficienti tempo-frequenza nella traiettoria della frequenza istantanea (IF) lungo l'asse della frequenza, il metodo potrebbe fornire una buona leggibilità tempo-frequenza. In altre parole, la rappresentazione sfocata tempo-frequenza viene concentrata utilizzando un operatore di sincronizzazione durante l'analisi di un segnale stazionario, di conseguenza si ottiene una rappresentazione tempo-frequenza accurata12. Tuttavia, la curva tempo-frequenza adattata è fortemente distorta rispetto alla IF reale quando si analizzano segnali chirp o segnali modulati in frequenza13,14. Diversi anni fa, Yang ha proposto una serie di metodi di analisi parametrica tempo-frequenza per caratterizzare la varietà del segnale che varia nel tempo15,16,17. Vale la pena ricordare che l'autore ha esteso il kernel chirplet lineare convenzionale a una trasformazione chirplet polinomiale (PCT) costruendo un kernel chirplet non lineare polinomiale per sostituire il kernel chirplet nella trasformazione chirplet. Allo stesso modo, viene sviluppata la trasformata chirplet spline-kernelled (SCT). (Il teorema di approssimazione di Weierstrass viene applicato per garantire che qualsiasi funzione continua su un intervallo chiuso e limitato possa essere uniformemente approssimata su quell'intervallo da un polinomio con qualsiasi grado di precisione, tuttavia, il valore dell'ordine dovrebbe essere determinato in anticipo15). Sebbene la traiettoria tempo-frequenza di un segnale variabile nel tempo sia ben adattata, l’energia di rappresentazione tempo-frequenza è sfocata. Negli ultimi anni, sono state proposte alcune utili tecniche migliorate per elaborare segnali non stazionari, SST basato su STFT di secondo ordine (FSST2)18 e SST di ordine alto19 sono stati sviluppati per abbinare la modulazione di ampiezza (AM) e la modulazione di frequenza (FM) multi- componenti dei segnali20, nel frattempo, l’energia tempo-frequenza è concentrata in una banda stretta. Tuttavia, la complessità e la diversità dei casi pratici rendono difficile determinare i parametri accurati di IF17,21. Yu ha proposto una tecnica iterativa per migliorare la concentrazione di energia tempo-frequenza rispetto al metodo SST, la tecnica iterativa non solo elabora segnali variabili nel tempo ma è stata anche convalidata nel vantaggio di concentrare l'energia calcolando l'indice di entropia di Rényi22. Sebbene la leggibilità tempo-frequenza sia ottenuta introducendo un operatore di sincronismo di ordine elevato e tecniche iterative, la traiettoria tempo-frequenza stimata è spezzata.