Refinando o tempo

Scientific Reports volume 13, Número do artigo: 5215 (2023) Citar este artigo

363 Acessos

Detalhes das métricas

O cume de frequência de tempo não apenas exibe o processo variável de sinal não estacionário com mudança de tempo, mas também fornece a informação de componentes síncronos ou não síncronos de sinal para pesquisa de detecção subsequente. Consequentemente, a chave é diminuir o erro entre o cume real e o estimado no domínio do tempo-frequência para uma detecção precisa. Neste artigo, um modelo suave ponderado adaptativo é apresentado como uma ferramenta de pós-processamento para refinar a crista tempo-frequência que se baseia na estimativa grosseira da crista tempo-frequência usando novos métodos emergentes de frequência-tempo. Em primeiro lugar, o cume grosseiro é estimado usando transformação multi-synchrosqueezing para sinal de vibração sob condições de velocidade variável. Em segundo lugar, um método ponderado adaptativo é aplicado para melhorar a localização do grande valor de energia de tempo-frequência da crista estimada. Então, o parâmetro de regularização suave razoável associado ao sinal de vibração é construído. Em terceiro lugar, o método de majorização-minimização é desenvolvido para resolver o modelo suave ponderado adaptativo. Finalmente, a característica refinada de tempo-frequência é obtida utilizando o critério de parada do modelo de otimização. Sinais de simulação e experimentais são dados para validar o desempenho do método proposto por erros médios absolutos. Comparado com outros métodos, o método proposto tem o maior desempenho em precisão de refinamento.

O método de análise de tempo-frequência (TFA) é uma ferramenta eficaz para fornecer informações sobre componentes síncronos ou não síncronos de sinal no monitoramento de condições e diagnóstico de falhas em condições não estacionárias. Além disso, as características variantes no tempo de sinais não estacionários podem ser caracterizadas. Os métodos TFA são amplamente aplicados em radar, sonar e áreas astronômicas, biomédicas e de engenharia mecânica1,2,3,4,5,6, etc. desvantagens. Por exemplo, transformada de Fourier de curta duração (STFT) e transformada contínua de wavelet (CWT) e assim por diante, ambas difíceis na escolha de um parâmetro de janela razoável de TFA, o que leva a resolução de tempo e frequência no domínio tempo-frequência7. Por outro lado, a transformada quadrática clássica representada pela distribuição de Wigner-Ville (WVD), as interferências cruzadas seriam introduzidas na análise de sinais multicomponentes8, o que diminui a legibilidade do tempo-frequência e aumenta a dificuldade do tempo-frequência. extração de crista de frequência.

Principalmente, o algoritmo de busca de valor de pico é sempre aplicado para extrair a energia de pico da representação tempo-frequência para caracterizar o procedimento de sinal variável no tempo na área da indústria. No entanto, a crista de pico obtida é uma curva aproximada usando os métodos de frequência de tempo mencionados acima. Portanto, a curva aproximada é uma linha quebrada aproximada, embora construa um parâmetro de janela adequado.

Para mitigar o impacto de interferências e ruídos de fundo emaranhados na análise de sinais variantes no tempo e obter representação concentrada de tempo-frequência, a ferramenta de pós-progressão é introduzida para resolver os problemas acima. Auger9,10 propôs uma técnica de reatribuição (RM) para concentrar a energia tempo-frequência em uma banda estreita. Depois disso, a transformada de sincronismo (SST)11 é proposta para espremer os coeficientes de tempo-frequência na trajetória de frequência instantânea (IF) ao longo do eixo de frequência, o método pode fornecer boa legibilidade de tempo-frequência. Em outras palavras, a representação borrada de tempo-frequência é concentrada usando um operador de sincronização ao analisar um sinal estacionário, como resultado, uma representação precisa de tempo-frequência é obtida12. No entanto, a curva tempo-frequência ajustada é fortemente viesada em comparação com o FI real ao analisar sinais chirp ou sinais modulados em frequência13,14. Vários anos atrás, Yang propôs uma série de métodos paramétricos de análise tempo-frequência para caracterizar a variedade do sinal variável no tempo15,16,17. Vale a pena mencionar que o autor estendeu o kernel chirp linear convencional para uma transformada chirplet polinomial (PCT) construindo um kernel chirplet não linear polinomial para substituir o kernel chirplet na transformada chirplet. Da mesma forma, a transformada chirplet spline-kernelled (SCT) é desenvolvida. (O teorema da aproximação de Weierstrass é aplicado para garantir que qualquer função contínua em um intervalo fechado e limitado pode ser aproximada uniformemente nesse intervalo por um polinômio com qualquer grau de precisão, no entanto, o valor da ordem deve ser determinado antecipadamente15). Embora a trajetória de tempo-frequência de um sinal variável no tempo seja bem ajustada, a energia de representação de tempo-frequência é borrada. Nos últimos anos, algumas técnicas aprimoradas úteis são propostas para processar sinais não estacionários, SST baseado em STFT de segunda ordem (FSST2)18 e SST19 de alta ordem são desenvolvidos para combinar modulação de amplitude (AM) e modulação de frequência (FM) multi- sinais componentes20, enquanto isso, a energia de tempo-frequência é concentrada em uma banda estreita. No entanto, a complexidade e diversidade de casos práticos dificultam a determinação dos parâmetros precisos do IF17,21. Yu propôs uma técnica iterativa para melhorar a concentração de energia tempo-frequência em comparação com o método SST, a técnica iterativa não apenas processa sinais variantes no tempo, mas também foi validada na vantagem de concentrar energia calculando o índice de entropia de Rényi22. Embora a legibilidade do tempo-frequência seja obtida pela introdução de um operador de sincronismo de alta ordem e técnicas iterativas, a trajetória estimada do tempo-frequência é quebrada.