CN107560718B - 一种基于自相关峭度最大化的解卷积方法 - Google Patents
一种基于自相关峭度最大化的解卷积方法 Download PDFInfo
- Publication number
- CN107560718B CN107560718B CN201710610451.0A CN201710610451A CN107560718B CN 107560718 B CN107560718 B CN 107560718B CN 201710610451 A CN201710610451 A CN 201710610451A CN 107560718 B CN107560718 B CN 107560718B
- Authority
- CN
- China
- Prior art keywords
- input signal
- deconvolution
- objective function
- kurtosis
- autocorrelation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000000137 annealing Methods 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 abstract description 9
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000035939 shock Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明为一种基于自相关峭度最大化的解卷积方法,步骤为:获得解卷积的输入信号;设计频域插值滤波器,初始化滤波器系数,获得初始化的输出信号;构造包含约束的自相关峭度函数为目标函数;将初始化的输出信号作为目标函数的输入,根据目标函数最大化准则,使用目标优化算法,求解频率插值滤波器系数;根据得到的频域插值滤波器系数,使用设计的频域差值滤波器对输入信号滤波,得到解卷积后的输出信号。本发明适用于提取强背景噪声环境下的周期性冲击信号,与传统的最小熵解卷积和最大相关峭度解卷积方法相比,本发明具有抗随机冲击干扰,不需要已知冲击周期等优点,有利于周期性冲击的自动化提取,可在机械故障诊断中推广使用,应用前景广泛。
Description
技术领域
本发明涉及机械设备故障诊断技术和数字信号处理领域,具体涉及一种基于自相关峭度最大化的解卷积方法。
背景技术
基于振动信号的机械设备状态监测与故障诊断技术是一种有效的机械设备的健康维护技术。其中,强背景噪声环境下的周期性冲击信号提取技术作为机械设备预测性维护技术中的一项核心技术,受到国内外研究者的持续关注和研究。
解卷积技术已被证明是一种有效的周期性冲击信号提取技术。但需要指出的是,现有的解卷积技术大多是基于仿真和试验数据研发的,这存在以下两个问题:
①工业设备中的零部件故障周期大多未知,这会导致一些需要提前获取故障周期的解卷积方法(最大相关峭度解卷积方法、多点峭度解卷积方法等)失效。
②工业测试环境中,测试信号在采集和传输的过程中通常会受到随机冲击的干扰,这会导致一些易受随机冲击干扰的解卷积技术(最小熵解卷积方法)失效。
因此,提出一种无需先验参数,不易受随机冲击干扰的冲击信号提取技术不仅具有切实的理论意义,还有助于推动机械设备预测性维护技术的快速发展,带来可观的经济及社会效益。
发明内容
为了克服上述现有技术的缺点,本发明旨在提供一种基于自相关峭度最大化的解卷积方法,以实现强背景噪声环境下的周期性冲击信号提取。
为实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
一种基于自相关峭度最大化的解卷积方法,包括以下步骤:
步骤一,获得解卷积的输入信号x(t),其中,t代表时间;
步骤二,计算输入信号x(t)的傅立叶变换系数,其中,傅立叶变换系数的计算公式为k代表离散频率值,k关于分析频率左右对称,|X(k)|代表离散频率k的幅值,Θ(k)代表离散频率k的相位,T为输入信号x(t)的数据长度;
步骤三,设计一个频域插值滤波器,通过频域差值滤波器获得滤波后输出信号y(t),其中,t代表时间;
其具体实现步骤如下:
(4)根据傅立叶变换系数的对称性,构造全频段滤波结果X′(k)的数学表达式,其中,k代表离散频率值;
(5)根据傅立叶逆变换,构造滤波后输出信号y(t)的数学表达式,其中,傅立叶逆变换的计算公式为Θ(k)代表离散频率k的相位,X′(k)为第(4)步中的全频段滤波结果,T代表输出信号y(t)的数据长度;
本发明的有益效果是:
本发明将包含约束的自相关峭度函数设定为解卷积目标函数,提出了一种基于自相关峭度最大化的解卷积方法。该方法适用于工业测试环境下的周期性冲击信号提取,与传统的最小熵解卷积和最大相关峭度解卷积方法相比,本发明具有抗随机冲击干扰,不需要已知冲击周期等优点,可在机械故障诊断中推广使用,具有广泛的应用前景。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明方法的流程图。
图2为实施例测得的客车车桥振动信号x(t)时域图。
图3为实施例测得的客车车桥振动信号x(t)包络谱图。
图4为实施例测得的客车车桥振动信号x(t)经本发明处理后得到的解卷积后输出信号y(t)时域图。
图5为实施例测得的客车车桥振动信号x(t)经本发明处理后得到的解卷积后输出信号y(t)包络谱图。
图6为实施例测得的客车车桥振动信号x(t)经最小熵解卷积处理后的输出信号y(t)时域图。
图7为实施例测得的客车车桥振动信号x(t)经最小熵解卷积处理后的输出信号y(t)包络谱图。
具体实施方式
下面将参考附图并结合实施例,来详细说明本发明。
某车桥制造厂生产的部分客车车桥总成在装配到整车后,用户反映客车在某些工况下,驱动桥总成发出令人厌烦的异响声,严重影响到司机和乘客的舒适性。车桥异响是由于车桥内的齿轮制造误差引起的齿轮啮合冲击行为,因此,可将客车车桥的啮合冲击行为作为车桥异响的判定标准。传感器测得的振动信号会受到传播路径的影响,这使得啮合冲击会被隐藏在测得的振动信号中。最小熵解卷积方法是一种有效的去除传播路径,检测周期性冲击信号的方法,但是工业环境中的随机冲击会导致该方法失效。
下面通过本发明检测客车车桥中的齿轮啮合冲击行为。参照图1所示,包括以下步骤:
步骤一,将客车车桥安装在试验台上,在车桥桥壳上安装一个加速度传感器;
步骤二,利用数据采集设备和加速度传感器,采集车桥运行时的振动信号x(t),t代表时间。图2给出了测得的振动信号时域波形图,从图2中可以观察到测得的时域信号中包含随机冲击,从图2的细节图中未观察到周期性信号。图3给出了振动信号x(t)的包络谱图,包络谱图中未观察到齿轮啮合冲击引起的谐波频率。下面通过提出的方法对测得的振动信号x(t)解卷积;
步骤三,计算振动信号x(t)的傅立叶变换系数,其中,傅立叶变换系数的计算公式为k代表离散频率值,k关于分析频率左右对称,|X(k)|和Θ(k)分别代表离散频率k的幅值和相位,T为输入信号x(t)的数据长度;
步骤四,设计一个频域插值滤波器,通过频域差值滤波器获得滤波后输出信号y(t),其中,t代表时间,其具体实现步骤如下:
(4)根据傅立叶变换系数的对称性,构造全频段滤波结果X′(k)的数学表达式,其中,代表离散频率值;
步骤七,使用步骤四中的频域插值滤波器和步骤六中求解的滤波器系数对振动信号x(t)进行滤波,得到解卷积后的输出信号y(t);输出信号y(t)的时域波形如图4所示,从图4的细节图可以看出,使用本方法解卷积后的信号中包含明显的啮合冲击信号,而使用最小熵解卷积方法的输出信号y(t)时域波形图中(见图6)加强了随机冲击;图5给出了输出信号y(t)的包络谱图,从该包络谱图中可以观察到齿轮啮合冲击引起的谐波频率,而使用最小熵解卷积方法的输出信号y(t)包络谱中未发现谐波频率(见图7);这说明用于检测的客车车桥在运行过程中存在齿轮啮合冲击行为,同时说明本发明方法可有效提取工业环境中的周期性冲击。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于自相关峭度最大化的解卷积方法,其特征在于,包括以下步骤:
步骤一,获得解卷积的输入信号x(t),其中,t代表时间;
步骤二,计算输入信号x(t)的傅立叶变换系数,其中,傅立叶变换系数的计算公式为k代表离散频率值,k关于分析频率左右对称,|X(k)|代表离散频率k的幅值,Θ(k)代表离散频率k的相位,T为输入信号x(t)的数据长度;
步骤三,设计一个频域插值滤波器,通过频域差值滤波器获得滤波后输出信号y(t),其中,t代表时间;
其具体实现步骤如下:
(4)根据傅立叶变换系数的对称性,构造全频段滤波结果X′(k)的数学表达式,其中,k代表离散频率值;
(5)根据傅立叶逆变换,构造滤波后输出信号y(t)的数学表达式,其中,傅立叶逆变换的计算公式为Θ(k)代表离散频率k的相位,X′(k)为第(4)步中的全频段滤波结果,T代表输出信号y(t)的数据长度;
2.根据权利要求1所述的基于自相关峭度最大化的解卷积方法,其特征在于,将包含约束的自相关峭度函数设定为解卷积目标函数。
3.根据权利要求1所述的基于自相关峭度最大化的解卷积方法,其特征在于,根据解卷积需求构造新的目标函数,将设计得到的频域插值滤波器和新构造的目标函数结合,形成新的解卷积方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710610451.0A CN107560718B (zh) | 2017-07-25 | 2017-07-25 | 一种基于自相关峭度最大化的解卷积方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710610451.0A CN107560718B (zh) | 2017-07-25 | 2017-07-25 | 一种基于自相关峭度最大化的解卷积方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107560718A CN107560718A (zh) | 2018-01-09 |
CN107560718B true CN107560718B (zh) | 2020-01-10 |
Family
ID=60973777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710610451.0A Expired - Fee Related CN107560718B (zh) | 2017-07-25 | 2017-07-25 | 一种基于自相关峭度最大化的解卷积方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107560718B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111024398B (zh) * | 2019-12-25 | 2021-01-15 | 西安交通大学 | 一种无需周期的最大相关峭度解卷积方法 |
CN113702030A (zh) * | 2021-07-14 | 2021-11-26 | 西南交通大学 | 基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096313A (zh) * | 2016-06-29 | 2016-11-09 | 潍坊学院 | 一种基于奇异谱分解和谱峭度的包络分析方法 |
CN106198014A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种基于经验模式分解和谱峭度的包络分析方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015161156A1 (en) * | 2014-04-18 | 2015-10-22 | The General Hospital Corporaton | System and method for correcting intrinsic heterogeneity in magnetic resonance imaging |
CN105510032B (zh) * | 2015-12-11 | 2017-12-26 | 西安交通大学 | 基于谐噪比指导的解卷积方法 |
CN106564012B (zh) * | 2016-11-01 | 2018-08-21 | 苏州微著设备诊断技术有限公司 | 一种磨削加工颤振的检测方法 |
-
2017
- 2017-07-25 CN CN201710610451.0A patent/CN107560718B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096313A (zh) * | 2016-06-29 | 2016-11-09 | 潍坊学院 | 一种基于奇异谱分解和谱峭度的包络分析方法 |
CN106198014A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种基于经验模式分解和谱峭度的包络分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107560718A (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cui et al. | Rolling element fault diagnosis based on VMD and sensitivity MCKD | |
CN109682601B (zh) | 一种变转速工况下滚动轴承的早期故障识别方法 | |
Jiang et al. | A new l0-norm embedded MED method for roller element bearing fault diagnosis at early stage of damage | |
CN111178318B (zh) | 一种基于渐进式vmd的滚动轴承早期复合故障特征提取方法 | |
CN111623982B (zh) | 一种基于apewt和imomeda的行星齿轮箱早期故障诊断方法 | |
CN107560718B (zh) | 一种基于自相关峭度最大化的解卷积方法 | |
Qin et al. | Maximum correlation Pearson correlation coefficient deconvolution and its application in fault diagnosis of rolling bearings | |
CN113935467B (zh) | 基于迭代多尺度注意力网络的das井中勘探数据噪声抑制方法 | |
CN105825197A (zh) | 一种线性化势阱壁的路径扩展随机共振微弱特征提取方法 | |
CN112945546B (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
CN115434872A (zh) | 一种基于avmd与改进rssd的风电机组齿轮箱复合故障诊断方法 | |
CN113702030A (zh) | 基于最大平均窗峭度盲解卷积的机械故障诊断方法及系统 | |
Wang et al. | Research on gearbox composite fault diagnosis based on improved local mean decomposition | |
CN104597502A (zh) | 一种新的石油地震勘探数据去噪方法 | |
CN107966287B (zh) | 一种自适应机电装备微弱故障特征提取方法 | |
CN115034263A (zh) | 变尺度进化自适应消噪方法、消噪系统及故障诊断系统 | |
Wei et al. | Fault diagnosis of bearings in multiple working conditions based on adaptive time-varying parameters short-time Fourier synchronous squeeze transform | |
CN116380462A (zh) | 一种多尺度均值变分模态分解的轴承振动信号降噪方法 | |
Zhao et al. | Peak envelope spectrum Fourier decomposition method and its application in fault diagnosis of rolling bearings | |
Chen et al. | Rolling bearing fault feature extraction method using adaptive maximum cyclostationarity blind deconvolution | |
CN114707537A (zh) | 基于自适应vmd和优化cycbd的旋转机械故障特征提取方法 | |
CN112861328B (zh) | 一种基于随机响应信号的发电机阻尼评估装置及方法 | |
LU502454B1 (en) | A Bearing Fault Identification Method and System Based on EEMD Sparse Decomposition | |
CN112580451A (zh) | 一种基于改进emd和med的数据降噪方法 | |
Tse et al. | Enhanced eigenvector algorithm for recovering multiple sources of vibration signals in machine fault diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200110 |