CN107702921A - 参数诱导的欠阻尼稳态匹配随机共振微弱特征增强方法 - Google Patents
参数诱导的欠阻尼稳态匹配随机共振微弱特征增强方法 Download PDFInfo
- Publication number
- CN107702921A CN107702921A CN201710784357.7A CN201710784357A CN107702921A CN 107702921 A CN107702921 A CN 107702921A CN 201710784357 A CN201710784357 A CN 201710784357A CN 107702921 A CN107702921 A CN 107702921A
- Authority
- CN
- China
- Prior art keywords
- mrow
- resonance
- msub
- parameter
- mfrac
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种参数诱导的欠阻尼稳态匹配随机共振微弱特征增强方法,先利用希尔伯特变换对获取的振动信号进行解调,释放故障特征频率到低频区域,获得对应的包络;然后输入参数诱导的欠阻尼稳态匹配随机共振系统,并以该系统共振响应的加权信噪比作为量子遗传算法的目标函数,优化系统参数、阻尼比和尺度因子,触发粒子运动模式以及跃迁速率与系统输入之间的共振协同,使故障特征频率处于随机共振非线性类带通滤波器的狭窄通频带内;根据最佳参数对设置参数诱导的欠阻尼稳态匹配随机共振系统,将包络输入设定的随机共振系统,计算得到系统的共振响应并分析,实现机械故障特征频率的增强与提取;本发明改善了随机共振的微弱特征增强与提取能力。
Description
技术领域
本发明属于机械故障诊断技术领域,具体涉及一种参数诱导的欠阻尼稳态匹配随机共振微弱特征增强方法。
背景技术
随着机械装备的结构复杂化、工作环境恶劣化,致使早期故障微弱特征的增强与提取困难重重,难以实现装备的状态监测与及时维护。信号处理作为机械装备故障诊断的强有力工具,能够通过揭示潜藏在振动信号中的早期故障征兆信息,实现装备的故障诊断与维护。而随机共振作为噪声辅助的信号处理方法之一,能够利用非线性系统俘获噪声能量增强与提取机械早期故障微弱特征,这种变废为宝的观念致使随机共振成为潜在的信号处理工具。
随机共振的能量俘获机理是通过调节布朗粒子在势阱内的运动速率实现与周期激励力的周期之间的协同匹配,因此对固定周期激励力而言形成两种随机共振诱导方案,即噪声诱导随机共振和参数诱导随机共振。对获取的机械振动信号成分而言,噪声与特征相互耦合难以单独调节,而且添加外部噪声容易恶化信号本身,因此参数诱导随机共振成为一种行之有效的方案。
然而,传统参数诱导的单一稳态过阻尼随机共振存在以下缺点:(1)不同工况、故障类型必然导致不同时间、传感器位置获取的振动信号千差万别,因此利用单一稳态随机共振难以实现与多变振动信号之间的有效稳态匹配;(2)过阻尼随机共振的噪声响应具有洛伦兹分布形式,即噪声能量向低频区域聚集,致使其难以抑制多尺度噪声,需依赖于高通滤波器进行预处理。若滤波器参数人为设置不当,可能造成系统输出发散或故障的误检误报;(3)尺度因子决定了随机共振系统的响应频带特性,固定尺度因子容易造成随机共振系统难以俘获最多的噪声能量实现故障特征的增强,甚至过宽的通频带致使系统共振响应残留大量背景噪声,干扰故障特征的提取与辨别。这些缺点已经限制了传统参数诱导的单一稳态过阻尼随机共振的早期故障微弱特征增强与提取能力。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种参数诱导的欠阻尼稳态匹配随机共振微弱特征增强方法,改善传统参数诱导的单一稳态过阻尼随机共振的机械早期故障微弱特征增强能力,从而实现机械装备的故障诊断与运行维护。
为了达到上述目的,本发明采取的技术方案为:
一种参数诱导的欠阻尼稳态匹配随机共振微弱特征增强方法,包括以下步骤:
1)利用希尔伯特变换对获取的振动信号进行解调,释放故障特征频率到低频区域,并获得对应的包络;
2)将步骤1)中解调后多故障类型振动信号的包络输入参数诱导的欠阻尼稳态匹配随机共振系统,并以该系统共振响应的加权信噪比作为量子遗传算法的目标函数,优化系统参数、阻尼比和尺度因子,触发粒子运动模式以及跃迁速率与系统输入之间的共振协同,使故障特征频率恰好处于随机共振非线性类带通滤波器的狭窄通频带内,从而实现频带内的故障特征增强与提取,带外噪声能量的俘获与利用,具体过程如下;
2.1)首先将步骤1)中获取的振动信号的包络input(t)作为参数诱导的欠阻尼稳态匹配随机共振系统的输入,即
式中β是阻尼比,且β∈(0,1];而U(x)是具有多样化稳态分布的多稳态势函数,
式中x(t)为系统共振响应,a和b是系统参数,且
2.2)为了使参数诱导的欠阻尼稳态匹配随机共振系统处于最佳共振状态,即噪声能量的最大俘获和微弱特征的最大增强,利用量子遗传算法快速调节系统参数、阻尼比和尺度因子,并提出改进的加权信噪比作为目标函数量化随机共振系统的共振响应,其表达式如下:
式中,Amax和Asub-max分别表示系统共振响应x(t)的傅里叶变换谱中最大和次最大谱峰频率的幅值,而SNR是系统共振响应的信噪比,
其中Ad是特征频率的幅值,M是系统共振响应的数据长度,而且Ai表示系统共振响应的傅里叶变换谱中每根谱线的幅值;为了保证高的收敛速率和可接受的计算时间,量子遗传算法初始化的基本参数为:种群大小N=40,量子比特编码长度L=20,最大进化代数Gmax=50;然而,为了获得足够多的稳态类型分布初始化系统参数a∈(0,30]和b∈[-10,10];阻尼比β∈[0,1];根据需要诊断的机械装备,由于低转速运行解调后的故障特征频率基本位于1000Hz以下频段,因此尺度因子初始化为R∈(0,1000]能够压缩任意低于1000Hz的故障特征频率满足小参数条件;
2.3)记录每个最优个体和对应的加权信噪比,判断寻优过程是否终止,若满足终止条件则退出,否则继续优化更新;权衡计算时间和系统共振响应的质量,终止条件设置为进化代数达到初始化的最大进化代数或者每代最佳加权信噪比的增量小于0.001;最后,获得最佳加权信噪比WSNRbest对应的最佳参数对(abest,bbest,βbest,Rbest);
3)根据步骤2)获得的最佳参数对(abest,bbest,βbest,Rbest)设置参数诱导的欠阻尼稳态匹配随机共振系统,并将步骤1)中的包络输入设定的随机共振系统,已知振动信号采样频率fs利用最佳尺度因子设置四阶龙格库塔法的积分步长Rbest/fs,从而计算得到系统的共振响应x(t);最后,利用傅里叶变换谱分析共振响应,实现机械故障特征频率的增强与提取,根据提取的故障特征频率判定故障的类型,进而实施机械装备的运行维护。
本发明的有益效果为:
本发明参数诱导的欠阻尼稳态匹配随机共振方法,不仅考虑了不同振动信号与稳态类型之间的匹配关系,而且欠阻尼随机共振的非线性类带通滤波特性能够俘获不同频带的多尺度噪声能量增强微弱特征,无需依赖于高通滤波器的辅助处理。此外,利用量子遗传算法优化系统参数、阻尼比和尺度因子实现了参数诱导的欠阻尼随机共振系统与压缩后故障特征频率之间的共振协同。因此,本发明参数诱导的欠阻尼稳态匹配随机共振方法克服了传统的过阻尼单一稳态随机共振难以抑制多尺度噪声,依赖于高通滤波器辅助处理等缺点,改善了随机共振的微弱特征增强与提取能力,实现了机械装备的早期故障诊断。
附图说明
图1为本发明方法的流程图。
图2为火车轮对轴承内圈损伤振动信号,图(a)为时域波形,图(b)为频谱,图(c)为包络谱。
图3为使用本方法对火车轮对轴承内圈损伤的诊断结果,图(a)为时域波形,图(b)为频谱。
图4为使用传统方法对火车轮对轴承内圈损伤的诊断结果,图(a)为过阻尼单稳态随机共振,图(b)为过阻尼双稳态随机共振,图(c)为过阻尼多稳态随机共振。
具体实施方式
下面结合附图对本发明做进一步详细描述:
参照图1,一种参数诱导的欠阻尼稳态匹配随机共振微弱特征增强方法,包括以下步骤:
1)在采集的振动信号s(t)中,机械装备故障特征频率往往遭受运行转速调制,致使故障特征频率位于高频区域,不利于压缩至低频区域使其满足绝热近似条件(小参数条件),即特征频率fd<<1Hz;因此,利用希尔伯特变换对获取的振动信号s(t)进行解调,释放故障特征频率到低频区域,并获得对应的包络input(t);
2)将步骤1)中解调后多故障类型振动信号的包络input(t)输入参数诱导的欠阻尼稳态匹配随机共振系统,并以该系统共振响应的加权信噪比作为量子遗传算法的目标函数,优化系统参数、阻尼比和尺度因子,触发粒子运动模式以及跃迁速率与系统输入之间的共振协同,使故障特征频率恰好处于随机共振非线性类带通滤波器的狭窄通频带内,从而实现频带内的故障特征增强与提取,带外噪声能量的俘获与利用,具体过程如下;
2.1)首先将步骤1)中不同时间、传感器位置获取的振动信号的包络input(t)作为参数诱导的欠阻尼稳态匹配随机共振系统的输入,即
式中β是阻尼比,且β∈(0,1];不同于传统的过阻尼随机共振系统,二阶项d2x(t)/dt2的存在使欠阻尼随机共振系统的频带响应呈现非线性类带通滤波特性,从而能够抑制不同频带的多尺度噪声干扰,太小的阻尼比系统可能陷入混沌状态,太大阻尼比促使欠阻尼系统退化为过阻尼系统,失去多尺度噪声抑制能力;而U(x)是具有多样化稳态分布的多稳态势函数,
式中x(t)为系统共振响应,a和b是系统参数,且随着系统参数a和b的变化,多稳态势函数能够在单稳态、双稳态、三稳态三个稳态类型之间转换,利于实现不同振动信号与稳态类型之间的匹配;
2.2)为了使参数诱导的欠阻尼稳态匹配随机共振系统处于最佳共振状态,即噪声能量的最大俘获和微弱特征的最大增强,利用量子遗传算法快速调节系统参数、阻尼比和尺度因子,并提出改进的加权信噪比作为目标函数量化随机共振系统的共振响应,其表达式如下
式中,Amax和Asub-max分别表示系统共振响应x(t)的傅里叶变换谱中最大和次最大谱峰频率处的幅值,而SNR是系统共振响应的信噪比,
其中Ad是特征频率的幅值,M是系统共振响应的数据长度,而且Ai表示系统共振响应的傅里叶变换谱中每根谱线处的幅值;为了保证高的收敛速率和可以容忍的计算时间,量子遗传算法初始化的基本参数为:种群大小N=40,量子比特编码长度L=20,最大进化代数Gmax=50;然而,为了获得足够多的稳态类型分布初始化系统参数a∈(0,30]和b∈[-10,10];阻尼比β∈[0,1];根据需要诊断的机械装备,由于低转速运行解调后的故障特征频率基本位于1000Hz以下频段,因此尺度因子初始化为R∈(0,1000]能够压缩任意低于1000Hz的故障特征频率fd进入小参数(fd<<1Hz);
2.3)记录每个最优个体和对应的加权信噪比,判断寻优过程是否终止,若满足终止条件则退出,否则继续利用量子旋转门对个体调整,得到新的种群,计算最优个体和对应的加权信噪比,依次循环直到满足终止条件;权衡计算时间和系统共振响应的质量,终止条件设置为进化代数达到初始化的最大进化代数,即t=Gmax,或者t+1代与t代之间最佳加权信噪比的增量WSNRt+1-WSNRt小于0.001;最后,参数寻优终止后获得最佳加权信噪比WSNRbest以及对应的最佳参数对(abest,bbest,βbest,Rbest);
3)根据步骤2)获得的最佳参数对(abest,bbest,βbest,Rbest)设置参数诱导的欠阻尼稳态匹配随机共振系统,即a=abest,b=bbest,β=βbest和R=Rbest,并将步骤1)中的包络input(t)输入上面设置的随机共振系统,已知振动信号采样频率fs利用最佳尺度因子设置四阶龙格库塔算法的积分步长dt=Rbest/fs,从而计算得到系统的共振响应x(t);最后,利用傅里叶变换谱分析共振响应,实现机械故障特征频率的增强与提取,根据提取的故障特征频率判定故障的类型,进而实现机械装备的运行维护。
为了进一步证明该参数诱导的欠阻尼稳态匹配随机共振微弱特征增强方法的增强性能,以火车轮对轴承内圈故障特征增强提取为例,故障轴承的相关参数如表1所示。
表1:故障轴承结构参数
通过传感器测得加速度信号和键相信号,采样频率为6kHz,采样点数为48000,输入转速大约为300rpm。然而,通过键相信号可以获知,实际转速为315rpm,考虑到驱动轮与轴承外圈接触,且其尺寸比为20:23,计算得到轴承实际转速为273.913rpm。根据表1中轴承的结构参数,可以计算得到轴承内圈故障的特征频率其中,f0为滚动轴承转频。振动信号的时域波形、频谱、包络谱如图2所示。由于振动信号中噪声干扰严重,从包络谱中难以直接观察到明显的故障特征频率,因此无法判定故障的发生。
采用本发明方法进行故障特征的增强与提取,结果如图3所示,最优参数为a=abest=3.0336,b=bbest=8.2260,β=βbest=0.0781和R=Rbest=114.0953。从图3(b)中可以看出,故障特征频率51.6Hz在整个频谱中占主导地位,表明故障发生在轮对轴承的内圈上,且对应的信噪比和加权信噪比分别为SNR=-10.10912dB,WSNR=-4.3984dB,显然,WSNR远大于SNR,说明在增强与提取结果中故障特征频率和干扰之间能够很好地区分。由最优参数a=abest=3.0336,b=bbest=8.2260可以看出,最佳匹配结构是一种单稳态结构,而尺度因子R=114.0953能够将故障特征频率51.6Hz压缩至小于1Hz的小参数频带。
相反,传统的过阻尼单稳态随机共振(势函数),过阻尼双稳态随机共振(势函数),甚至过阻尼多稳态随机共振用于处理火车轮对轴承故障振动信号,其高通滤波器的通带和阻带的截止频率分别设置为45Hz和49Hz,载波频率为45Hz,尺度因子固定为200,采用量子遗传算法优化系统参数,最优诊断结果如图4所示。可以看出,尽管最终增强与提取出了故障特征频率,但该结果经过多次尝试高通滤波器参数设置后才获得,这是因为人为设置不合理的滤波器参数可能导致系统输出发散。同时,由于传统过阻尼随机共振方法不能抑制多尺度噪声,而且固定的尺度因子忽视了输入信号、势结构和尺度因子之间的协同作用,导致最终的诊断结果中依然存在很强的干扰。过阻尼单稳态、过阻尼双稳态以及过阻尼多稳态随机共振的输出SNR分别为-16.6918dB、17.0775dB和15.6234dB,而WSNR分别为-14.3008dB、-13.4664dB和-14.2901dB。WSNR相比于SNR有小幅提升,说明干扰与故障特征频率之间辨识度很低。然而,提出的方法具有更高的SNR和WSNR,由此说明提出方法从振动信号中增强与提取早期故障特征的能力比传统方法更强。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明由所提交的权利要求书确定专利保护范围。
Claims (1)
1.一种参数诱导的欠阻尼稳态匹配随机共振微弱特征增强方法,其特征在于,包括以下步骤:
1)利用希尔伯特变换对获取的振动信号进行解调,释放故障特征频率到低频区域,并获得对应的包络;
2)将步骤1)中解调后多故障类型振动信号的包络输入参数诱导的欠阻尼稳态匹配随机共振系统,并以该系统共振响应的加权信噪比作为量子遗传算法的目标函数,优化系统参数、阻尼比和尺度因子,触发粒子运动模式以及跃迁速率与系统输入之间的共振协同,使故障特征频率恰好处于随机共振非线性类带通滤波器的狭窄通频带内,从而实现频带内的故障特征增强与提取,带外噪声能量的俘获与利用,具体过程如下;
2.1)首先将步骤1)中获取的振动信号的包络input(t)作为参数诱导的欠阻尼稳态匹配随机共振系统的输入,即
<mrow>
<mfrac>
<mrow>
<msup>
<mi>d</mi>
<mn>2</mn>
</msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msup>
<mi>dt</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>x</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mi>&beta;</mi>
<mfrac>
<mrow>
<mi>d</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>+</mo>
<mi>i</mi>
<mi>n</mi>
<mi>p</mi>
<mi>u</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
式中β是阻尼比,且β∈(0,1];而U(x)是具有多样化稳态分布的多稳态势函数,
<mrow>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>6</mn>
<mi>a</mi>
</mrow>
</mfrac>
<msup>
<mi>x</mi>
<mn>6</mn>
</msup>
<mo>-</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>b</mi>
</mrow>
<mn>20</mn>
</mfrac>
<msup>
<mi>x</mi>
<mn>4</mn>
</msup>
<mo>+</mo>
<mfrac>
<mi>b</mi>
<mn>2</mn>
</mfrac>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
</mrow>
式中x(t)为系统共振响应,a和b是系统参数,且
2.2)为了使参数诱导的欠阻尼稳态匹配随机共振系统处于最佳共振状态,即噪声能量的最大俘获和微弱特征的最大增强,利用量子遗传算法快速调节系统参数、阻尼比和尺度因子,并提出改进的加权信噪比作为目标函数量化随机共振系统的共振响应,其表达式如下:
<mrow>
<mi>W</mi>
<mi>S</mi>
<mi>N</mi>
<mi>R</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>A</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mo>-</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
<msub>
<mi>A</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
<mi>S</mi>
<mi>N</mi>
<mi>R</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>R</mi>
<mo><</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>A</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mo>-</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
<msub>
<mi>A</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
<mi>S</mi>
<mi>N</mi>
<mi>R</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>R</mi>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中,Amax和Asub-max分别表示系统共振响应x(t)的傅里叶变换谱中最大和次最大谱峰频率的幅值,而SNR是系统共振响应的信噪比,
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>R</mi>
<mo>=</mo>
<mn>10</mn>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>A</mi>
<mi>d</mi>
</msub>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>M</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
</munderover>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>A</mi>
<mi>d</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中Ad是特征频率的幅值,M是系统共振响应的数据长度,而且Ai表示系统共振响应的傅里叶变换谱中每根谱线的幅值;为了保证高的收敛速率和可接受的计算时间,量子遗传算法初始化的基本参数为:种群大小N=40,量子比特编码长度L=20,最大进化代数Gmax=50;然而,为了获得足够多的稳态类型分布初始化系统参数a∈(0,30]和b∈[-10,10];阻尼比β∈[0,1];根据需要诊断的机械装备,由于低转速运行解调后的故障特征频率基本位于1000Hz以下频段,因此尺度因子初始化为R∈(0,1000]能够压缩任意低于1000Hz的故障特征频率满足小参数条件;
2.3)记录每个最优个体和对应的加权信噪比,判断寻优过程是否终止,若满足终止条件则退出,否则继续优化更新;权衡计算时间和系统共振响应的质量,终止条件设置为进化代数达到初始化的最大进化代数或者每代最佳加权信噪比的增量小于0.001;最后,获得最佳加权信噪比WSNRbest对应的最佳参数对(abest,bbest,βbest,Rbest);
3)根据步骤2)获得的最佳参数对(abest,bbest,βbest,Rbest)设置参数诱导的欠阻尼稳态匹配随机共振系统,并将步骤1)中的包络输入设定的随机共振系统,已知振动信号采样频率fs利用最佳尺度因子设置四阶龙格库塔法的积分步长Rbest/fs,从而计算得到系统的共振响应x(t);最后,利用傅里叶变换谱分析共振响应,实现机械故障特征频率的增强与提取,根据提取的故障特征频率判定故障的类型,进而实施机械装备的运行维护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710784357.7A CN107702921A (zh) | 2017-09-04 | 2017-09-04 | 参数诱导的欠阻尼稳态匹配随机共振微弱特征增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710784357.7A CN107702921A (zh) | 2017-09-04 | 2017-09-04 | 参数诱导的欠阻尼稳态匹配随机共振微弱特征增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107702921A true CN107702921A (zh) | 2018-02-16 |
Family
ID=61171927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710784357.7A Pending CN107702921A (zh) | 2017-09-04 | 2017-09-04 | 参数诱导的欠阻尼稳态匹配随机共振微弱特征增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107702921A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960032A (zh) * | 2018-04-02 | 2018-12-07 | 安徽大学 | 一种三稳态逻辑随机共振方法 |
CN109238715A (zh) * | 2018-10-31 | 2019-01-18 | 合肥工业大学 | 轴承故障信号增强方法及系统 |
CN109799532A (zh) * | 2018-07-02 | 2019-05-24 | 西北工业大学 | 一种自适应随机共振的地震波特征提取方法 |
CN110346054A (zh) * | 2019-06-14 | 2019-10-18 | 东南大学 | 一种采用微调电阻结构抑制门控尖峰噪声的单光子差分探测电路 |
CN111339723A (zh) * | 2020-02-25 | 2020-06-26 | 燕山大学 | 一种新型二阶多稳态随机共振电路 |
CN112747926A (zh) * | 2020-12-22 | 2021-05-04 | 电子科技大学 | 一种基于二阶参数匹配随机共振的电机滚动轴承故障诊断方法 |
CN114279708A (zh) * | 2021-12-24 | 2022-04-05 | 内蒙古科技大学 | 基于时延欠阻尼随机共振的轴承故障诊断方法 |
CN114295157A (zh) * | 2021-11-30 | 2022-04-08 | 国网北京市电力公司 | 山火隐患预警方法、装置、存储介质及电子设备 |
CN114812795A (zh) * | 2022-04-20 | 2022-07-29 | 山东岩芯能源技术有限公司 | 基于eda的级联三稳态随机共振微弱信号检测方法 |
WO2022165737A1 (zh) * | 2021-02-04 | 2022-08-11 | 江苏科技大学 | 一种船舶机械设备早期微弱故障信号特征诊断方法 |
CN116502076A (zh) * | 2023-06-30 | 2023-07-28 | 浙江大学 | 一种微弱信号识别方法、装置和可读存储介质 |
CN117905711A (zh) * | 2024-03-20 | 2024-04-19 | 江苏海拓宾未来工业科技集团有限公司 | 一种多轴离心压缩机及其叶轮的故障诊断方法 |
-
2017
- 2017-09-04 CN CN201710784357.7A patent/CN107702921A/zh active Pending
Non-Patent Citations (2)
Title |
---|
HAIBIN ZHANG等: "Stochastic Resonance in an Underdamped System with Pinning Potential for Weak Signal Detection", 《SENSORS》 * |
YAGUO LEI等: "An underdamped stochastic resonance method with stable-state matching for incipient fault diagnosis of rolling element bearings", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960032B (zh) * | 2018-04-02 | 2021-09-17 | 安徽大学 | 一种三稳态逻辑随机共振方法 |
CN108960032A (zh) * | 2018-04-02 | 2018-12-07 | 安徽大学 | 一种三稳态逻辑随机共振方法 |
CN109799532A (zh) * | 2018-07-02 | 2019-05-24 | 西北工业大学 | 一种自适应随机共振的地震波特征提取方法 |
CN109238715A (zh) * | 2018-10-31 | 2019-01-18 | 合肥工业大学 | 轴承故障信号增强方法及系统 |
CN109238715B (zh) * | 2018-10-31 | 2024-01-26 | 合肥工业大学 | 轴承故障信号增强方法及系统 |
CN110346054A (zh) * | 2019-06-14 | 2019-10-18 | 东南大学 | 一种采用微调电阻结构抑制门控尖峰噪声的单光子差分探测电路 |
CN111339723A (zh) * | 2020-02-25 | 2020-06-26 | 燕山大学 | 一种新型二阶多稳态随机共振电路 |
CN112747926A (zh) * | 2020-12-22 | 2021-05-04 | 电子科技大学 | 一种基于二阶参数匹配随机共振的电机滚动轴承故障诊断方法 |
WO2022165737A1 (zh) * | 2021-02-04 | 2022-08-11 | 江苏科技大学 | 一种船舶机械设备早期微弱故障信号特征诊断方法 |
CN114295157A (zh) * | 2021-11-30 | 2022-04-08 | 国网北京市电力公司 | 山火隐患预警方法、装置、存储介质及电子设备 |
CN114279708A (zh) * | 2021-12-24 | 2022-04-05 | 内蒙古科技大学 | 基于时延欠阻尼随机共振的轴承故障诊断方法 |
CN114812795A (zh) * | 2022-04-20 | 2022-07-29 | 山东岩芯能源技术有限公司 | 基于eda的级联三稳态随机共振微弱信号检测方法 |
CN116502076A (zh) * | 2023-06-30 | 2023-07-28 | 浙江大学 | 一种微弱信号识别方法、装置和可读存储介质 |
CN116502076B (zh) * | 2023-06-30 | 2023-10-17 | 浙江大学 | 一种微弱信号识别方法、装置和可读存储介质 |
CN117905711A (zh) * | 2024-03-20 | 2024-04-19 | 江苏海拓宾未来工业科技集团有限公司 | 一种多轴离心压缩机及其叶轮的故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107702921A (zh) | 参数诱导的欠阻尼稳态匹配随机共振微弱特征增强方法 | |
CN110160791B (zh) | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 | |
CN107560851B (zh) | 滚动轴承微弱故障特征早期提取方法 | |
CN110011999B (zh) | 基于深度学习的IPv6网络DDoS攻击检测系统及方法 | |
CN103091612B (zh) | 一种变压器油纸绝缘多局部放电源信号的分离与识别算法 | |
CN103048593B (zh) | 一种气体绝缘开关设备绝缘缺陷种类的识别方法 | |
CN103439110B (zh) | 滚动轴承早期微弱故障诊断方法 | |
CN105956526B (zh) | 基于多尺度排列熵的低信噪比微震事件辨识方法 | |
CN110146269A (zh) | 基于eemd的多尺度模糊熵的oltc故障诊断方法 | |
CN107273920A (zh) | 一种基于随机森林的非侵入式家用电器识别方法 | |
CN109800740A (zh) | 一种基于样本熵和svm的oltc机械故障诊断方法 | |
CN102998118B (zh) | 一种基于形态学滤波和复杂度测度的轴承定量诊断方法 | |
CN105021706B (zh) | 一种砂轮破碎状态预警识别装置及方法 | |
CN103901111A (zh) | 风力发电机组叶片的无损检测系统及方法 | |
CN109101936A (zh) | 一种基于自适应的med滚动轴承早期故障诊断方法 | |
CN102109554B (zh) | 电网次同步振荡的模态自适应实时检测方法 | |
CN111209934B (zh) | 风机故障预报警方法及系统 | |
CN106574863A (zh) | 电力设备声音诊断系统 | |
CN104614182A (zh) | 一种轴承故障检测方法 | |
CN101458158A (zh) | 基于声发射检测的汽轮机滑动轴承故障诊断方法及其装置 | |
CN107064298B (zh) | 一种运行中风机叶片裂纹的激光检测方法 | |
CN113607415A (zh) | 一种变转速下基于短时随机共振的轴承故障诊断方法 | |
CN208537479U (zh) | 一种基于声发射检测的滚动轴承故障诊断装置 | |
CN108830328A (zh) | 融合空间知识的微震信号smote识别方法及监测系统 | |
CN110196448A (zh) | 一种滑坡次声信号识别方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180216 |