CN111353415A - 一种脉冲响应中谐波成分的检测方法 - Google Patents

一种脉冲响应中谐波成分的检测方法 Download PDF

Info

Publication number
CN111353415A
CN111353415A CN202010118640.8A CN202010118640A CN111353415A CN 111353415 A CN111353415 A CN 111353415A CN 202010118640 A CN202010118640 A CN 202010118640A CN 111353415 A CN111353415 A CN 111353415A
Authority
CN
China
Prior art keywords
response
matrix
harmonic
frequency
signal
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.)
Granted
Application number
CN202010118640.8A
Other languages
English (en)
Other versions
CN111353415B (zh
Inventor
王彤
夏遵平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202010118640.8A priority Critical patent/CN111353415B/zh
Publication of CN111353415A publication Critical patent/CN111353415A/zh
Application granted granted Critical
Publication of CN111353415B publication Critical patent/CN111353415B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • G01M7/025—Measuring arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明实施例公开了一种脉冲响应中谐波成分的检测方法，涉及振动信号处理与系统参数识别领域，能够检测结构脉冲响应中由周期激励力产生的伪共振成分，从而提高系统参数识别的可靠性。适用于工作状态下的机械结构系统的模态试验与参数识别。本发明的方法包括：在空间域内将响应信号的各频率成分分解，基于不同的频域空间域分量估计与之对应的增强统计量；针对检测出的谐波频率采用周期分解的方法重构出谐波信号并将其去除。

Description

一种脉冲响应中谐波成分的检测方法
技术领域
本发明涉及振动信号分析与结构动力学参数辨识领域，尤其涉及工作状态下的振动模态分析领域。
背景技术
振动模态分析是获取机械结构动态特性不可或缺的手段，是振动控制、结构状态监测、减震降噪、机械结构故障诊断、有限元模型修正及确认的基础。传统的试验模态分析是对结构加载人工激励，通过测得系统的输入和输出信号，建立系统的时域或频域输入-输出模型来识别出结构动力学参数。脉冲激励是一种常见的人工激励，具有加载方便、频带宽、无附加刚度等优点，但要求测试结构整体处于非工作状态，以保证较高的信噪比。然而，某些情况下，虽然机械结构处于停车状态，但其中的部分结构仍处于工作状态，如磁悬浮转子的控制系统、高速列车的变压器等。这些工作状态的部件可能产生周期激振力，在脉冲激励的响应中产生谐波成分。在振动响应中，这些谐波成分通常表现为虚假的共振峰，扰乱真实结构动力学参数的辨识。因此，检测和去除这些谐波成分成为正确辨识动力学参数的必要前提。
传统的谐波检测方法是基于运行模态测试方法的，要求较大的采样数据，并在随机响应信号中检测谐波成分。然而，基于脉冲激励的试验模态测试的响应呈衰减趋势，而且采样数据量较小，因此，传统的谐波检测方法此时可能会失效。此外，尚未发现去除脉冲响应中谐波成分的方法。
发明内容
为了克服现有技术存在的问题，本发明实施例提供了一种脉冲响应中谐波成分的检测与去除方法，能够检测和去除脉冲响应中由周期激励力引起的伪共振成分，从而提高动力学参数识别的可靠性。
为达到上述目的，本发明的实施采用如下技术方案：
第一方面，本发明实施例提供一种用于脉冲响应中谐波成分的检测方法，所述方法用于一种机械结构的试验模态分析，所述试验模态分析由于机械结构受含有未知周期激励导致其脉冲响应中含有谐波成分，所述方法包括：
针对所述机械结构的脉冲激励与响应估计出频响函数矩阵，并对所述的频响函数矩阵作奇异值分解得到奇异值和奇异向量；
利用所述的奇异向量加权脉冲响应，计算得到增强的响应信号，并估计所述增强的响应信号的概率密度函数和峭度值；
根据所述概率密度函数和峭度值检测出脉冲响应中的谐波成分。
第二方面，本发明实施例提供一种用于脉冲响应中谐波成分的去除方法，所述方法用于一种机械结构的参数识别，所述机械结构系统由于受周期激励导致脉冲响应中含有伪共振成分，所述方法包括：
针对所述检测出的脉冲响应中的谐波成分按相位展开，将所述谐波成分分解成正弦-余弦形式；
根据所述谐波的正弦-余弦形式采用最小二乘法估计出谐波系数，利用该谐波系数重构出脉冲响应中的谐波响应，并将其从脉冲响应中去除。
本发明提供的一种机械结构系统脉冲响应中谐波检测的方法，与目前检测随机响应中谐波的方法相比，本实施例使用奇异值向量的增强，实现了计及所有通道振动响应数据的谐波检测，使谐波响应得到增强，很大程度地减缓了谐波衰减趋势，成功的运用到脉冲响应中的谐波检测。此外，本实施例还提供一种机械结构系统脉冲响应中谐波成分去除的方法，通过局部谐波展开求出谐波系数，而后重构出完整时间上的谐波响应并将其在脉冲响应中去除，有效修正了谐波引起的干扰。
附图说明
图1为本发明脉冲响应中谐波成分检测与去除方法的流程框图；
图2为奇异值曲线指示共振峰图；
图3为增强概率密度曲线和峭度值图，其计算对象为每个共振峰对应的增强信号；
图4为谐波去除前后的频率响应函数，谐波去除之后频率响应函数得到很好的修正。
具体实施方式
本发明实施例提供了一种适用于脉冲响应中谐波成分的检测与去除技术，能够检测出试验模态分析中由周期激励力引起的伪共振成分，从而提高结构动力学参数识别的可靠性。
为达到上述目的，本发明的实施采用如下步骤：
步骤一：导入测量自由度上激励与响应的时域信号；
步骤二：选择合适的方法估计频率响应函数矩阵；
步骤三：将频率响应函数矩阵在每个谱线上做奇异值分解，得到奇异值和奇异向量；以奇异值作为复模态指示函数，并根据其指示结果，选取所有共振峰对应的奇异向量；
步骤四：用选取的奇异向量对所有测量自由度上的时域响应信号加权计算，得到增强的时域响应信号数据；
步骤五：计算增强时域响应信号的概率密度和峭度，即增强概率密度和峭度；
步骤六：根据增强概率密度和峭度的指示，检测出谐波频率成分；
步骤七：根据检测出谐波频率，先在局部上将谐波展开，获得谐波系数，然后在完整采样时间上重构出谐波成分；
步骤八：将重构出的谐波成分从脉冲响应中减去，完成谐波去除。
步骤一中导入所有通道采集的时域信号的具体方法如下：
根据振动信号采集过程中的配置文件，自动读取出信号的采样间隔，信号类型及时域信号数据，并匹配激励与响应自由度。
步骤二中估计频率响应函数矩阵的具体方法如下：
当仅在响应信号中含有测试噪声时，采用H1方法估计所述频率响应函数矩阵：
Figure BDA0002392278710000031
当同时计及激励与响应中测量噪声时，采用Hv方法估计所述频率响应函数矩阵：
Figure BDA0002392278710000032
其中，H(f)为所述的频率响应函数矩阵，Gxy(f)为脉冲激励与响应的互功率谱矩阵，Gxx(f)为脉冲激励的自功率谱矩阵，Gyy(f)为脉冲响应的自功率谱矩阵，I为单位矩阵，O为零矩阵，上标-1表示矩阵求逆，上标*表示共轭。
步骤三中通过频率响应函数矩阵做奇异值分解得到奇异向量与奇异值的具体过程为：
H(fr)＝UrΣrVr H (3)
其中，H(fr)为第r阶共振频率fr处的频率响应函数矩阵，Ur是由左奇异向量组成的矩阵，Σr是由奇异值组成的对角矩阵，Vr是由右奇异向量组成的矩阵，上标H表示共轭转置；取Ur的第一列向量作为所述奇异向量ur。
步骤四中用选取的奇异向量对所有测量自由度上的时域响应信号加权计算，得到增强的时域响应信号数据，其具体方法如下：
Figure BDA0002392278710000033
其中，ur为步骤三中得到的第r个峰值频率所对应左奇异向量，上标T为转置，y为测得自由度上的脉冲响应信号，
Figure BDA0002392278710000034
为增强的响应信号。
步骤五中计算增强时域响应信号的概率密度和峭度的方法如下：
当步骤四得到的增强响应信号为谐波信号时，其概率密度可表示为：
Figure BDA0002392278710000041
其中，fT为时间的概率密度，ω和a分别为增强的响应信号
Figure BDA0002392278710000042
的幅值；当
Figure BDA0002392278710000043
趋近于a或-a时，周期函数的概率密度值趋于无穷大，即分别在概率密度曲线的两端出现陡峭的峰值，使所述概率密度的曲线成马鞍面；
其峭度值为：
Figure BDA0002392278710000044
其中，E[·]是期望算子，
Figure BDA0002392278710000045
为第r个峰值频率对应的增强响应信号，μ和σ分别为
Figure BDA0002392278710000046
的均值和标准方差。当
Figure BDA0002392278710000047
为谐波时，μ＝0，
Figure BDA0002392278710000048
a为谐波幅值，则K＝-1.5；
因此，当增强信号的概率密度曲线的形状为马鞍状且峭度值接近-1.5时，可认为所述增强的信号为谐波信号，如图3所示。
步骤七中根据检测出谐波频率，先在局部上将谐波展开，获得谐波系数，然后在完整采样时间上重构出谐波成分，具体步骤如下：
根据步骤六检测出的n阶谐波频率后，多正弦响应信号表示为：
Figure BDA0002392278710000049
其中，xs(t)为谐波信号，符号Σ表示i从1到n求和，ai、fpi和
Figure BDA00023922787100000410
分别表示第i阶谐波的幅值、频率和相位，sin为正弦函数，π为圆周率，t为时间；
将上式按相位展开成正弦-余弦的形式：
Figure BDA00023922787100000411
其中，系数
Figure BDA00023922787100000412
cos表示余弦函数；
当时间to处的响应信号仅由谐波激励引起时，xs(to)＝ys(to)，则上式可表示为：
Figure BDA00023922787100000413
其中，系数向量B由bi张成、向量C由ci张成，频率向量F由fpi张成，i＝1,2,…,n，ys(to)为to时刻的实测脉冲响应，上标T表示向量转置；
根据最小二乘算法，可求得系数向量为：
Figure BDA0002392278710000051
其中，上标+表示为矩阵的伪逆；
将求得的系数代入公式(8)，即可重构出完整采样时间上的谐波响应
Figure BDA0002392278710000052
并将其从原脉冲响应中减去，即完成谐波成分的去除：
Figure BDA0002392278710000053
其中，y(t)为测得自由度上的原脉冲响应信号。
本发明普遍适用于信号处理中的谐波检测，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (5)

1.一种脉冲响应中谐波成分的检测方法，其特征在于，所述方法用于机械结构的试验模态分析，所述试验模态分析由于机械结构受含有未知周期激励导致其脉冲响应中含有谐波成分，该方法包括：
针对所述机械结构的脉冲激励与响应估计出频率响应函数矩阵，并对所述频率响应函数矩阵作奇异值分解得到奇异值和奇异向量；
利用所述的奇异向量加权脉冲响应，计算得到增强的响应信号，并估计所述增强的响应信号的概率密度函数和峭度值；
根据所述概率密度函数和峭度值检测出脉冲响应中的谐波成分。
2.根据权利要求1所述的一种脉冲响应中谐波成分的检测方法，其特征在于，所述脉冲响应信号中的谐波成分未知，通过增强的响应信号的概率函数和峭度值来判断，具体过程为
当所述增强的响应信号为谐波信号时，其概率密度函数表示为：
Figure FDA0002392278700000011
其中，fT为时间的概率密度，ω和a分别为增强的响应信号
Figure FDA0002392278700000012
的圆频率和幅值；当
Figure FDA0002392278700000013
趋近于a或-a时，周期函数的概率密度值趋于无穷大，即分别在概率密度曲线的两端出现陡峭的峰值，使所述概率密度的曲线成马鞍面；
所述峭度值为：
Figure FDA0002392278700000014
其中，E[·]是期望算子，
Figure FDA0002392278700000015
为第r个峰值频率对应的增强响应信号，μ和σ分别为
Figure FDA0002392278700000016
的均值和标准方差；当
Figure FDA0002392278700000017
为谐波时，μ＝0，
Figure FDA0002392278700000018
a为谐波幅值，则K＝-1.5；
当增强信号的概率密度曲线的形状为马鞍状且峭度值接近-1.5时，可认为所述增强的信号为谐波信号。
3.根据权利要求2所述的一种脉冲响应中谐波成分的检测方法，其特征在于，所述增强的响应信号包含独立的频率成分，通过奇异向量加权得到：
Figure FDA0002392278700000019
其中，ur为第r个峰值频率所对应左奇异向量，上标T为转置，y为测得自由度上的响应信号，
Figure FDA00023922787000000110
为第r个峰值频率对应的增强响应信号。
4.根据权利要求3所述的一种脉冲响应中谐波成分的检测方法，其特征在于，所述奇异向量由频率响应函数矩阵作奇异值分解获得：
H(fr)＝UrΣrVr H (3)
其中，H(fr)为第r阶共振频率fr处的频率响应函数矩阵，Ur是由左奇异向量组成的矩阵，Σr是由奇异值组成的对角矩阵，Vr是由右奇异向量组成的矩阵，上标H表示共轭转置；取Ur的第一列向量作为所述奇异向量ur。
5.根据权利要求4所述一种脉冲响应中谐波成分的检测的方法，其特征在于，在含有测量噪声的情况下，估计所述频率响应函数矩阵：
当仅在响应信号中含有测试噪声时，采用H1方法估计所述频率响应函数矩阵，所述H1方法为：
Figure FDA0002392278700000021
当同时计及激励与响应中的测量噪声时，采用Hv方法估计所述频率响应函数矩阵，所述Hv方法为：
Figure FDA0002392278700000022
其中，H(f)为所述的频率响应函数矩阵，Gxy(f)为脉冲激励与响应的互功率谱矩阵，Gxx(f)为脉冲激励的自功率谱矩阵，Gyy(f)为脉冲响应的自功率谱矩阵，I为单位矩阵，O为零矩阵，上标-1表示矩阵求逆，上标*表示共轭。
CN202010118640.8A 2017-03-22 2017-03-22 一种脉冲响应中谐波成分的检测方法 Active CN111353415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010118640.8A CN111353415B (zh) 2017-03-22 2017-03-22 一种脉冲响应中谐波成分的检测方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710172876.8A CN106980722B (zh) 2017-03-22 2017-03-22 一种脉冲响应中谐波成分的检测和去除方法
CN202010118640.8A CN111353415B (zh) 2017-03-22 2017-03-22 一种脉冲响应中谐波成分的检测方法

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201710172876.8A Division CN106980722B (zh) 2017-03-22 2017-03-22 一种脉冲响应中谐波成分的检测和去除方法

Publications (2)

Publication Number Publication Date
CN111353415A true CN111353415A (zh) 2020-06-30
CN111353415B CN111353415B (zh) 2023-10-27

Family

ID=59338936

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201710172876.8A Active CN106980722B (zh) 2017-03-22 2017-03-22 一种脉冲响应中谐波成分的检测和去除方法
CN202010118640.8A Active CN111353415B (zh) 2017-03-22 2017-03-22 一种脉冲响应中谐波成分的检测方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201710172876.8A Active CN106980722B (zh) 2017-03-22 2017-03-22 一种脉冲响应中谐波成分的检测和去除方法

Country Status (1)

Country Link
CN (2) CN106980722B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112731814A (zh) * 2021-01-14 2021-04-30 南京航空航天大学 基于自适应谐波识别频响修正的直升机振动主动控制方法
CN112781723A (zh) * 2021-01-27 2021-05-11 南京微动智测信息技术有限公司 一种基于频谱方差的谐波成分检测方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113358212B (zh) * 2021-06-21 2022-09-30 重庆理工大学 基于相对谐阶次的机电故障诊断方法、系统及建模方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103245831A (zh) * 2013-04-08 2013-08-14 哈尔滨工程大学 一种基于广义卡尔曼滤波的谐波辨识方法
CN104132791A (zh) * 2014-07-17 2014-11-05 浙江工业大学 一种基于脉冲激励的运行模态分析实验方法及装置
CN104239681A (zh) * 2014-07-17 2014-12-24 浙江工业大学 基于脉冲激励响应信号互功率谱函数的主轴系统运行模态分析方法
CN106248201A (zh) * 2016-07-25 2016-12-21 南京航空航天大学 基于增强谱峭度的谐波成分检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4775540B2 (ja) * 2005-05-23 2011-09-21 日立造船株式会社 撮影画像における歪曲収差補正方法
CN103078640B (zh) * 2013-01-16 2016-08-03 华南理工大学 一种用于adc的rls自适应滤波校准方法
CN104155520B (zh) * 2014-07-30 2017-05-03 中国船舶重工集团公司第七一九研究所 一种适用于舰船电力系统的谐波和间谐波分离检测方法和装置
CN105548718A (zh) * 2015-12-14 2016-05-04 南瑞（武汉）电气设备与工程能效测评中心 一种基于混合整体最小二乘法的系统谐波阻抗计算方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103245831A (zh) * 2013-04-08 2013-08-14 哈尔滨工程大学 一种基于广义卡尔曼滤波的谐波辨识方法
CN104132791A (zh) * 2014-07-17 2014-11-05 浙江工业大学 一种基于脉冲激励的运行模态分析实验方法及装置
CN104239681A (zh) * 2014-07-17 2014-12-24 浙江工业大学 基于脉冲激励响应信号互功率谱函数的主轴系统运行模态分析方法
CN106248201A (zh) * 2016-07-25 2016-12-21 南京航空航天大学 基于增强谱峭度的谐波成分检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112731814A (zh) * 2021-01-14 2021-04-30 南京航空航天大学 基于自适应谐波识别频响修正的直升机振动主动控制方法
CN112781723A (zh) * 2021-01-27 2021-05-11 南京微动智测信息技术有限公司 一种基于频谱方差的谐波成分检测方法
CN112781723B (zh) * 2021-01-27 2023-09-12 南京微动智测信息技术有限公司 一种基于频谱方差的谐波成分检测方法

Also Published As

Publication number Publication date
CN106980722B (zh) 2020-12-25
CN106980722A (zh) 2017-07-25
CN111353415B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
Randall et al. A survey of the application of the cepstrum to structural modal analysis
Yan et al. Improved Hilbert–Huang transform based weak signal detection methodology and its application on incipient fault diagnosis and ECG signal analysis
Guo et al. Envelope order tracking for fault detection in rolling element bearings
Rajagopalan et al. Nonstationary motor fault detection using recent quadratic time–frequency representations
CN112101245B (zh) 基于频域窗函数的短时傅里叶变换机械冲击特征提取方法
CN107329932B (zh) 基于非线性调频分量分解的时频域模态参数辨识方法
CN110967599A (zh) 一种电能质量扰动检测与定位算法
Yu et al. Sparse coding shrinkage in intrinsic time-scale decomposition for weak fault feature extraction of bearings
Cong et al. Research of singular value decomposition based on slip matrix for rolling bearing fault diagnosis
CN106980722B (zh) 一种脉冲响应中谐波成分的检测和去除方法
Spiridonakos et al. An FS-TAR based method for vibration-response-based fault diagnosis in stochastic time-varying structures: experimental application to a pick-and-place mechanism
CN107729845B (zh) 一种基于子空间特征值分解的实测频响函数降噪方法
Zhang et al. Improved local cepstrum and its applications for gearbox and rolling bearing fault detection
Kumar et al. A combined approach for weak fault signature extraction of rolling element bearing using Hilbert envelop and zero frequency resonator
CN112098093A (zh) 一种轴承故障特征识别方法及识别系统
CN111487318A (zh) 一种时变结构瞬时频率提取方法
Leite et al. Bearing fault detection in induction machine using squared envelope analysis of stator current
Zhao et al. Separation of single frequency component using singular value decomposition
Wei et al. Modal identification of multi-degree-of-freedom structures based on intrinsic chirp component decomposition method
CN112749366B (zh) 一种基于相干噪声抑制的电机故障特征提取方法
Xu et al. Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum
Sun et al. A single-channel blind source separation technique based on AMGMF and AFEEMD for the rotor system
CN104156339B (zh) 一种利用二次排列熵识别周期微弱脉冲信号的方法
Pang et al. Weak fault diagnosis of rolling bearings based on singular spectrum decomposition, optimal Lucy–Richardson deconvolution and speed transform
Liu et al. A TEO‐based modified Laplacian of Gaussian filter to detect faults in rolling element bearing for variable rotational speed machine

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