CN112525749B - 一种基于摩擦信号递归特性的摩擦学状态在线辨识方法 - Google Patents

一种基于摩擦信号递归特性的摩擦学状态在线辨识方法 Download PDF

Info

Publication number
CN112525749B
CN112525749B CN202011301798.5A CN202011301798A CN112525749B CN 112525749 B CN112525749 B CN 112525749B CN 202011301798 A CN202011301798 A CN 202011301798A CN 112525749 B CN112525749 B CN 112525749B
Authority
CN
China
Prior art keywords
friction
signal
recursion
parameters
characteristic
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.)
Active
Application number
CN202011301798.5A
Other languages
English (en)
Other versions
CN112525749A (zh
Inventor
孙国栋
张超
张莹
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.)
Yangzhou University
Original Assignee
Yangzhou University
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 Yangzhou University filed Critical Yangzhou University
Priority to CN202011301798.5A priority Critical patent/CN112525749B/zh
Publication of CN112525749A publication Critical patent/CN112525749A/zh
Application granted granted Critical
Publication of CN112525749B publication Critical patent/CN112525749B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/56—Investigating resistance to wear or abrasion
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/025—Geometry of the test
    • G01N2203/0258—Non axial, i.e. the forces not being applied along an axis of symmetry of the specimen
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/06—Indicating or recording means; Sensing means
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于摩擦信号递归特性的摩擦学状态在线辨识方法，通过安装在滑动摩擦磨损试验机上夹具侧边的加速度传感器采集摩擦磨损过程中的摩擦振动信号并表示为X=[x(1),x(2),…,x(t),…,x(n)]；对得到的摩擦振动信号进行非线性特征提取并提取信号的定量递归参数；对提取的定量递归参数进行特征提取，将处理得到降维后的特征参数集作为摩擦信号递归特性的表征量；建立特征参数集相对于摩擦控制参量的系统依赖性多项式拟合方程，并依靠自组织数据挖掘的非线性映射与数学建模能力，使多项式拟合方程能够对不同控制参量条件下的摩擦振动信号递归特性参数进行预测；准确辨识实测摩擦信号所处的摩擦磨损状态。通过本发明，有效地监测与辨识滑动摩擦副的摩擦学状态。

Description

一种基于摩擦信号递归特性的摩擦学状态在线辨识方法
技术领域
本发明涉及一种基于摩擦信号递归特性的摩擦学状态在线辨识方法，属于摩擦学状态辨识领域。
背景技术
磨损表面、摩擦信号及磨损过程中产生的磨粒(磨屑)都是摩擦学系统运行过程中的重要产物，是研究摩擦磨损问题的重要信息来源，也是评估摩擦副磨损状态和摩擦学辨识的重要依据。然而对于连续运转的机械设备而言，磨损表面形貌往往无法直接获取；而磨粒的采集与分析同样需要辅助以油液培育、制谱等步骤，无法满足实时性的需求。因此，急需建立一种有效的基于摩擦信号的摩擦学状态辨识方法，以实现在机器不停机、不拆卸的运行状态下，充分运用可实时采集与测量的摩擦信号实现机械设备摩擦学状态的在线定量辨识，达到状态监测及故障诊断的目的，并有助于预防机械设备的损伤。前期的研究工作主要包括两个方面：1)时频分析法：通过监测摩擦系统输出信号在时域上的幅值大小或在频域上的频率分布来辨识摩擦副的运行状态；2)非线性特征提取法：基于分形或混沌理论对摩擦信号进行非线性特性表征，通过摩擦信号重构吸引子相轨迹及非线性特征参数预测摩擦副的运行状态。
相较于时频分析法，基于摩擦信号非线性特征参数的摩擦学状态辨识方法主要依靠将采集到的单变量摩擦信号时间序列重构，在高维相空间中重现摩擦磨损行为的复杂动力学特性，并利用吸引子相轨迹、关联维数等特征对摩擦学状态进行辨识。可以看出，非线性特征参数可有效地反映摩擦学行为随磨损状态的变化规律，从而对磨损状态进行定量辨识。但关联维数等传统几何不变量在表征过程中受到数据长度限制，难以满足实时表征及监测的需求；同时，传统几何不变量强烈依赖于无标度区间的选择，进而导致计算误差，可能影响摩擦学状态辨识结果。
为了克服传统非线性特征参数的不足，一些研究人员提出了基于递归特性分析的摩擦信号非线性特征提取方法。主要包括摩擦信号预处理、递归特征提取及特征分类，其中，摩擦信号递归特征提取包括递归度、层状度、分歧度等特征参数。此外，由于摩擦振动与系统运行状态密切相关且测试用传感器安装方便，本专利选择摩擦振动信号用于摩擦学状态在线定量辨识。
发明内容
本发明目的是针对现有技术中存在的问题，提供一种基于摩擦信号递归特性的摩擦学状态在线定量辨识方法，不仅计算简单、可靠性强，还能够实现摩擦学行为递归特性表征，为后续摩擦磨损过程的设计及主动控制提供理论依据及数学基础。
本发明的目的是通过以下技术方案实现的，一种基于摩擦信号递归特性的摩擦学状态在线定量辨识方法，步骤包括：
S1、开展摩擦磨损过程试验，采集试验过程中产生的摩擦振动信号序列表示为x＝[x(1),x(2),…,x(t),…,x(n)]，n表示信号长度；
S2、根据已建立的摩擦信号递归特征参数集，结合特征参数自组织预测模型与多项式拟合方程，预测对应试验条件下稳定磨损阶段的摩擦振动信号递归特征参数；
S3、对采集到的摩擦振动信号进行非线性特征提取，采用滑动窗口法将提取的具有非线性特性的信号划分为多个连续的计算窗口，对各窗口内的摩擦信号利用坐标延迟法重构得到摩擦信号的混沌吸引子，并提取对应递归特征参数；
S4、对比分析特征参数实际计算结果与预测结果，结合特征参数自身变化规律对未知磨损状态下的信号进行分类，以实现摩擦学状态的在线辨识。
进一步，所述步骤S2中摩擦信号递归特性表征参数集的建立包括以下步骤：
(1)采用相同的切削参数加工得到一批具有相同初始轮廓特征的滑动摩擦副初始表面，在相同的工况条件下开展不同时长的摩擦磨损试验；
(2)对分阶段试验得到的磨损表面形貌进行分形特征提取，并计算其分形维数值；
(3)截取每组试验结束前一段具有相同序列长度的摩擦振动信号序列，对其进行非线性特征提取并重构得到混沌吸引子，提取的定量递归特征参数包括：
Figure BDA0002787062880000021
其中，RR为递归度；Ri,j为递归矩阵中的元素；N为重构相空间的相点个数；DET为确定度；P(l)为平行于主对角线中长度为l的线段的概率分布；lmin为对角线结构中所取的最小长度值，一般取lmin＝2；Lmax为最长对角线长度；Nl为对角线结构的元素个数；ENT为熵；p(l)为平行于主对角线中长度为l的线段的概率分布密度；L为对角线长度均值；DIV为分歧度；LAM为层状度；P(v)为长度为v的竖直线段的概率分布；vmin为竖直线段结构中所取的最小长度值，一般取vmin＝2；Vmax为最长竖直长度；Nv为竖直线段结构的元素个数；TT为竖直线段长度均值；
(4)基于摩擦信号与磨损表面形貌演化的相关性与一致性，以磨损表面形貌分形参数值作为目标特征，选用最大相关最小冗余特征选择算法度量摩擦信号递归特征参数的相关性，对摩擦信号递归特征参数进行特征选择与降维约简。
再进一步，所述步骤(4)中选用的最大相关最小冗余特征选择算法，是一种基于互信息理论的特征子集选择方法，所确定的子集中每一个特征与目标特征具有最大相关性，与其他被选特征存在最小相关性。
再进一步，所述步骤S2所述摩擦振动信号递归特征参数集自组织预测模型及多项式拟合方程的建立包括以下步骤：
(1)改变摩擦学系统工况参数，开展不同条件下得到的摩擦振动时间序列信号；
(2)对采集到的摩擦振动信号进行非线性特征提取，并重构得到混沌吸引子；根据摩擦振动信号幅值及吸引子相轨迹初步识别摩擦磨损状态；
(3)截取信号幅值平稳且重构吸引子相轨迹基本不变时对应的摩擦振动信号序列，计算其递归特性表征参数集；
(4)应用自组织数据挖掘理论的数据组合处理方法建立摩擦振动递归特征参数相对于工况参数的系统依赖性模型，并计算得到各特征参数的多项式拟合方程。
再进一步，所述步骤S3利用经验模态分解方法提取摩擦振动信号非线性成分的步骤如下：
(1)采集试验机空载条件下的振动信号，并对其进行功率谱分析，确定试验设备的本底噪声及固有频率；
(2)采用经验模态分解方法，将摩擦磨损过程中采集的摩擦振动原始信号分解为有限个模态函数分量和一个残余分量；
(3)采用功率谱分析得到的各模态函数分量，将频率对应本底噪声信号的模态函数分量剔除；
(4)将剩余模态函数分量及残余分量进行重构，提取具有非线性特征的摩擦振动信号序列；并对重构得到的序列进行功率谱分析，检验提取的信号是否具有非线性信号特有的连续宽带和指数衰减的功率谱。
再进一步，所述步骤S3中还包括：利用坐标延迟法重构得到摩擦信号的混沌吸引子，即按时间间隔τ从原始序列中提取维数为m的矢量Xi＝[x(i),x(i+τ),x(i+2τ),…,x(i+(m-1)τ)]，并重构相空间X＝[X1,X2,…,Xi,…,XN]T，N＝n-(m-1)τ为重构后相空间矢量的个数。
再进一步，所述步骤S4中，当连续四个计算窗口内的递归特征参数均大于预测值，且参数仍呈递减趋势，表明此时刻对应的摩擦副仍处于磨合磨损阶段；当连续四个计算窗口内的递归特征参数均小于等于预测值，且参数呈现平稳波动趋势，表明此时刻对应的摩擦副处于稳定磨损阶段；当连续四个计算窗口内的递归特征参数均大于预测值，且参数呈现递增趋势，认为摩擦副进入急剧磨损阶段，需停止设备运转，及时增加润滑剂或更换摩擦副零部件。
相对于现有技术，本发明的有益效果主要体现在：1)基于递归特性分析的摩擦振动非线性特征提取方法能够提取与磨损状态密切相关的摩擦学行为的递归特征，具有计算简单，实时性好，可靠性强等优点；2)基于特征选择算法，优化了摩擦振动信号的递归特性表征参数，大大简化了其自组织预测模型及多项式拟合方程建立过程中所需的训练样本量，同时提高了该预测方法的准确度。
综上，本发明公开了一种基于摩擦信号递归特性的摩擦学状态在线辨识方法，通过安装在滑动摩擦磨损试验机上夹具侧边的加速度传感器采集摩擦磨损过程中的摩擦振动信号并表示为X＝[x(1),x(2),…,x(t),…,x(n)]，n表示信号长度；对得到的摩擦振动信号进行非线性特征提取并提取信号的定量递归参数；对提取的定量递归参数进行特征提取，将处理得到降维后的特征参数集作为摩擦信号递归特性的表征量；建立特征参数集相对于摩擦控制参量的系统依赖性多项式拟合方程，并依靠自组织数据挖掘的非线性映射与数学建模能力，使多项式拟合方程能够对不同控制参量条件下的摩擦振动信号递归特性参数进行预测；通过对计算结果和预测结果的分析比较，结合参数自身的变化规律，准确辨识实测摩擦信号所处的摩擦磨损状态。本发明提供了一种针对滑动摩擦副的摩擦学状态在线辨识方法，可以实现摩擦磨损行为的非线性递归特性在线提取与实时描述，有效地监测与辨识滑动摩擦副的摩擦学状态；不仅能够快速直观辨识出未知信号对应的摩擦学状态，还可以有效提取摩擦磨损过程中摩擦学行为的动力学特性，为后续摩擦磨损过程的设计及主动控制提供理论依据及数学基础。
附图说明
图1为滑动摩擦副摩擦学状态在线定量辨识流程图；
图2为基于特征选择的摩擦振动信号递归特征参数集提取流程图；
图3为摩擦信号递归特征参数自组织预测模型及多项式拟合方程建立流程图；
图4为GMDH算法流程图；
图5为摩擦信号非线性成分提取及递归特性表征流程图。
具体实施方式
下面结合附图对本发明做更进一步的解释。
如图1所示，一种基于摩擦信号递归特性的摩擦学状态在线定量辨识方法，采集摩擦磨损过程试验过程中产生的摩擦振动信号，根据已建立的摩擦信号递归特征参数集，基于参数自组织预测模型与多项式拟合方程预测该工况参数组合下，稳定磨损阶段时摩擦振动信号递归特征参数预测值；随后对采集到的摩擦振动信号进行非线性特征提取及相空间重构，计算重构混沌吸引子的非线性递归特性表征参数；最后通过对比计算结果与预测结果，完成摩擦学状态的在线辨识。具体包括以下步骤：
(1)开展摩擦磨损过程试验，采集试验过程中产生的摩擦振动信号序列表示为x＝[x(1),x(2),…,x(t),…,x(n)]，n表示信号长度；
(2)根据已建立的摩擦信号递归特征参数集提取信号特征参数，并基于特征参数自组织预测模型与多项式拟合方程，预测对应试验条件下稳定磨损阶段的摩擦振动信号递归特征参数；
(3)对采集到的摩擦振动信号序列进行非线性特征提取及递归特征参数表征；
(4)对比分析特征参数实际计算结果与预测结果，结合特征参数自身变化规律对未知磨损状态下的信号进行分类：当连续四个计算窗口内的递归特征参数均大于预测值，表明此时刻对应的摩擦副仍处于磨合磨损阶段；当连续四个计算窗口内的递归特征参数均小于等于预测值，表明此时刻对应的摩擦副处于稳定磨损阶段；当连续四个计算窗口内的递归特征参数均大于预测值，认为摩擦副进入急剧磨损阶段，需停止设备运转，及时增加润滑剂或更换摩擦副零部件。
步骤(2)中所述的摩擦信号递归特征参数集的建立如图2所示，具体过程如下：
1)采用相同的切削参数加工得到一批具有相同初始轮廓特征的滑动摩擦副初始表面，在相同的工况条件下开展不同时长的摩擦磨损试验；
2)对分阶段试验得到的磨损表面形貌进行分形特征提取，并计算其分形维数值；
3)截取每组试验结束前一段具有相同序列长度的摩擦振动信号序列，对其进行非线性特征提取并重构得到混沌吸引子，计算其定量递归特征参数，包括：
Figure BDA0002787062880000051
其中，RR为递归度；Ri,j为递归矩阵中的元素；N为重构相空间的相点个数；DET为确定度；P(l)为平行于主对角线中长度为l的线段的概率分布；lmin为对角线结构中所取的最小长度值，一般取lmin＝2；Lmax为最长对角线长度；Nl为对角线结构的元素个数；ENT为熵；p(l)为平行于主对角线中长度为l的线段的概率分布密度；L为对角线长度均值；DIV为分歧度；LAM为层状度；P(v)为长度为v的竖直线段的概率分布；vmin为竖直线段结构中所取的最小长度值，一般取vmin＝2；Vmax为最长竖直长度；Nv为竖直线段结构的元素个数；TT为竖直线段长度均值；
4)基于摩擦信号与磨损表面形貌演化的相关性与一致性，以磨损表面形貌分形参数值作为目标特征C，选用最大相关最小冗余算法度量摩擦信号递归特征{X}的相关性，对摩擦信号递归特征参数进行特征选择与降维约简，得到摩擦振动信号递归特性表征参数集。
步骤(2)中所述的摩擦信号递归特征参数自组织预测模型及多项式拟合方程建立如图3所示，具体过程如下：
1)改变摩擦学系统工况参数(包括载荷、速度、接触表面初始粗糙度和润滑剂粘度等5组参数)，开展不同条件下得到的摩擦振动时间序列信号；
2)对采集到的摩擦振动信号进行非线性特征提取，并重构得到混沌吸引子；根据摩擦振动信号幅值及吸引子相轨迹初步识别摩擦磨损状态；
3)截取信号幅值平稳且重构吸引子相轨迹基本不变时对应的摩擦振动信号序列，计算递归特性表征参数；
4)应用GMDH_Shell软件建立各参数的多项式拟合方程。
步骤(3)中所述的摩擦信号非线性特征提取及递归特性表征如图5所示，具体过程如下：
1)采集试验机空载条件下的振动信号，并对其进行功率谱分析，确定试验设备的本底噪声及固有频率；
2)采用经验模态分解方法，将摩擦磨损过程中采集的摩擦振动原始信号分解为有限个模态函数分量和一个残余分量；
3)采用功率谱分析得到的各模态函数分量，将对应本底噪声与白噪声信号的模态函数分量剔除；
4)将剩余模态函数分量及残余分量进行重构，提取具有非线性特征的摩擦振动信号序列；并对重构得到的序列进行功率谱分析，检验提取的信号是否具有非线性信号特有的连续宽带和指数衰减的功率谱；
5)对各窗口内的摩擦信号利用坐标延迟法重构得到摩擦信号的混沌吸引子，并提取对应递归特征参数。
实施例仅为说明本专利的技术思想，不能以此限定本专利的保护范围，凡是参照本专利的技术思想，在技术方案基础上所做的任何改动，均落入本专利保护范围内。

Claims (8)

1.一种基于摩擦信号递归特性的摩擦学状态在线辨识方法，其特征在于，包括如下步骤：
S1、开展摩擦磨损过程试验，采集试验过程中产生的摩擦振动信号序列表示为x＝[x(1),x(2),…,x(t),…,x(n)]，n表示信号长度；
S2、建立摩擦信号递归特征参数集，根据已建立的摩擦信号递归特征参数集，结合特征参数自组织预测模型与多项式拟合方程，预测对应试验条件下稳定磨损阶段的摩擦振动信号递归特征参数；
S3、对采集到的摩擦振动信号进行非线性特征提取，采用滑动窗口法将提取的具有非线性特性的信号划分为多个连续的计算窗口，对各窗口内的摩擦信号利用坐标延迟法重构得到摩擦信号的混沌吸引子，并提取对应递归特征参数；
S4、对比分析特征参数实际计算结果与预测结果，结合特征参数自身变化规律对未知磨损状态下的信号进行分类，以实现摩擦学状态的在线辨识。
2.根据权利要求1所述的一种基于摩擦信号递归特性的摩擦学状态在线辨识方法，其特征在于，步骤S2中摩擦信号递归特征参数集的建立包括以下步骤：
(1)采用相同的切削参数加工得到一批具有相同初始轮廓特征的滑动摩擦副初始表面，在相同的工况条件下开展不同时长的摩擦磨损试验；
(2)对分阶段试验得到的磨损表面形貌进行分形特征提取，并计算其分形维数值；
(3)截取每组试验结束前一段具有相同序列长度的摩擦振动信号序列，对其进行非线性特征提取并重构得到混沌吸引子，提取的定量递归特征参数包括：
Figure FDA0004149202480000011
其中，RR为递归度；Ri,j为递归矩阵中的元素；N为重构相空间的相点个数；DET为确定度；P(l)为平行于主对角线中长度为l的线段的概率分布；lmin为对角线结构中所取的最小长度值，取lmin＝2；Lmax为最长对角线长度；Nl为对角线结构的元素个数；ENT为熵；p(l)为平行于主对角线中长度为l的线段的概率分布密度；L为对角线长度均值；DIV为分歧度；LAM为层状度；P(v)为长度为v的竖直线段的概率分布；vmin为竖直线段结构中所取的最小长度值，取vmin＝2；Vmax为最长竖直长度；Nv为竖直线段结构的元素个数；TT为竖直线段长度均值；
(4)基于摩擦信号与磨损表面形貌演化的相关性与一致性，以磨损表面形貌分形参数值作为目标特征，选用最大相关最小冗余特征选择算法度量摩擦信号递归特征参数的相关性，对摩擦信号递归特征参数进行特征选择与降维约简。
3.根据权利要求2所述的一种基于摩擦信号递归特性的摩擦学状态在线辨识方法，其特征在于，所述步骤(4)中，选用的最大相关最小冗余特征选择算法，是一种基于互信息理论的特征子集选择方法，所确定的子集中每一个特征与目标特征具有最大相关性，与其他被选特征存在最小相关性。
4.根据权利要求1所述的一种基于摩擦信号递归特性的摩擦学状态在线辨识方法，其特征在于，所述步骤S2中，利用自组织数据挖掘理论及数据组合处理方法训练不同工况条件下的摩擦信号递归特征参数，得到信号递归特征参数集内各特征参数值相对于工况参数的系统依赖性模型及多项式拟合方程。
5.根据权利要求4所述的一种基于摩擦信号递归特性的摩擦学状态在线辨识方法，其特征在于，所述自组织预测模型及多项式拟合方程的建立步骤如下：
(1)改变摩擦学系统工况参数，开展不同条件下得到的摩擦振动时间序列信号；
(2)对采集到的摩擦振动信号进行非线性特征提取，并重构得到混沌吸引子；根据摩擦振动信号幅值及吸引子相轨迹初步识别摩擦磨损状态；
(3)截取信号幅值平稳且重构吸引子相轨迹基本不变时对应的摩擦振动信号序列，计算其递归特性表征参数集；
(4)应用自组织数据挖掘理论的数据组合处理方法建立摩擦振动递归特征参数相对于工况参数的系统依赖性模型，并计算得到各特征参数的多项式拟合方程。
6.根据权利要求1所述的一种基于摩擦信号递归特性的摩擦学状态在线辨识方法，其特征在于，所述步骤S3中，摩擦信号非线性特征提取还包括以下步骤：
(1)采集试验机空载条件下的振动信号，并对其进行功率谱分析，确定试验设备的本底噪声及固有频率；
(2)采用经验模态分解方法，将摩擦磨损过程中采集的摩擦振动原始信号分解为有限个模态函数分量和一个残余分量；
(3)采用功率谱分析得到的各模态函数分量，将频率对应本底噪声信号的模态函数分量剔除；
(4)将剩余模态函数分量及残余分量进行重构，提取具有非线性特征的摩擦振动信号序列；并对重构得到的序列进行功率谱分析，检验提取的信号是否具有非线性信号特有的连续宽带和指数衰减的功率谱。
7.根据权利要求1所述的一种基于摩擦信号递归特性的摩擦学状态在线辨识方法，其特征在于，所述步骤S3中，利用坐标延迟法重构得到摩擦信号的混沌吸引子，即按时间间隔τ从原始序列中提取维数为m的矢量Xi＝[x(i),x(i+τ),x(i+2τ),…,x(i+(m-1)τ)]，并重构相空间X＝[X1,X2,…,Xi,…,XN]T，N＝n-(m-1)τ为重构后相空间矢量的个数。
8.根据权利要求1所述的一种基于摩擦信号递归特性的摩擦学状态在线辨识方法，其特征在于，步骤S4中，基于信号振动特征参数的摩擦学状态辨识的具体评价标准为：
当连续四个计算窗口内的递归特征参数均大于预测值，表明此时刻对应的摩擦副仍处于磨合磨损阶段；当连续四个计算窗口内的递归特征参数均小于等于预测值，表明此时刻对应的摩擦副处于稳定磨损阶段；当连续四个计算窗口内的递归特征参数均大于预测值，认为摩擦副进入急剧磨损阶段，需停止设备运转，及时增加润滑剂或更换摩擦副零部件。
CN202011301798.5A 2020-11-19 2020-11-19 一种基于摩擦信号递归特性的摩擦学状态在线辨识方法 Active CN112525749B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011301798.5A CN112525749B (zh) 2020-11-19 2020-11-19 一种基于摩擦信号递归特性的摩擦学状态在线辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011301798.5A CN112525749B (zh) 2020-11-19 2020-11-19 一种基于摩擦信号递归特性的摩擦学状态在线辨识方法

Publications (2)

Publication Number Publication Date
CN112525749A CN112525749A (zh) 2021-03-19
CN112525749B true CN112525749B (zh) 2023-05-12

Family

ID=74981691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011301798.5A Active CN112525749B (zh) 2020-11-19 2020-11-19 一种基于摩擦信号递归特性的摩擦学状态在线辨识方法

Country Status (1)

Country Link
CN (1) CN112525749B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114675010B (zh) * 2022-05-31 2022-09-13 卡松科技股份有限公司 一种润滑油抗氧化性能智能化分析方法
CN115114563B (zh) * 2022-07-26 2022-11-18 江苏奥派电气科技有限公司 基于神经网络的电缆支架稳定性优化方法
CN117886241B (zh) * 2024-03-14 2024-06-04 山东中建众力机械工程有限公司 基于振动分析的塔式起重机自检系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA1123955A (en) * 1978-03-30 1982-05-18 Tetsu Taguchi Speech analysis and synthesis apparatus
EP1709745A4 (en) * 2004-01-30 2012-03-14 Univ Laval MULTI-USER ADAPTIVE NETWORK RECEIVER AND CORRESPONDING METHOD
CN105243421B (zh) * 2015-10-19 2018-04-03 湖州师范学院 一种基于cnn声发射识别动静态部件间摩擦故障的方法
CN108509735B (zh) * 2018-04-08 2020-05-29 中国矿业大学 一种缸套-活塞环磨合状态预测方法
CN110414031B (zh) * 2019-05-07 2021-10-22 深圳大学 一种基于volterra级数模型预测时间序列的方法、装置、电子设备及计算机可读存储介质
CN110631849B (zh) * 2019-08-09 2021-04-06 浙江工业大学 一种摩擦系统磨损状态在线识别方法及系统
CN111041398A (zh) * 2019-12-11 2020-04-21 扬州大学 一种利用陶瓷纳米颗粒增强镍基涂层摩擦学性能的方法
CN111176118B (zh) * 2020-01-08 2022-11-22 郑州轻工业大学 一种基于鲁棒自适应算法的转台伺服系统辨识方法

Also Published As

Publication number Publication date
CN112525749A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN112525749B (zh) 一种基于摩擦信号递归特性的摩擦学状态在线辨识方法
Yan et al. Approximate entropy as a diagnostic tool for machine health monitoring
US7505852B2 (en) Probabilistic stress wave analysis system and method
Cao et al. The gearbox wears state monitoring and evaluation based on on-line wear debris features
Yan et al. A study of information technology used in oil monitoring
Peng et al. Online wear characterisation of rolling element bearing using wear particle morphological features
Peng et al. Wear state identification using dynamic features of wear debris for on-line purpose
CN109992895B (zh) 一种设备性能退化趋势提取及预测方法
CN114004306A (zh) 一种基于物联网多维度数据的设备故障评估系统及其方法
CN112393906B (zh) 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法
CN110631849B (zh) 一种摩擦系统磨损状态在线识别方法及系统
Martin-del-Campo et al. Detection of particle contaminants in rolling element bearings with unsupervised acoustic emission feature learning
US20200220525A1 (en) Method For Automatic Detection of Physical Modes In A Modal Analysis Model
CN112529059A (zh) 机组电磁振动诊断方法、系统、计算机设备和存储介质
Gao et al. A wavelet packet and residual analysis based method for hydraulic pump health diagnosis
KR20210006832A (ko) 기계고장 진단 방법 및 장치
CN107702919A (zh) 基于声发射的滑动轴承润滑状态监测方法
Zhang et al. Applying improved multi-scale entropy and support vector machines for bearing health condition identification
Song et al. A fault feature extraction method for rolling bearings based on refined composite multi-scale amplitude-aware permutation entropy
CN113837591A (zh) 一种面向多工况运行条件的装备健康评估方法
CN112067298A (zh) 一种基于层次全局模糊熵的滚动轴承故障诊断方法
CN117370879A (zh) 一种风力机齿轮箱的实时在线故障诊断方法及系统
Mohamad et al. Gear fault diagnostics using extended phase space topology
Tian et al. Rolling element bearing fault detection using density-based clustering
Liao et al. Machinery time to failure prediction-Case study and lesson learned for a spindle bearing application

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