CN112539942B - 一种特征载荷识别及加速试验载荷谱编制方法 - Google Patents
一种特征载荷识别及加速试验载荷谱编制方法 Download PDFInfo
- Publication number
- CN112539942B CN112539942B CN202011330591.0A CN202011330591A CN112539942B CN 112539942 B CN112539942 B CN 112539942B CN 202011330591 A CN202011330591 A CN 202011330591A CN 112539942 B CN112539942 B CN 112539942B
- Authority
- CN
- China
- Prior art keywords
- load
- spectrum
- load spectrum
- wavelet
- acceleration test
- 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
Links
Images
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
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- 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
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种特征载荷识别及加速试验载荷谱编制方法,其特征在于,包括如下步骤:(1)原始载荷谱的输入;(2)原始载荷谱统计参数获取;(3)对原始载荷谱进行功率谱密度分析,获得信号的频域特征;(4)对载荷谱信号进行j层小波分解;(5)根据载荷频段特征对小波系数进行重构,然后对小波分量进行分组;(6)确定各组相对载荷阈值;(7)识别信号中幅值高于阈值部分,定位其时间段;(8)载荷谱信号片段形成及拼接;(9)加速试验载荷谱与原始载荷谱对比,如关键统计参数变动较大,需要重新确定相对阈值后再次识别提取,直到关键统计参数符合要求,完成编制工作。
Description
技术领域:
本发明涉及汽车技术领域,尤其涉及一种特征载荷识别及加速试验载荷谱编制方法。
背景技术:
汽车是现代人类工作、生活不可或缺的交通工具,随着传统汽车轻量化的持续进行及新能源汽车载荷的不断增加,汽车结构件承受应力呈增长趋势,如何正确预估其疲劳寿命成为汽车抗疲劳设计的关键工作之一。
在这方面,因汽车结构及工作条件的复杂性,一直存在比较大的技术难度。其中,在汽车抗疲劳设计的工作中,加速疲劳试验载荷谱的编制对于判断预估零件疲劳寿命的准确性以及在产品验证过程中快速准确地确定其实际寿命起着至关重要的作用。在现有的加速疲劳载荷谱编制方法中,删除无效小载荷的方法得到广泛应用,基于删除无效小载荷的编谱方法的基本原则是试图识别并删除原始载荷谱中对损伤影响较小的载荷循环来缩短试验加载时间,同时尽量保持加速试验载荷谱与原始载荷谱的损伤模式基本一致。
基于删除无效小载荷的编谱方法的基本原则,相关研究人员开展了诸多研究,比较典型的编谱方法主要分从时域出发及从频域出发两个方面。
1)基于时域的载荷谱编制方法
成永刚等人通过对汽车悬架下摆臂的疲劳耐久试验,基于损伤保留原则进行编谱,并以此为加载条件进行了零件疲劳寿命仿真预估对比分析。发现删除部分对损伤影响较小载荷后的载荷谱,其疲劳寿命仿真结果与原始载荷谱基本一致,但仿真周期有明显减少。基于损伤保留原则在保留原载荷谱损伤变化较小的前提下,还能缩短试验周期。
2)基于频域的载荷谱编制方法
Abdullah S.等将载荷谱信号通过短时傅里叶变换进行分解、累加及阈值划分,识别损伤效应较大的载荷循环,在保证损伤量基本不变的情况下,载荷谱时长减少16%,且载荷谱的统计参数误差控制在10%以下。
各编谱方法之间的差异主要体现在对“小载荷”的界定、识别与删除的具体手段不同。现有的方法并没有根据载荷的时~频特性去加以识别,而频率的不同会导致零件产生不同的动态应力,忽略其影响对无效载荷的识别及认定会产生一定误差。
发明内容:
本发明的目的是针对现有方法在加速试验载荷谱编制过程中无效载荷的识别及认定方面存在的误差,提供一种特征载荷识别及加速试验载荷谱编制方法,该方法通过对原始载荷谱信号进行小波变换,利用小波变换独有的时~频特性,合理设定重构信号相对阈值,快速准确界定及识别无效载荷,对应原始载荷谱时域信号时间轴进行无效载荷删除,对保留信号进行重新连接形成最终经过压缩的加速试验载荷谱,从而保持加速试验载荷谱与原始载荷谱的损伤模式的基本一致,并进一步提高了加速试验载荷谱的编谱效率,缩短了加速疲劳试验周期。
为实现上述目的,本发明提供如下技术方案:一种特征载荷识别及加速试验载荷谱编制方法,具体步骤如下:
(1)原始载荷谱的输入;
(2)原始载荷谱统计参数获取;
(3)对原始载荷谱进行功率谱密度分析,获得信号的频域特征;
(4)对载荷谱信号进行j层小波分解;
(5)根据载荷频段特征对小波系数进行重构,然后对小波分量进行分组;
(6)确定各组相对载荷阈值;
(7)识别信号中幅值高于阈值部分,定位其时间段;
(8)载荷谱信号片段形成及拼接;
(9)加速试验载荷谱与原始载荷谱对比,如关键统计参数变动较大,需要重新确定相对阈值后再次识别提取,直到关键统计参数符合要求,完成编制工作。
作为一个优选项,如上所述的一种特征载荷识别及加速试验载荷谱编制方法,所述原始载荷谱的输入,对输入信号作如下定义:定义预处理过的载荷谱信号为f(t);设信号总采样数为N,则任一采样点载荷数值为f(ti),其中(i=1,2,3......N)。
作为一个优选项,如上所述的一种特征载荷识别及加速试验载荷谱编制方法,所述对载荷谱信号进行j层小波分解是采用的Daubechies小波函数。
作为一个优选项,如上所述的一种特征载荷识别及加速试验载荷谱编制方法,所述对载荷谱信号进行j层小波分解的结果是得到一个低频小波系数和j个高频小波系数λj,k。
作为一个优选项,如上所述的一种特征载荷识别及加速试验载荷谱编制方法,所述根据载荷频段特征对小波系数进行重构,然后对小波分量进行分组的方法如下:通过对步骤(4)所得低频小波系数重构,可得一个低频小波分量(对应载荷均值);对j个高频小波系数进行重构,可得j个不同尺度下的高频小波分量(对应载荷幅值)Dj(t);由式可得:/>然后对小波分量进行分组,根据信号的频域特性,使每组隔离整个PSD的单个频带,则有:/>式中,Ds(t)为各组重构信号幅值。
作为一个优选项,如上所述的一种特征载荷识别及加速试验载荷谱编制方法,所述确定各组相对载荷阈值的方法如下:根据已得到的无效载荷阈值,将其与原始载荷谱中最大载荷之比作为分组后特征载荷的相对识别阈值系数;即:ηs=0.915·σs -0.0459·σ-1/Smax×100%,Hs=ηs·Ss·max,式中,ηs为相对识别阈值系数;Smax为原始载荷谱中最大载荷;Hs为各组阈值;Ss·max为各组最大载荷。
作为一个优选项,如上所述的一种特征载荷识别及加速试验载荷谱编制方法,所述识别信号中幅值高于阈值部分,定位其时间段的方法如下:比较Ds(ti)与Hs的大小关系,如有|Ds(ti)|≥Hs,则记录ti;如|Ds(ti)|<Hs,则比较下一个采样点Ds(ti+1)与Hs的大小关系;由此可得到所有载荷幅值超过阈值的对应时间点t1,t2,t3...。如时间点连续,则可形成不同的时间段T1,T2,T3...。
作为一个优选项,如上所述的一种特征载荷识别及加速试验载荷谱编制方法,所述载荷谱信号片段形成及拼接的方法如下:步骤(7)所得为零件主要工作频段载荷幅值超过阈值对应时间段T1,T2,T3...,根据此时间段分布,对原载荷谱信号f(t)中对应的f(Tj)片段予以保留,对其余片段认定为无效载荷予以删除;对所有保留信号片段进行连接,并对连接点进行适当光滑处理,形成加速试验载荷谱。
作为一个优选项,如上所述的一种特征载荷识别及加速试验载荷谱编制方法,所述加速试验载荷谱与原始载荷谱对比是比较编辑前后的关键统计参数,确保编制的载荷谱保留原载荷谱的关键信息。
作为一个优选项,如上所述的一种特征载荷识别及加速试验载荷谱编制方法,所述关键统计参数包括载荷谱的均值、变程、均方根、峰值系数、载荷循环次数及分布、功率谱密度。
本发明的主要有益效果在于:
可根据载荷谱的时~频特性进行特征载荷的识别及快速定位;保持了加速试验载荷谱与原始载荷谱的损伤模式的基本一致;进一步提高了加速试验载荷谱的编谱效率,缩短了加速疲劳试验周期;为零件加速疲劳试验载荷谱的编制提供了方法和依据。
附图说明:
图1为本发明一实施例中的载荷谱信号;
图2为本发明一实施例中的原始载荷谱功率谱密度;
图3为本发明一实施例中的九层小波分解;
图4为本发明一实施例中的(a)组信号小波分量分组重构;
图5为本发明一实施例中的(b)组信号小波分量分组重构;
图6为本发明一实施例中的(a)组信号特征载荷识别及定位;
图7为本发明一实施例中的(b)组信号特征载荷识别及定位;
图8为本发明一实施例中的原载荷谱对应时间段;
图9为本发明一实施例中的载荷片段拼接;
图10为本发明一实施例中,特征载荷识别及加速疲劳试验载荷谱编制流程。
具体实施方式:
以下由特定的具体实施例说明本发明的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合较佳实施例一起介绍,但这并不代表此发明的特征仅限于该实施方式。恰恰相反,结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解,以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外,为了避免混乱或模糊本发明的重点,有些具体细节将在描述中被省略。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本实施例的描述中,需要说明的是,术语“上”、“下”、“内”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本实施例的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本实施例中的具体含义。
请参考图1并结合图2-图9,在实施例中的一种特征载荷识别及加速试验载荷谱编制方法,具体步骤如下:
(1)原始载荷谱的输入;
(2)原始载荷谱统计参数获取;
(3)对原始载荷谱进行功率谱密度分析,获得信号的频域特征;
(4)对载荷谱信号进行j层小波分解;
(5)根据载荷频段特征对小波系数进行重构,然后对小波分量进行分组;
(6)确定各组相对载荷阈值;
(7)识别信号中幅值高于阈值部分,定位其时间段;
(8)载荷谱信号片段形成及拼接;
(9)加速试验载荷谱与原始载荷谱对比,如关键统计参数变动较大,需要重新确定相对阈值后再次识别提取,直到关键统计参数符合要求,完成编制工作。
进一步地,如上所述的一种特征载荷识别及加速试验载荷谱编制方法,所述原始载荷谱的输入,对输入信号作如下定义:定义预处理过的载荷谱信号为f(t);设信号总采样数为N,则任一采样点载荷数值为f(ti),其中(i=1,2,3......N)。
进一步地,如上所述的一种特征载荷识别及加速试验载荷谱编制方法,所述对载荷谱信号进行j层小波分解是采用的Daubechies小波函数。
进一步地,如上所述的一种特征载荷识别及加速试验载荷谱编制方法,所述对载荷谱信号进行j层小波分解的结果是得到一个低频小波系数和j个高频小波系数λj,k。
进一步地,如上所述的一种特征载荷识别及加速试验载荷谱编制方法,所述根据载荷频段特征对小波系数进行重构,然后对小波分量进行分组的方法如下:通过对步骤(4)所得低频小波系数重构,可得一个低频小波分量(对应载荷均值);对j个高频小波系数进行重构,可得j个不同尺度下的高频小波分量(对应载荷幅值)Dj(t);由式可得:/>然后对小波分量进行分组,根据信号的频域特性,使每组隔离整个PSD的单个频带,则有:/>式中,Ds(t)为各组重构信号幅值。
进一步地,如上所述的一种特征载荷识别及加速试验载荷谱编制方法,所述确定各组相对载荷阈值的方法如下:根据已得到的无效载荷阈值,将其与原始载荷谱中最大载荷之比作为分组后特征载荷的相对识别阈值系数;即:ηs=0.915·σs -0.0459·σ-1/Smax×100%,Hs=ηs·Ss·max,式中,ηs为相对识别阈值系数;Smax为原始载荷谱中最大载荷;Hs为各组阈值;Ss·max为各组最大载荷。
进一步地,如上所述的一种特征载荷识别及加速试验载荷谱编制方法,所述识别信号中幅值高于阈值部分,定位其时间段的方法如下:比较Ds(ti)与Hs的大小关系,如有|Ds(ti)|≥Hs,则记录ti;如|Ds(ti)|<Hs,则比较下一个采样点Ds(ti+1)与Hs的大小关系;由此可得到所有载荷幅值超过阈值的对应时间点t1,t2,t3...。如时间点连续,则可形成不同的时间段T1,T2,T3...。
进一步地,如上所述的一种特征载荷识别及加速试验载荷谱编制方法,所述载荷谱信号片段形成及拼接的方法如下:步骤(7)所得为零件主要工作频段载荷幅值超过阈值对应时间段T1,T2,T3...,根据此时间段分布,对原载荷谱信号f(t)中对应的f(Tj)片段予以保留,对其余片段认定为无效载荷予以删除;对所有保留信号片段进行连接,并对连接点进行适当光滑处理,形成加速试验载荷谱。
进一步地,如上所述的一种特征载荷识别及加速试验载荷谱编制方法,所述加速试验载荷谱与原始载荷谱对比是比较编辑前后的关键统计参数,确保编制的载荷谱保留原载荷谱的关键信息。
进一步地,如上所述的一种特征载荷识别及加速试验载荷谱编制方法,所述关键统计参数包括载荷谱的均值、变程、均方根、峰值系数、载荷循环次数及分布、功率谱密度。
本实例将通过一段典型加速度信号的处理过程进行说明,信号长度40s,采样频率1000Hz。
一种特征载荷识别及加速试验载荷谱编制方法,其步骤如图10所示:(1)原始载荷谱的输入,定义预处理过的载荷谱信号为f(t);设信号总采样数为N。则任一采样点载荷数值为f(ti),其中(i=1,2,3......N),载荷谱如图1所示。
(2)原始载荷谱统计参数获取,如表1所示:
表1原始载荷谱统计参数
(3)对原始载荷谱进行功率谱密度分析,获得信号的频域特征。如图2所示,可以观察出零件主要工作频段。
(4)采用Daubechies小波函数对载荷谱信号进行j层分解,得到一个低频小波系数和j个高频小波系数λj,k。因Daubechies小波函数被广泛应用于信号的编辑中,其可以表达为dbN(N=2,3,4…称为小波函数的消失距)。N的取值会直接影响载荷识别效果,根据研究,N=12的小波函数可以获得较好的识别效果。
小波分解过程相当于一个多带通滤波器组,将原始信号的振动能量划分为小波级。每个小波级别描述特定频带内信号的时间行为。每个小波层对应于一定的频率范围,保留了原始道路数据中与瞬态事件相关的所有时域特征。
在一个实施例中,根据信号采样频率及其主要工作频段,将其分解为9层,如图3所示。
然后对小波分量进行分组,根据信号的频域特性,使每组隔离整个PSD的单个频带。遵循这个逻辑,可能会把几个小波分量合并为一组,也可能一个分量作为一组,还可以根据情况舍弃贡献极小的小波分量。则有:
式中,Ds(t)为各组重构信号幅值。
本例中,d1及d2两层小波分量分别对应250-500Hz及125-250Hz两个频率区段,贡献极小且不在零件主要工作频率范围,将其舍弃;同理,d8及d9两层小波分量分别对应1.95-3.90Hz及0.98-1.95Hz两个频率区段,予以舍弃;将d3及d4两层小波分量合并为一组(a组),对应频段为31.25-125Hz;将d5、d6及d7三层小波分量合并为一组(b组),对应频段为3.90-31.25Hz。分组重构后信号如图4、图5所示。
(6)确定各组相对载荷阈值。根据已得到的无效载荷阈值,将其与原始载荷谱中最大载荷之比作为分组后特征载荷的相对识别阈值系数。即:
ηs=0.915·σs -0.0459·σ-1/Smax×100%
Hs=ηs·Ss·max
式中,ηs为相对识别阈值系数;Smax为原始载荷谱中最大载荷;Hs为各组阈值;Ss·max为各组最大载荷。
(7)识别信号中幅值高于阈值部分,定位其时间段。比较Ds(ti)与Hs的大小关系,如有|Ds(ti)|≥Hs,则记录ti;如|Ds(ti)|<Hs,则比较下一个采样点Ds(ti+1)与Hs的大小关系。由此可得到所有载荷幅值超过阈值的对应时间点t1,t2,t3...。如时间点连续,则可形成不同的时间段T1,T2,T3...。因为存在多组重构信号,所以得到的时间段可能会存在重合现象,需要对其取并集。
本例中,分别对a组信号及b组信号进行了载荷阈值识别,提取高于阈值部分,定位其时间段,如图6、图7所示。
(8)载荷谱信号片段形成及拼接。上一步所得为零件主要工作频段载荷幅值超过阈值对应时间段T1,T2,T3...,根据此时间段分布,对原载荷谱信号f(t)中对应的f(Tj)片段予以保留,对其余片段认定为无效载荷予以删除,如图8所示。为保持信号频率特征的完整性,及避免拼接后的载荷谱出现过多阶跃现象,在删除无效载荷信号片段时,要保证载荷循环完整。因此,对f(Tj)片段进行包络线法识别,使其适当的向前和向后延长,尽量使截断点载荷幅值接近对应载荷均值。对所有保留信号片段进行连接,并对连接点进行适当光滑处理,形成加速试验载荷谱,如图9所示。
(9)加速试验载荷谱与原始载荷谱对比。比较编辑前后载荷谱的均值、变程、均方根、峰值系数、载荷循环次数及分布、功率谱密度等统计参数,确保编制的载荷谱保留原载荷谱的关键信息,如关键统计参数变动较大,如均方根或峰值系数变动超过10%,需要重新确定相对阈值后再次识别提取,直到关键统计参数符合要求,完成编制工作。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (8)
1.一种特征载荷识别及加速试验载荷谱编制方法,其特征在于,包括如下步骤:
(1)原始载荷谱的输入;
(2)原始载荷谱统计参数获取;
(3)对原始载荷谱进行功率谱密度分析,获得信号的频域特征;
(4)对载荷谱信号进行j层小波分解;
(5)根据载荷频段特征对小波系数进行重构,然后对小波分量进行分组;
(6)确定各组相对载荷阈值;
(7)识别信号中幅值高于阈值部分,定位其时间段;
(8)载荷谱信号片段形成及拼接;
(9)加速试验载荷谱与原始载荷谱对比,如关键统计参数变动较大,需要重新确定相对阈值后再次识别提取,直到关键统计参数符合要求,完成编制工作;
所述根据载荷频段特征对小波系数进行重构,然后对小波分量进行分组的方法如下;
通过对步骤(4)中所得低频小波系数重构,可得一个低频小波分量,其对应载荷均值;对j个高频小波系数进行重构,可得j个不同尺度下的高频小波分量,其对应载荷幅值Dj(t);
所述确定各组相对载荷阈值的方法如下:根据已得到的无效载荷阈值,将其与原始载荷谱中最大载荷之比作为分组后特征载荷的相对识别阈值系数;即:ηs=0.915·σs -0.0459·σ-1/Smax×100%,Hs=ηs·Ss·max,式中,ηs为相对识别阈值系数;Smax为原始载荷谱中最大载荷;Hs为各组阈值;Ss·max为各组最大载荷。
2.根据权利要求1所述一种特征载荷识别及加速试验载荷谱编制方法,其特征在于:所述原始载荷谱的输入包括对输入信号作如下定义:定义预处理过的载荷谱信号为f(t);设信号总采样数为N,则任一采样点载荷数值为f(ti),其中i=1,2,3......N。
3.根据权利要求1所述一种特征载荷识别及加速试验载荷谱编制方法,其特征在于:所述对载荷谱信号是进行j层小波分解是采用的Daubechies小波函数。
4.根据权利要求1所述一种特征载荷识别及加速试验载荷谱编制方法,其特征在于:所述对载荷谱信号是进行j层小波分解的结果是得到一个低频小波系数和j个高频小波系数λj,k。
5.根据权利要求1所述一种特征载荷识别及加速试验载荷谱编制方法,其特征在于:所述识别信号中幅值高于阈值部分,定位其时间段的方法如下:比较Ds(ti)与Hs的大小关系,如有|Ds(ti)|≥Hs,则记录ti;如|Ds(ti)|<Hs,则比较下一个采样点Ds(ti+1)与Hs的大小关系;由此可得到所有载荷幅值超过阈值的对应时间点t1,t2,t3...;如时间点连续,则可形成不同的时间段T1,T2,T3...。
6.根据权利要求1所述一种特征载荷识别及加速试验载荷谱编制方法,其特征在于:所述载荷谱信号片段形成及拼接的方法如下:步骤(7)所得为零件主要工作频段载荷幅值超过阈值对应时间段T1,T2,T3...,根据此时间段分布,对原载荷谱信号f(t)中对应的f(Tj)片段予以保留,对其余片段认定为无效载荷予以删除;对所有保留信号片段进行连接,并对连接点进行适当光滑处理,形成加速试验载荷谱。
7.根据权利要求1所述一种特征载荷识别及加速试验载荷谱编制方法,其特征在于,所述加速试验载荷谱与原始载荷谱对比是比较编辑前后的关键统计参数,确保编制的载荷谱保留原载荷谱的关键信息。
8.根据权利要求1所述一种特征载荷识别及加速试验载荷谱编制方法,其特征在于:所述关键统计参数包括载荷谱的均值、变程、均方根、峰值系数、载荷循环次数及分布、功率谱密度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011330591.0A CN112539942B (zh) | 2020-11-24 | 2020-11-24 | 一种特征载荷识别及加速试验载荷谱编制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011330591.0A CN112539942B (zh) | 2020-11-24 | 2020-11-24 | 一种特征载荷识别及加速试验载荷谱编制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112539942A CN112539942A (zh) | 2021-03-23 |
CN112539942B true CN112539942B (zh) | 2023-06-20 |
Family
ID=75014712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011330591.0A Active CN112539942B (zh) | 2020-11-24 | 2020-11-24 | 一种特征载荷识别及加速试验载荷谱编制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112539942B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420452B (zh) * | 2021-06-30 | 2022-04-01 | 中国工程物理研究院总体工程研究所 | 地基微振动设计载荷确定方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8965094B2 (en) * | 2012-04-14 | 2015-02-24 | Nocimed, Llc | Magnetic resonance spectroscopy pulse sequence, acquisition, and processing system and method |
JP5653993B2 (ja) * | 2012-12-19 | 2015-01-14 | 日本電信電話株式会社 | 柱状構造物の異常検知システムおよび異常検知方法 |
CN106546436B (zh) * | 2016-10-19 | 2019-04-09 | 华南理工大学 | 一种汽车零部件载荷谱有效压缩方法 |
-
2020
- 2020-11-24 CN CN202011330591.0A patent/CN112539942B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112539942A (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034127B (zh) | 一种频谱异常检测方法、装置和电子设备 | |
CN108804731B (zh) | 基于重要点双重评价因子时间序列趋势特征提取方法 | |
CN109858503B (zh) | 基于梯度提升决策树的牵引变流器故障诊断方法 | |
CN115470827B (zh) | 基于自监督学习和孪生网络的对抗性心电信号降噪方法 | |
CN112539942B (zh) | 一种特征载荷识别及加速试验载荷谱编制方法 | |
CN101995437B (zh) | 一种拉深件裂纹声发射信号的特征提取方法 | |
CN107123432A (zh) | 一种自匹配Top‑N音频事件识别信道自适应方法 | |
CN112924556B (zh) | 基于机器学习的陶瓷基复合材料声发射在线损伤模式识别方法 | |
CN107315991B (zh) | 一种基于小波阈值去噪的ifra频响曲线去噪方法 | |
Gu et al. | Application of improved Hilbert-Huang transform to partial discharge signal analysis | |
CN114325256A (zh) | 一种电力设备局部放电识别方法、系统、设备及存储介质 | |
CN102988041A (zh) | 心磁信号噪声抑制中的信号选择性平均方法 | |
CN109782158B (zh) | 一种基于多级分类的模拟电路诊断方法 | |
CN115031875A (zh) | 基于频谱反馈的振弦传感器自适应扫频激励方法及系统 | |
CN109781245B (zh) | 一种柴油发动机脉冲噪声的客观评价方法 | |
CN107527611A (zh) | Mfcc语音识别方法、存储介质、电子设备及系统 | |
CN112509601B (zh) | 一种音符起始点检测方法及系统 | |
CN115902528B (zh) | 一种直流牵引网振荡与短路故障辨识方法 | |
CN114034492B (zh) | 基于希尔伯特-黄变换的汽车零部件载荷谱快速压缩方法 | |
CN110031198B (zh) | 一种考虑能量的应变载荷谱编制方法 | |
CN115166514A (zh) | 一种基于自适应频谱分割去噪的电机故障识别方法及系统 | |
CN114528875A (zh) | 发电机定子槽楔松紧度检测方法、设备和存储介质 | |
CN114077852A (zh) | 一种强噪声光谱信号的智能去噪方法 | |
CN113854971A (zh) | 一种基于多通道多特征融合的睡眠呼吸暂停检测方法 | |
CN116008735A (zh) | 一种基于密度的局部放电信号提取方法及系统 |
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 |