CN113052000B - 一种船舶机械设备早期微弱故障信号特征诊断方法 - Google Patents
一种船舶机械设备早期微弱故障信号特征诊断方法 Download PDFInfo
- Publication number
- CN113052000B CN113052000B CN202110153776.7A CN202110153776A CN113052000B CN 113052000 B CN113052000 B CN 113052000B CN 202110153776 A CN202110153776 A CN 202110153776A CN 113052000 B CN113052000 B CN 113052000B
- Authority
- CN
- China
- Prior art keywords
- signal
- potential
- fault
- weak
- monostable
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims description 14
- 230000002068 genetic effect Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000005036 potential barrier Methods 0.000 claims description 3
- 101000869690 Homo sapiens Protein S100-A8 Proteins 0.000 claims 2
- 102100032442 Protein S100-A8 Human genes 0.000 claims 2
- 239000002245 particle Substances 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000007704 transition Effects 0.000 abstract description 3
- 238000004451 qualitative analysis Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 12
- 230000003044 adaptive effect Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000009774 resonance method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003121 nonmonotonic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
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)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明为一种船舶机械早期微弱故障信号特征诊断方法,公开了一种变尺度可塑性单稳势结构随机共振微弱特征提取诊断方法。本发明将单稳态阱深、阱半径以及势阱壁陡峭程度作为势结构特征参数,精细化构建可塑性势结构随机共振模型,保障势结构与故障特征的匹配,提升了微弱故障特征增强提取能力;然后设计基于加权峭度指标的多参数目标函数优化对船舶机械设备故障特征进行增强提取,为船舶机械早期微弱故障特征的诊断提供了可靠依据;本发明克服了粒子阱间跃迁的不稳定性以及小参数限制的应用弊端,实现了船舶机械设备的有效故障诊断与定性分析,即使在强噪声干扰下,仍获得更大的加权峭度和更高的特征频率谱峰。
Description
技术领域
本发明属于设备故障信号诊断领域,尤其涉及一种船舶机械早期微弱故障信号特征诊断方法。
背景技术
船舶机械设备的复杂化和大型化带来零部件数目的增多,加上工作环境恶劣多变,导致微小的旋转部件损坏激发出冲击响应。微弱故障信号不仅是指信号的幅值很小,更主要是指有用信号的幅值相对于背景噪声很微弱。船舶机械设备的微弱故障源至采集点复杂的刚性传递结构和传递路径,各零部件振源激励与响应的相互耦合和多尺度噪声削弱了故障特征响应,导致机械监测信号信噪比极低,故障特征信号非常微弱,难以直接提取和诊断。
传统的信号提取技术大多数是进行噪声滤除,通过消除或抑制监测信号中的噪声进而提取微弱信息,诸如滤波法、相关检测法、经验模态分解法等。然而,这些微弱信号处理方法在有效消除噪声的同时将不可避免地损坏有用的微弱信号。随机共振是基于噪声干扰能量向微弱信号能量转移的先进“用噪”方法,非常适用于强噪声背景下的弱信号检测。传统的随机共振技术是对双稳态随机共振系统参数进行寻优,以实现不同系统性能指标的优化设计。
然而,这些研究成果主要基于传统的势结构固定模式下的参数优化技术,比如经典双稳态随机共振模型中“凸起”势垒结构造成阱间共振非平稳运动和小参数信号限制给随机共振故障诊断系统的势结构优化和大参数实际工程应用带来了极大挑战。并且无法满足于强噪声干扰下的弱信号性能增强需求,更无法凸显可塑性势结构在随机共振微弱信号增强方面的潜在优势,并且强噪声环境下的可塑性单稳势结构随机共振的多目标智能优化研究仍是空白。
发明内容
为了解决强噪声环境下船舶设备微弱故障特征增强检测,提升船舶机械早期微弱故障特征提取性能的技术问题,本发明提供一种船舶机械早期微弱故障信号特征诊断方法。选用加权峭度指标作为测度,提出一种势结构半径、深度、陡峭度的联合优化算法,建立一种基于云自适应遗传算法(CAGA)的变尺度可塑性单稳势结构随机共振模型,切实保障势结构与故障特征的匹配,实现复杂工况下的机械早期微弱故障特征诊断。
为达到上述目的,本发明是通过以下技术方案实现的:
本发明提供一种船舶机械早期微弱故障信号特征诊断的方法,所述信号诊断方法步骤包括:
(1)采用阱内共振的单稳态势结构进行周期信号增强分析,构建可塑性单稳势结构随机共振模型;
(2)从振动加速度传感器中获取船舶机械早期微弱故障信号,并对获取的含噪高频微弱振动信号进行解调和滤波预处理;
(3)利用云自适应遗传算法(CAGA)和变尺度可塑性单稳势结构随机共振结合,对预处理后的故障信号处理,优化模型结构特征参数;
(4)将加权峭度指标Kw作为CAGA的适应度函数进行自适应寻优,通过求解加权峭度最大化完成对最优势结构的获取;
(5)通过得到的最优势结构特征参数,输出模型响应的最优时域和频谱波形,从频谱中提取故障频率信息,完成微弱故障特征诊断。
进一步地,步骤1所述的可塑性单稳势结构随机共振模型是通过单稳态阱深、阱半径以及势阱壁陡峭程度作为势结构特征参数,精细化表达势结构得到的,该模型由朗之万方程描述为:
式中,t为时间变量,U(x)为非线性的势函数,s(t)为输入信号,N(t)为高斯白噪声,且<N(t)>=0,<N(t),N(0)>=2Dδ(t),δ(t)表示狄拉克δ函数,D为噪声强度,构造的单稳势结构函数为:
式中,h定义为阱深,q定义为势阱壁陡峭度,p定义为阱半径,且h>0,q>0,p>0;存在唯一稳定点没有势垒。
进一步地,步骤2所述的信号预处理包括包络解调和椭圆滤波,将机械监测信号进行希尔伯特变换,将信号长度为N,采样频率为fs的机械检测信号h(t)解调出包络s(t)
式中hk(t)=(1/πt)*h(t)。释放故障频率至中低频段,有助于随机共振系统的进一步增强处理。
进一步地,步骤3所述的云自适应遗传算法(CAGA)的适应度标定,经过个体选择算子、云交叉算子和云变异算子更新计算出个体的适应度值和特征参数。重新标定个体适应度和其特征参数,个体适应度标定表示为:
式中,f表示为个体适应度值,delta为标定参数,设置为0.5。
进一步地,步骤4所述的云自适应遗传算法的适应度函数为加权峭度指标Kw,其作为参数调节的测度获得最优势结构,Kw既包含峭度指标对冲击成分的敏感性,又要保证输出响应与原始信号的相似性,Kw定义为:
Kw=sgn(C)K|C|r
式中,C表示互相关系数,K为峭度指标,r>0。
和
得到加权峭度指标Kw是关于参数h,p,q的函数表达式,通过求解如下的加权峭度最大化问题实现对最优势结构的获取,目标优化函数定义为:
(hopt,popt,qopt)=argmax(Kw(h,p,q))
本发明的有益效果:与现有技术相比,本发明的显著特点为:
1.本发明考虑阱深、阱半径、势阱陡峭度作为特征参数,构建可塑性势结构随机共振模型,提出可塑性单稳势结构随机共振模型,能够更加精细化地控制系统势结构,保障势结构与故障特征以及噪声的匹配,提升弱信号增强性能;
2.本发明提出的基于可塑性单稳势结构随机共振的故障特征诊断方法,设计基于加权峭度指标的多参数目标函数优化,既考虑了峭度指标对冲击成分的敏感性,又保证了共振输出信号与原始信号的相似性,为船舶机械早期微弱故障特征的诊断提供了可靠依据;
3.针对强噪声干扰下微弱故障特征检测问题,提出了一种基于云自适应遗传算法的变尺度可塑性单稳态结构随机共振,用于微弱故障特征诊断。该方法克服粒子阱间跃迁的不稳定性以及小参数限制的应用弊端,能够实现复杂工况下的船舶机械设备早期微弱故障特征诊断。
附图说明
图1是本发明中可塑性单稳势结构随机共振系统的势结构函数随阱深变化结果图。
图2是本发明中可塑性单稳势结构随机共振系统的势结构函数随阱半径变化结果图。
图3是本发明中可塑性单稳势结构随机共振系统的势结构函数随势阱壁陡峭度变化结果图。
图4是本发明的加权峭度指标随噪声强度的变化图。
图5是本发明采用的云自适应遗传算法(CAGA)流程图。
图6是本发明采用的CAGA和变尺度可塑性单稳势结构随机共振的故障诊断流程图。
图7是本发明一实例振动信号强噪声背景下,轴承外圈故障信号的时域图和频域图。
图8是本发明一实例CAGA最优解收敛曲线图。
图9为振动信号可塑性单稳势结构随机共振最优输出图。
具体实施方式
为了加深对本发明的理解,下面将结合附图和实施例对本发明做进一步详细描述,该实施例仅用于解释本发明,并不对本发明的保护范围构成限定。
本发明的原理是:本发明提出的一种船舶机械早期微弱故障信号特征诊断方法,首先对获取的含噪高频微弱振动信号进行解调和滤波预处理,利用云自适应遗传算法(CAGA)和变尺度可塑性单稳势结构随机共振结合对预处理后的故障信号处理,优化模型结构特征参数;将加权峭度指标Kw作为测度完成对最优势结构的获取实现最优输出,从频谱中提取故障频率,完成微弱故障特征诊断。
本发明提出一种船舶机械早期微弱故障信号特征诊断方法,包括以下步骤:
步骤1:采用阱内共振的单稳态势结构进行周期信号增强分析,构建可塑性单稳势结构随机共振模型;该模型用朗之万方程描述为:
式中,t为时间变量,U(x)为非线性的势函数,s(t)为输入信号,N(t)为高斯白噪声,且<N(t)>=0,<N(t),N(0)>=2Dδ(t),δ(t)表示狄拉克δ函数,D为噪声强度,构造的单稳势结构函数为:
式中,h定义为阱深,q定义为势阱陡峭度,p定义为阱半径,且h>0,q>0,p>0;存在唯一稳定点没有势垒;
所述的可塑性单稳势结构随机共振模型描述为:
图1-图3给出了可塑性单稳势结构随机共振系统的势结构函数随阱深、阱半径和势阱壁陡峭度变化的结果,能够更加精细化控制随机共振系统的势阱形态,使系统势结构与微弱故障信号特征匹配,有效解决了传统势结构的随机共振系统陡峭势阱壁带来的系统输出性能不佳问题,增强了可塑性单稳势结构随机共振模型的微弱故障信号诊断效果。
步骤2:图6给出了CAGA和变尺度可塑性单稳势结构随机共振的故障诊断流程图。如图6所示,从振动加速度传感器中获取船舶机械早期微弱故障信号,并采用希尔伯特变换对获取的含噪高频微弱振动信号进行包络解调和滤波预处理;将信号长度为N,采样频率为fs的机械检测信号h(t)解调出包络s(t)
式中hk(t)=(1/πt)*h(t),从而释放故障频率至中低频段,有助于随机共振系统进一步增强处理。基于随机共振方法的信号检测过程中输入信号中的低频成分时长会干扰特征频率的检测,产生大量的边频,因此需要对包络信号进行椭圆滤波,根据特征信号频率值,设置椭圆滤波器的通带截止频率和阻带截止频率,消除低频成分对随机共振系统响应的干扰。再采用四阶Runge-Kutta方程求解可塑性单稳势结构随机共振模型响应x(t)。
步骤3:引入加权峭度作为参数调节的测度获得最优势结构,Kw既包含峭度指标对冲击成分的敏感性,又要保证输出响应与原始信号的相似性,Kw定义为:
Kw=sgn(C)K|C|r (5)
式中,C表示互相关系数,K为峭度指标,r>0。
和
得到加权峭度指标Kw是关于参数h,p,q的函数表达式,通过求解如下的加权峭度最大化问题实现对最优势结构的获取,
(hopt,popt,qopt)=argmax(Kw(h,p,q)) (8)
图4给出了可塑性单稳势结构随机共振模型的加权峭度指标随噪声强度的变化图。图中发现了加权峭度随着噪声强度的非单调特性,但总体上来看,加权峭度指标随着噪声强度的增大而减小,说明在强噪声干扰下的船舶机械设备的早期微弱故障的提取具有一定的难度。
本发明利用群智能优化算法的多变量优化能力,对势结构特征参数进行同步优化,充分体现系统多参数联合调优思想。CAGA作为群智能优化算法的一员,在遗传算法基础上引入正态云模型,利用云模型云滴的随机性和稳定倾向性特点,由Y条件云发生器算法产生交叉概率和变异概率,使概率既具有传统AGA的趋势性,满足快速寻优能力;又具有随机性,在适应度最大时并非绝对的零值,避免陷入局部最优。
步骤4:如图5所示,利用云自适应遗传算法(CAGA)用于随机共振模型势结构半径、深度、陡峭度的多特征参数优化,通过个体选择算子、云交叉算子、云变异算子等步骤,实现全局寻优;
进一步地,个体选择算子:每个个体进入下一代的概率等于它的适应度值与整个种群中个体适应度值和的比。个体适应度值越高,被选中的可能性越大。
进一步地,求解云交叉算子Pcc
Step1:计算父代个体适应度的均值Ex,记为fa、fb表示适应度值。
Step2:以En为期望值,以He为标准差生成一个正态随机数Enn,其中
En=m1(Fmax-Fmin),He=n1En (9)
式中,m1和n1为控制系数。
Step3:计算云交叉算子
进一步地,求解云变异算子Pmc
Step1:计算单个父代个体适应度的均值Ex,记为Ex=fa。
Step2:以En为期望值,以He为标准差生成一个正态随机数Enn,其中
En=m2(Fmax-Fmin),He=n2En (11)
式中,m2和n2为控制系数。
Step3:计算云变异算子
进一步地,CAGA算法步骤如下:
(1)种群初始化。设置迭代次数及云模型的云滴数。设置迭代次数为50,云滴种群数为50,设置初始云交叉算子为0.7,云变异算子为0.01。
(2)参数编码。对个体的每个基因值的编码长度为求解的优化参数的个数。每个优化参数都有一定的范围限制,编码后的基因值必须在给定范围内,经过交叉和变异之后的染色体基因值也必须在相同的范围内。本发明需要设置势结构特征参数的搜索范围。
(3)适应度计算。本发明采用的适应度函数为单稳势结构随机共振模型的目标优化函数,即加权峭度指标。本发明将模型输出信号的加权峭度指标的最大化作为振动信号检测效果的度量准则和势结构特征参数优化选取的依据。
(4)适应度标定。经过个体选择算子、云交叉算子和云变异算子更新计算出个体的适应度值和特征参数。重新标定个体适应度和其特征参数,个体适应度标定表示为式(13)。
式中,f表示为个体适应度值,delta为标定参数,设置为0.5。
(5)终止条件判定。将标定的适应度最大值个体作为最优值,经过反复迭代进行更新筛选,最后判断是否已经达到最大迭代次数,若没有继续循环,若达到,输出适应度值最优解,其基因值为所求势结构特征参数的最优解。
步骤5:将滤波后的信号作为变尺度可塑性单稳势结构的随机共振模型的输入微弱信号,尺度系数m=2000,利用CAGA进行自适应寻优,通过最优势结构特征参数实现时频谱的最优输出,从频谱中提取故障频率,完成微弱故障特征诊断。
下面结合实施例对本发明做进一步详细的描述。
实施例
为了验证变尺度可塑性单稳势结构随机共振系统的微弱特征提取诊断方法的有效性,以船舶机械设备轴承振动信号中的微弱有用信号增强提取为例,选用6205-2RS JEMSKF型的深沟球轴承的外圈故障进行故障诊断,轴承工作工况为强噪声背景D=8,转速1796rpm,负载为0HP,轴承故障直径为0.007英寸,采样频率fs为12000,采样点数取12000个点。故障轴承的主要结构参数如表1所示。
表1:故障轴承主要结构参数
首先将含噪信号进行解调滤波,故障理论频率为107.36Hz,故障实际频率接近故障理论频率,滤波时将通带截止频率和阻带截止频率分别设置为100Hz和105Hz,这样不仅可以保留故障实际频率,还能滤去较强的干扰成分。图7为强噪声背景下,轴承外圈故障信号的时域图和频域图。图7第一行波形图分别是含噪信号的时域图和频谱图,图7第二行波形图分别为含噪信号解调后的时域图和频谱图,图7第三行波形图分别为含噪信号滤波后的时域图和频谱图。在图7中可以发现,在原含噪信号的频谱图中,故障频率淹没在强噪声中,含噪信号经过解调滤波后的故障频率依然淹没在噪声中,很难被发现和提取。因此,在强噪声干扰下,直接对原始船舶机械轴承振动信号进行预处理分析后仍无法判断轴承有无判断。
于是,以Kw为适应度函数,采用云自适应遗传算法优化变尺度可塑性单稳势结构随机共振结构参数,验证云自适应遗传算法在船舶机械滚动轴承故障诊断中的性能。设置迭代次数为50,云滴数为50,阱深h为[1,100],阱半径p为[0,1],阱陡峭度q为[2,7]。云自适应遗传算法收敛曲线如图6所示,在自适应寻优过程中,经过15次迭代,算法收敛,尺度系数m取2000,此时的特征参数最优值:阱深h为32.4761,阱半径p为0.85373,阱陡峭度q为4.57572。
单稳势结构随机共振系统最优输出如图9所示,此时Kw指标为24.9874,SNR为-13.2335。与前面信号解调滤波后的图形相比,经过可塑性单稳势结构随机共振之后,可以清晰看出轴承外圈的故障特征频率,变尺度单稳态势结构随机共振方法通过采集轴承振动信号中的噪声能量,放大了轴承外圈故障特征频率处的振幅,振幅约为0.2,比原始信号包络谱的幅值放大了约10倍;此外,变尺度可塑性单稳势结构随机共振可以通过调节势结构特征参数来精准控制随机共振的势结构,保障势结构与船舶机械微弱故障特征信息的匹配,因此,变尺度单稳势结构随机共振系统微弱特征提取诊断方法能准确检测出船舶机械轴承故障特征。
综上所述,将单稳态势阱的高度、半径以及势阱壁陡峭程度作为势结构特征参数,更加精细化地控制系统势结构,构建可塑性势结构随机共振模型,使系统势函数随着势结构特征参数的变化而动态变化,丰富了布朗粒子的运动轨迹,保障势结构与故障特征的匹配,提升了可塑性单稳势结构随机共振的微弱故障特征增强提取能力;然后利用变尺度可塑性单稳势结构随机共振方法对船舶机械设备的不同程度故障特征进行增强提取,设计基于加权峭度指标的多参数目标函数优化,既考虑了峭度指标对冲击成分的敏感性,又保证了共振输出信号与原始信号的相似性,为船舶机械早期微弱故障特征的诊断提供了可靠依据;基于云自适应遗传算法的变尺度可塑性单稳态结构随机共振,实现了船舶机械设备的有效故障诊断与定性分析,该方法克服粒子阱间跃迁的不稳定性以及小参数限制的应用弊端,即使在强噪声干扰下,仍获得更大的加权峭度和更高的特征频率谱峰,对机械振动信号中微弱有用信号的提取具有重要意义。
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 (3)
1.一种船舶机械早期微弱故障信号特征诊断方法,该诊断方法基于云自适应遗传算法的变尺度可塑性单稳势结构随机共振微弱特征提取诊断方法,其特征在于,具体包括以下步骤:
(1)采用阱内共振的单稳态势结构进行周期信号增强分析,构建可塑性单稳势结构随机共振模型;
(2)从振动加速度传感器中获取船舶机械早期微弱故障信号,并对获取的含噪高频微弱振动信号进行解调和滤波预处理;
(3)利用云自适应遗传算法CAGA和变尺度可塑性单稳势结构随机共振结合,对预处理后的故障信号处理,优化模型结构特征参数;
(4)将加权峭度指标Kw作为CAGA的适应度函数进行自适应寻优,通过求解加权峭度最大化完成对最优势结构的获取;
(5)通过最优势结构特征参数实现时频谱的最优输出,从频谱中提取故障频率,完成微弱故障特征诊断;
步骤1所述的可塑性单稳势结构随机共振模型是通过单稳态阱深、阱半径以及势阱壁陡峭程度作为势结构特征参数,精细化表达势结构得到的,该模型由朗之万方程描述为:
式中,t为时间变量,U(x)为非线性的势函数,s(t)为输入信号,N(t)为高斯白噪声,且<N(t)>=0,<N(t),N(0)>=2Dδ(t),δ(t)表示狄拉克δ函数,D为噪声强度,构造的单稳势结构函数为:
式中,h定义为阱深,q定义为势阱壁陡峭度,p定义为阱半径,且h>0,q>0,p>0;存在唯一稳定点没有势垒;
步骤3所述的云自适应遗传算法的适应度标定,经过个体选择算子、云交叉算子和云变异算子更新计算出个体的适应度值和特征参数,重新标定个体适应度和其特征参数,个体适应度标定表示为:
式中,f表示为个体适应度值,delta为标定参数,设置为0.5;
步骤4所述的加权峭度指标参数调节的测度获得最优势结构,Kw既包含峭度指标对冲击成分的敏感性,又要保证输出响应与原始信号的相似性,Kw定义为:
Kw=sgn(C)K|C|r
式中,C表示互相关系数,K为峭度指标,r>0;
和
得到加权峭度指标Kw是关于参数h,p,q的函数表达式,通过求解如下的加权峭度最大化问题实现对最优势结构的获取,目标优化函数定义为:
(hopt,popt,qopt)=argmax(Kw(h,p,q))。
2.根据权利要求1所述的一种船舶机械早期微弱故障信号特征诊断方法,其特征在于,步骤2所述的微弱故障信号的解调预处理,采用希尔伯特变换对微弱振动信号进行包络解调;将信号长度为N,采样频率为fs的机械检测信号h(t)解调出包络s(t)
式中,hk(t)=(1/πt)*h(t)。
3.根据权利要求1所述的一种船舶机械早期微弱故障信号特征诊断方法,其特征在于,步骤2所述的微弱故障信号的滤波预处理,根据特征信号频率值,设置椭圆滤波器的通带截止频率和阻带截止频率,消除低频成分对随机共振系统响应的干扰,采用四阶Runge-Kutta方程求解可塑性单稳势结构随机共振模型响应x(t)。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110153776.7A CN113052000B (zh) | 2021-02-04 | 2021-02-04 | 一种船舶机械设备早期微弱故障信号特征诊断方法 |
PCT/CN2021/075441 WO2022165737A1 (zh) | 2021-02-04 | 2021-02-05 | 一种船舶机械设备早期微弱故障信号特征诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110153776.7A CN113052000B (zh) | 2021-02-04 | 2021-02-04 | 一种船舶机械设备早期微弱故障信号特征诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052000A CN113052000A (zh) | 2021-06-29 |
CN113052000B true CN113052000B (zh) | 2024-02-02 |
Family
ID=76508774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110153776.7A Active CN113052000B (zh) | 2021-02-04 | 2021-02-04 | 一种船舶机械设备早期微弱故障信号特征诊断方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113052000B (zh) |
WO (1) | WO2022165737A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114674420A (zh) * | 2022-05-12 | 2022-06-28 | 宁波东力传动设备有限公司 | 一种齿轮箱振动的辨识方法 |
CN116070154B (zh) * | 2023-03-29 | 2023-06-20 | 山东金帝精密机械科技股份有限公司 | 一种大型轴承保持器的故障检测方法、设备及介质 |
CN116223043A (zh) * | 2023-03-29 | 2023-06-06 | 哈尔滨理工大学 | 基于vmd和级联随机共振联合的滚动轴承微弱信号检测方法 |
CN116401596B (zh) * | 2023-06-08 | 2023-08-22 | 哈尔滨工业大学(威海) | 基于深度指数激励网络的早期故障诊断方法 |
CN116610941B (zh) * | 2023-07-21 | 2023-09-22 | 山东科技大学 | 快速峭度图轴承复合故障诊断方法、系统、设备以及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825197A (zh) * | 2016-03-29 | 2016-08-03 | 西安交通大学 | 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 |
CN106372725A (zh) * | 2016-07-29 | 2017-02-01 | 南京信息工程大学 | 基于混沌量子遗传算法的随机共振微弱信号检测方法 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN111351645A (zh) * | 2019-11-22 | 2020-06-30 | 南京财经大学 | 一种粮食机械设备微弱故障信号诊断方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6774601B2 (en) * | 2001-06-11 | 2004-08-10 | Predictive Systems Engineering, Ltd. | System and method for predicting mechanical failures in machinery driven by an induction motor |
CN106127165A (zh) * | 2016-06-30 | 2016-11-16 | 重庆邮电大学 | 基于自适应级联幂函数型双稳随机共振的微弱信号检测方法 |
US20180100894A1 (en) * | 2016-10-07 | 2018-04-12 | United States Of America As Represented By The Secretary Of The Navy | Automatic Generation of Test Sequences |
CN107702921A (zh) * | 2017-09-04 | 2018-02-16 | 西安交通大学 | 参数诱导的欠阻尼稳态匹配随机共振微弱特征增强方法 |
CN110470475B (zh) * | 2019-09-04 | 2021-07-23 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
-
2021
- 2021-02-04 CN CN202110153776.7A patent/CN113052000B/zh active Active
- 2021-02-05 WO PCT/CN2021/075441 patent/WO2022165737A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825197A (zh) * | 2016-03-29 | 2016-08-03 | 西安交通大学 | 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 |
CN106372725A (zh) * | 2016-07-29 | 2017-02-01 | 南京信息工程大学 | 基于混沌量子遗传算法的随机共振微弱信号检测方法 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN111351645A (zh) * | 2019-11-22 | 2020-06-30 | 南京财经大学 | 一种粮食机械设备微弱故障信号诊断方法 |
Non-Patent Citations (1)
Title |
---|
采用粒子群算法的冲击信号自适应单稳态随机共振检测方法;李继猛等;机械工程学报;58-63 * |
Also Published As
Publication number | Publication date |
---|---|
WO2022165737A1 (zh) | 2022-08-11 |
CN113052000A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113052000B (zh) | 一种船舶机械设备早期微弱故障信号特征诊断方法 | |
CN111734961B (zh) | 一种天然气管道泄漏检测方法 | |
CN109827776B (zh) | 轴承故障检测方法及系统 | |
CN108108672B (zh) | 一种基于线性搜索策略的随机共振电流弱信息识别方法 | |
CN112163536B (zh) | 基于粒子群算法改进的小波阈值函数去噪方法 | |
Chen et al. | Fault feature extraction and diagnosis of gearbox based on EEMD and deep briefs network | |
CN110135291B (zh) | 一种低信噪比信号的参数估计方法 | |
CN105447243B (zh) | 基于自适应分数阶随机共振系统的微弱信号检测方法 | |
CN113642484B (zh) | 一种基于bp神经网络的大地电磁信号噪声压制方法及系统 | |
He et al. | An optimal filter length selection method for MED based on autocorrelation energy and genetic algorithms | |
CN115655455A (zh) | 一种基于自适应噪声变换和随机共振的机械故障诊断方法 | |
CN109359378A (zh) | 一种分段非线性双稳系统的弱信号检测方法 | |
CN112945546A (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
CN114492196B (zh) | 基于简正波能量比理论的故障快速检测方法及系统 | |
CN115310499B (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
CN107065524B (zh) | 一种伺服系统频域辨识系统及辨识方法 | |
CN113688502A (zh) | 一种基于随机共振系统的变频信号去噪方法 | |
CN106840281A (zh) | 一种基于类方波前馈控制随机共振的涡街频率检测方法 | |
Xiao | Feature extraction of ship-radiated noise based on hierarchical dispersion entropy | |
Wang et al. | Attention-Based Bilinear Feature Fusion Method for Bearing Fault Diagnosis | |
CN112926504A (zh) | 一种基于降噪自编码器的声发射信号去噪方法 | |
Hu et al. | Fault Diagnosis of Rolling Bearing Based on SEMD and ISSA-KELMC | |
CN117974736B (zh) | 一种基于机器学习的水下传感器输出信号降噪方法及系统 | |
CN113792774B (zh) | 一种水中目标智能融合感知方法 | |
CN117454079A (zh) | 一种基于四维单势阱类随机共振系统的信号检测与提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |