CN116028790A - 一种船舶机械振动特征线谱快速识别筛选方法 - Google Patents
一种船舶机械振动特征线谱快速识别筛选方法 Download PDFInfo
- Publication number
- CN116028790A CN116028790A CN202211015747.5A CN202211015747A CN116028790A CN 116028790 A CN116028790 A CN 116028790A CN 202211015747 A CN202211015747 A CN 202211015747A CN 116028790 A CN116028790 A CN 116028790A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- characteristic line
- value
- vibration
- line spectrum
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 241
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012216 screening Methods 0.000 title claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000000758 substrate Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003623 enhancer Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于船舶振动与噪声控制领域,具体涉及一种船舶机械振动特征线谱智能识别方法。包括如下步骤:对待识别的船舶机械振动特征线谱数据信息进行特征分类;建立功率谱的拟合数值模型;建立连续谱数值模型;以振动连续谱为准零线划分为零上部分和零下部分;进行线谱局部最大值寻优;本申请综合考虑多测点复杂工况数据的测点预处理、采集数据有效筛选提取、有效数据序列的局部寻优等几个方面,实现多测点复杂工况功率谱数据中特征线谱的快速识别收敛和有效提取。
Description
技术领域
本发明属于船舶振动与噪声控制领域,具体涉及一种船舶机械振动特征线谱智能识别方法。
背景技术
船舶机械系统中的机电设备在运行过程中表征出显著的振动信号,在低频段表现为复杂特征线谱,这些特征线谱通过船体传到水中,形成辐射噪声,对船舶的声隐身性、舒适性等产生不良影响。机械振动监测的最常用手段就是振动信号分析,振动信号的基本分析方法目前已经较为成熟,但针对复杂特征线谱的提取方法目前还有待改进。
目前应用于船舶机械振动特征线谱提取的方法主要是基于频谱估计方法,可分类为:(1)噪声包络调制检测或针对性宽频分段分析和记录;(2)基于小波阈值方法对信号进行降噪处理,根据奇异性分析结果提取线谱;(3)根据集合经验模式分解进行特征线谱提取;(4)采用自适应线谱增强器,在线谱识别和筛选过程中增强线谱,抑制宽带干扰;(5)人工对线谱进行识别提取。
上述手段主要侧重于抑制噪声干扰,提高信噪比,使得线谱特征在功率谱信号中更加明显,存在计算误差大、运算效率低、测点布放局限等缺点;有些方法还需要特征频谱的先验知识,增加了方案实现难度。
发明内容
本发明的目的在于,在综合考虑测点振动耦合性、测量数据复杂性、数据提取有效性的前提下,提供一种精确有效的船舶机械振动特征线谱智能识别方法,实现船舶复杂工况机械振动特征线谱的有效提取。
本发明的船舶机械振动特征线谱智能识别方法,包括如下步骤:
步骤一、对待识别的船舶机械振动特征线谱数据信息进行特征分类,包括但不仅限于:分析测点名称P、位置编号N、振动信号预处理类型F、数据有效性检验集U、振动数据预处理结果集S;以上数据集合组成振动信号待分析数据库,主要用于提供振动特征线谱的数据分析基底。
步骤二、由步骤一中的数据预处理结果集获得振动功率谱数据,建立功率谱的拟合数值模型。机械振动噪声的功率谱一般由连续谱和线谱组成,可被视为振动特征线谱与振动连续谱上的叠加。因此,特征线谱提取前应提供识别连续谱的方法以消除连续谱,获得相对干净的特征线谱平整数据基底。
功率谱信号通常为周期信号,其谱特征为多个单根线谱,线谱伴有主峰和旁瓣,在数值上表现为:特征线谱附近的频段范围内,其幅值最大,线谱两边呈递减趋势。
基于以上原理,定义功率谱序列形式为:
[x1,x2,x3...xi...xn-2,xn-1,xn]
[y1,y2,y3...yi...yn-2,yn-1,yn]
上式中,xi为经定步长分辨率处理得到的频率值,yi为对应的功率谱幅值。基于宽带平稳随机过程模型原理,随机振动信号可用平稳随机信号和相位随机信号叠加表示,因此,连续谱随机振动信号可拟合为:
上式中,{x(t)}为宽带平稳随机过程函数,lr(t)表示为相位随机的周期信号。进一步可将功率谱表示为:
其中,S为谱值,T为做初级傅里叶变换(FFT)时参与运算的每段信号时间长度,E为谱值集合算数均值运算符,k为信号段编号,K的取值大小代表信号段精度。
步骤三、根据步骤二提供的数据基底,建立连续谱数值模型。振动连续谱可准确反映频段内振动幅频特性的变化趋势,为兼顾收敛速度及精度,采用随动待定系数多项式模型对其拟合,其形式可表示为:
上式中,a为随动待定系数,K为拟合阶次,m为待定系数个数。以残差的平方和最小为拟合准则,寻找待定系数的最小二乘逼近曲线τ:
上式中,n为步骤一中的功率谱幅值个数,为获得τ的极小值,逐个对待定系数am求偏导:
设am偏导值为零,得到K+1个线性方程组:
通过求解上式方程组,求得拟合多项式随动待定系数am及仍包含特征线谱的拟合幅值y*,由待定系数获得振动连续谱模型。
步骤四、以振动连续谱为准零线,根据功率谱与连续谱差值是否大于或小于 0,将步骤二所得到的功率谱幅值划分为零上部分和零下部分。
上式中,Y*和y*分别为去除连续谱的功率谱相对值、连续谱拟合值。对功率谱幅值序列进行“0-1”判断,分别将Y*的零上部分和零下部分的对应频段转化为多组连续“1”区间和连续“0”区间。其中各组有效特征线谱频率值“0-1”判断索引方程为:
XOR(Yi-1,Yi)=1,Yi=1
XOR(Yi,Yi+1)=1,Yi+1=0
上式中,将Yi-1处于零下且Yi处于零上的频率值设置为1,目的是搜寻可能出现有效特征线谱的范围起始值,将Yi处于零上且Yi+1处于零下的频率值设置为 0,目的是搜寻可能出现有效特征线谱的范围终止值,连续相邻的起始值与终止值构成一个分组,各分组内均肯呢个出现特征线谱,然后对应各分组提取对应的功率谱幅值,形成以幅值为元素的离散数据集合,其离散“0-1”分组方程为:
[0,Y1,Y2,…,Yn,0],Yi∈[0,1],i=1,2…n
上式中,通过判断拟合值Y*和预处理功率谱值集合Y的0-1关系,实现可能出现特征线谱的功率谱幅值分组。即实现对各组“1”区间内的功率谱有效数据簇的聚类,从而建立起可进行局部寻优的特征线谱数据簇。与其他方法相比,建立特征线谱的局部寻优数据簇这一步骤摒弃了大量的无效数据,在提升识别效率的同时又提高了筛选精度。
步骤五、在满足3dB信噪比条件下,进行线谱局部最大值寻优。步骤一到步骤四解决了特征线谱可能存在的频段范围问题,利用单个特征线谱在幅频特性上表现为线谱峰值最大,且峰值两边的幅值递减的特点,依序提取第k组特征线谱数据簇中的功率谱峰值kpeak,并分别与步骤二中获得的各段多项式拟合曲线的均值ke进行比较。若kpeak≥ke,则判断为有效线谱峰值,并将所有有效峰值序列提取,个数计为M;若kpeak≤ke,则摒弃数据。最后根据下列四个原则对有效线谱峰值进行权重排序或赋值,各原则为并列关系:
(1)当目标为寻找主特征线谱时,且信噪比较强(大于6dB)时,按照峰值绝对值大小进行排序;
(2)在(1)的基础上,为提取绝对值不大但邻域对比强烈的线谱,需按照均值比值大小进行顺序权重排序;
(3)为提取离散性很强但峰值较低的特殊线谱,需按照对应功率谱幅值的方差进行顺序权重排序;
(4)根据振声特性,结合分析工程需求,还可对部分频段范围内的线谱峰值赋予最大权重。经过以上四个原则赋予权重后,最终识别出一次筛选的特征线谱峰值及频率序列。这一步骤确保主特征线谱能优先筛选,且当相邻幅值绝对值较高,而自身幅值绝对值的较低的特征线谱不会被漏检,因采集步长误差导致的离散性较强的特殊线谱也不会被忽略。
步骤六、对得到初步可信特征线谱峰值及频率序列结果进行检验,以判断数据有效信,并检测可能存在的漏检峰值。改变步骤三中的信号段精度K,在 [K-5,K+5]范围内分别取其最高次幂值,重复步骤三到步骤五,并于初始K值振动连续谱作为识别依据的特征线谱筛选结果比较,将每一组特征频率与基准做差集,检测是否存在漏检频率和峰值,若存在,取相邻无变化K值筛选结果为可信结果。
本发明的有益效果在于:
系统各测点的特征线谱间的耦合关系反映出振动的传递路径,其智能识别可实现特征线谱快速提取,对降低船舶振动噪声水平、准确定位振源、阻断传递路径、综合提升船舶隐身性、舒适性具有重要意义。本发明通过振动连续谱准零基线实现了标准信噪比条件下巨量机械振动数据的特征线谱有效识别和定向筛选,相较于小波阈值方法、自适应线谱增强器等传统线谱提取方法,能更少的依靠特征频谱的先验知识,提高了特征线谱识别效率和筛选精度,降低了大型船舶机械振动测量工程中的特征线谱选取难度。
本申请综合考虑多测点复杂工况数据的测点预处理、采集数据有效筛选提取、有效数据序列的局部寻优等几个方面,实现多测点复杂工况功率谱数据中特征线谱的快速识别收敛和有效提取。
附图说明
图1为阀控型舵机液压电机机脚测点处的预处理功率谱;
图2为机脚测点处的功率谱及对应的连续谱振动连续谱;
图3为可进行局部寻优的特征线谱数据簇;
图4为初步提取的特征线谱;
图5为不同K值下拟合精度检验结果示意图;
图6为漏检线谱结果示意图;
具体实施方式
以下结合具体实施案例对本发明作详细说明。
船舶动力装置系统结构复杂,设备繁多,各船舶处于不同运行工况时,各设备的独立运行和协同工作,导致宽频段范围内的复杂振动,在测试结果上呈现不规律复杂线谱特称,具有强耦合性、随机性、复杂性,对信噪比要求高。为实现全船机械系统特征线谱提取,结合振源定位、振动烈度评价需求;
以下以某船用阀控型舵机振动测试过程为例,对本申请的船舶机械振动特征线谱智能识别方法进行详细说明,其基本步骤包括:
步骤一、如图1所示,对所采集的机械振动进行预处理,建立特征线谱基础数据库。对待识别的船舶机械振动特征线谱数据信息进行特征分类,目的是便于通过控制变量调用不同的时域或频域振动信号。分类包括但不仅限于:分析测点名称P、位置编号N、振动信号预处理类型F、数据有效性检验集U、振动数据预处理结果集S。后续步骤的功率谱分析数据使用FFT预处理结果。
步骤二、建立船用舵机测试功率谱、连续谱拟合数值模型,调用步骤一中的振动功率谱预处理数据,分别建立不同测点的舵机振动测试功率谱的拟合数值模型,其功率谱被视为由连续谱和线谱叠加而成。不同测点的功率谱序列均已以下形式表述:
[x1,x2,x3...xi...xn-2,xn-1,xn]P
[y1,y2,y3...yi...yn-2,yn-1,yn]P
上式中,P为测点编号,xi为经定步长分辨率处理得到的频率值,yi为对应的功率谱幅值。基于宽带平稳随机过程模型原理,各测点的随机振动信号可用平稳随机信号和相位随机信号叠加表示,其连续谱随机振动信号可拟合为:
上式中,{x(t)}为宽带平稳随机过程函数,lr(t)表示为相位随机的周期信号。进一步可将舵机各测点的振动功率谱表示为:
其中,S为谱值,T为做初级傅里叶变换(FFT)时参与运算的每段信号时间长度,E为谱值集合算数均值运算符,k为信号段编号。
步骤三、根据步骤二提供的舵机功率谱拟合数值模型,建立不同测点的连续谱数值模型。其随动待定系数多项式模型为:
上式中,a为随动待定系数,K为拟合阶次,m为待定系数个数。以残差的平方和最小为拟合准则,寻找待定系数的最小二乘逼近曲线τ:
上式中,n为步骤一中定义的功率谱幅值个数,逐个对待定系数am求偏导以获得τ的极小值:
设am偏导值为零,进而得到K+1个线性方程组:
通过求解上式方程组,求得拟合多项式随动待定系数am及仍包含特征线谱的拟合幅值y*,由待定系数获得振动连续谱模型,结果如图2所示。
步骤四、以连续谱(振动连续谱)为准零线,将预处理所得到的功率谱幅值划分为零上部分和零下部分:
上式中,Y*和y*分别为去除连续谱的功率谱相对值、连续谱拟合值。通过功率谱幅值序列“0-1”判断,分别将Y*的零上部分和零下部分的对应频段转化为多组连续“1”区间和连续“0”区间。其中各组有效特征线谱频率值索引方程为:
XOR(Yi-1,Yi)=1,Yi=1
XOR(Yi,Yi+1)=1,Yi+1=0
上式中,将Yi-1处于零下且Yi处于零上的频率值设置为1,目的搜寻可能出现有效特征线谱的范围起始值,将Yi处于零上且Yi+1处于零下的频率值设置为0,目的搜寻可能出现有效特征线谱的范围终止值,以此实现可能出特征线谱的频段分组。然后将可能出现特征线谱频段分组对应的功率谱幅值单独分组,形成离散数据,其离散“0-1”分组方程为:
[0,Y1,Y2,…,Yn,0],Yi∈[0,1],i=1,2…n
上式中,通过判断拟合值Y*和预处理功率谱值集合Y的0-1关系,实现可能出现特征线谱的功率谱幅值分组。即实现对各组“1”区间内的功率谱有效数据簇的聚类,从而建立起可进行局部寻优的特征线谱数据簇,以机脚测点为例,所得到的特征线谱数据簇如图3所示。
步骤五、在满足3dB信噪比条件下,进行线谱局部最大值寻优。经过步骤四的“0-1”识别及筛选,步骤二所形成的功率谱拟合模型叶被分割为以频率分段的拟合数值模型。将各测点定步长连续功率谱数据中的零上部分转化为非连续数据,并进一步通过索引逻辑式编为k组连续特征线谱数据簇。
对于每一个测点,依序提取第k组连续特征线谱数据簇中的线谱峰值kpeak,并分别与步骤二中得到的各段连续谱(振动连续谱)拟合数值模型吗,的均值 ke进行比较,若kpeak≥ke,则判断为有效峰值,若kpeak≤ke,则摒弃数据。形成M 个有效峰值序列,并根据下列四种原则进行权重排序或赋值:(1)按照功率谱峰值绝对值大小降序排列;(2)以第一个特征线谱为参考值,按照比值大小进行顺序权重排序;(3)根据振声特性,依据实施方案对10-1000Hz范围内的线谱峰值赋予最大权重;(4)按照对应功率谱幅值的方差进行顺序权重排序。最终得到特征线谱峰值及频率序列,可作为特征线谱提取依据。
步骤六、对提取结果进行检验。改变K值以改变信号段精度,在[K-5,L+5] 范围内,以步骤三中的最小二乘逼近曲线τ极小值存在为待定系数am取值的边界条件,分别取其最高次幂值,重复步骤2-5,分别与第一次选择的K值筛选结果作比较(初始选取的K为5),每一组特征频率与基准做差集,检测是否存在漏检频率,若存在,当K-1、K、K+1筛选结果不变时,方为可信漏检频率,否则为不可信。例如,选取初始K值为5。通过步骤三最小二乘试算,确定K应大于等于5,因此分别选取K值为[5,6,7,8,9,10],功率谱(0-1000Hz)中特征线谱个数分别为19,19,18,18,18,18,对应识别的特征频率重复率较高。由图 5可以看出:最高次幂并不是越高越好。当K=5时,由于振动连续谱变化较更高次幂更为平坦,809Hz因与附近814Hz特征线谱靠的太近划分为同一组出现漏检;当K=6-10时,465Hz与482Hz因最高次幂偏高,振动连续谱拟合值在此处发生了畸变,导致这两组频率被划分在一组。因此多项式拟合最高次取5即可。
五组舵机机脚测点处的特征线谱合并后,去掉重合频率共计20个,以K=5 筛选结果作为比较基准,每一组特征频率与其做差集,从而检测出漏检频率,具体分别见表1和图5所示。
可以看出,使用发明方法所得到的功率谱及其连续谱(振动连续谱)如图2 所示;通过零线判断得到的可用于局部寻优的特征线谱数据簇如图3所示;取 K=5时,根据发明方法最终提取的特征线谱峰值序列如图4所示,最终检验结果如图5、图6所示,通过检验,提取了表1给出了线谱提取的数据结果。
表1特征线谱提取结果
通过步骤六和表1对比,可以看出方法所提取的特征线谱准确度较高,仅在个别主特征线谱附近的密集小特征线谱未能检测出,但通过步骤六实现了漏检修正,验证了方法的可靠性。
最后应当说明的是,以上案例仅用以说明本发明的技术方案,而非对本发明保护范围的研制,尽管参照较佳实施案例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (4)
1.一种船舶机械振动特征线谱快速识别筛选方法,其特征在于,包括如下步骤:
步骤一、用于构建振动信号的待分析数据库的步骤;
具体包括:对待识别的船舶机械振动特征线谱数据信息进行特征分类,构成特征分类数据集,将数据集合组成振动信号的待分析数据库;
步骤二、用于建立功率谱拟合数值模型的步骤
具体包括:由待分析数据库获得振动功率谱数据,建立功率谱的拟合数值模型:
[x1,x2,x3...xi...xn-2,xn-1,xn]
[y1,y2,y3...yi...yn-2,yn-1,yn]
上式中,xi为经定步长分辨率处理得到的频率值,yi为对应的功率谱幅值;
基于宽带平稳随机过程模型原理,将随机振动信号用平稳随机信号和相位随机信号叠加表示,连续谱随机振动信号拟合为:
上式中,{x(t)}为宽带平稳随机过程函数,lr(t)为相位随机的周期信号;
进一步将功率谱表示为:
其中,S为谱值,T为做初级傅里叶变换时参与运算的每段信号时间长度,E为谱值集合算数均值运算符,k为信号段编号;
步骤三、用于建立连续谱数值模型的步骤
具体包括:根据特征线谱平整数据基底,建立连续谱数值模型;振动连续谱反映频段内振动幅频特性的变化趋势,采用随动待定系数多项式模型对其拟合,其形式表示为:
上式中,am为待定系数,K为拟合阶次,m为待定系数个数;K的取值大小代表信号段精度;
以残差的平方和最小为拟合准则,寻找待定系数的最小二乘逼近曲线τ:
上式中,n为步骤一中的功率谱幅值的个数,为获得τ的极小值,逐个对待定系数am求偏导:
设am偏导值为零,得到K+1个线性方程组:
通过求解上式方程组,求得拟合多项式随动待定系数am及仍包含特征线谱的拟合幅值y*,由待定系数获得振动连续谱模型;
步骤四、用于建立起可进行局部寻优的特征线谱数据簇的步骤
以振动连续谱为准零线,根据功率谱与连续谱差值是否大于或小于0,将预处理所得到的功率谱幅值划分为零上部分和零下部分;
上式中,Y*为去除连续谱的功率谱相对值;y*为连续谱拟合值;
通过功率谱幅值序列0-1判断,分别将Y*的零上部分和零下部分的对应频段转化为多组连续1区间和连续0区间;得到各组有效特征线谱频率值索引方程:
XOR(Yi-1,Yi)=1,Yi=1
XOR(Yi,Yi+1)=1,Yi+1=0
上式中,将Yi-1处于零下且Yi处于零上的频率值设置为1,目的是搜寻可能出现有效特征线谱的范围起始值;将Yi处于零上且Yi+1处于零下的频率值设置为0,目的搜寻可能出现有效特征线谱的范围终止值,实现可能出现特征线谱的频段分组;然后将可能出现特征线谱频段各分组对应的功率谱幅值单独分组,形成离散数据,其离散0-1分组方程为:
[0,Y1,Y2,…,Yn,0],Yi∈[0,1],i=1,2…n
上式中,通过判断拟合值Y*和预处理功率谱值集合Y的0-1关系,实现可能出现特征线谱的功率谱幅值分组;实现对各组1区间内的功率谱有效数据簇的聚类,从而建立起可进行局部寻优的特征线谱数据簇;
步骤五、用于特征线谱峰值及频率序列权重排序的步骤;
首先,在满足6dB信噪比条件下,进行线谱局部最大值寻优;其次,利用单个特征线谱在幅频特性上表现为线谱峰值最大,且峰值两边的幅值递减的特点,依序提取第k组特征线谱数据簇中的功率谱峰值kpeak,并分别与步骤二中获得的各段多项式拟合曲线的均值ke进行比较;若kpeak≥pe,则判断为有效线谱峰值,并将所有有效峰值序列提取,个数计为M;最后,对特征线谱峰值进行权重排序或赋值,识别出初步可信的特征线谱峰值及频率序列;
步骤六、对得到初步可信特征线谱峰值及频率序列结果进行检验,以判断数据有效信,并检测可能存在的漏检峰值;
改变步骤三中的信号段精度K,在[K-5,K+5]范围内分别取其最高次幂值,重复步骤三到步骤五,并于初始K值振动连续谱作为识别依据的特征线谱筛选结果比较,将每一组特征频率与基准做差集,检测是否存在漏检频率和峰值,若存在,取相邻无变化K值筛选结果为可信结果。
2.根据权利要求1所述的一种船舶机械振动特征线谱快速识别筛选方法,其特征在于,所述步骤一中,所述特征分类包括:分析测点名称P、位置编号N、振动信号预处理类型F、数据有效性检验U、振动数据预处理结果S。
3.根据权利要求1所述的一种船舶机械振动特征线谱快速识别筛选方法,其特征在于,所述步骤二中,机械振动噪声的功率谱视为振动特征线谱与振动连续谱上的叠加,特征线谱提取前应消除连续谱。
4.根据权利要求1所述的一种船舶机械振动特征线谱快速识别筛选方法,其特征在于,所述步骤五中,根据下列四种顺序进行权重排序或赋值,识别出初步可信的特征线谱峰值及频率序列;
(1)按照峰值绝对值大小排序;
(2)按照比值大小进行顺序权重排序;
(3)根据振声特性,对部分频段范围内的线谱峰值赋予最大权重;
(4)按照对应功率谱幅值的方差进行顺序权重排序;
最终识别出初步可信的特征线谱峰值及频率序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211015747.5A CN116028790A (zh) | 2022-08-24 | 2022-08-24 | 一种船舶机械振动特征线谱快速识别筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211015747.5A CN116028790A (zh) | 2022-08-24 | 2022-08-24 | 一种船舶机械振动特征线谱快速识别筛选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116028790A true CN116028790A (zh) | 2023-04-28 |
Family
ID=86075032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211015747.5A Pending CN116028790A (zh) | 2022-08-24 | 2022-08-24 | 一种船舶机械振动特征线谱快速识别筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116028790A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116701883A (zh) * | 2023-07-31 | 2023-09-05 | 北京建筑大学 | 基于频段辨识的模态参数自动化识别方法、装置及设备 |
-
2022
- 2022-08-24 CN CN202211015747.5A patent/CN116028790A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116701883A (zh) * | 2023-07-31 | 2023-09-05 | 北京建筑大学 | 基于频段辨识的模态参数自动化识别方法、装置及设备 |
CN116701883B (zh) * | 2023-07-31 | 2023-10-13 | 北京建筑大学 | 基于频段辨识的模态参数自动化识别方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108426713B (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN108875170B (zh) | 一种基于改进变分模态分解的噪声源识别方法 | |
CN108845250B (zh) | 基于振动信号特征提取的有载分接开关故障识别方法 | |
CN108168886B (zh) | 滚动轴承故障特征提取与运行状态监测方法 | |
CA2634328A1 (en) | Method and system for trend detection and analysis | |
CN103033567A (zh) | 一种基于导波的管道缺陷信号识别方法 | |
CN116028790A (zh) | 一种船舶机械振动特征线谱快速识别筛选方法 | |
CN113537102B (zh) | 一种微震信号的特征提取方法 | |
CN111027260A (zh) | 一种基于神经网络的往复式压缩机故障诊断方法 | |
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 | |
CN112033656A (zh) | 一种基于宽带谱处理的机械系统故障检测方法 | |
CN208207843U (zh) | 一种泥浆泵故障诊断装置 | |
CN114818815B (zh) | 用于叶片振动测量的叶尖定时到达时刻的获取方法及系统 | |
CN115659136A (zh) | 基于神经网络的无线干扰信号波形识别方法 | |
CN110146922B (zh) | 高速铁路地震预警系统单双地震计干扰识别方法 | |
CN109708877B (zh) | 基于小波模糊识别和图像分析理论的机械故障分析方法 | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
CN117272218A (zh) | 基于多维传感器数据的皮带运行故障评估系统 | |
CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
CN116961799A (zh) | 一种基于时频域分布特征的信号干扰检测方法 | |
CN116699400A (zh) | 一种发电机转子短路故障监测系统、方法及可读存储介质 | |
CN115267668A (zh) | 一种gis局放自动线性定位系统及方法 | |
Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration | |
CN111624585A (zh) | 一种基于卷积神经网络的水下目标被动检测方法 | |
CN114166814A (zh) | 一种基于双尺度相关运算的拉曼谱峰识别方法 |
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 |