【技术实现步骤摘要】
一种基于自适应随机共振的叶片裂纹故障识别方法及应用
[0001]本专利技术涉及旋转机械振动信号分析
，尤其是一种基于信噪比估计和自适应随机共振的叶片裂纹故障识别方法。
技术介绍
[0002]压缩机广泛应用于石油化工、电力等领域，叶片作为核心部件在离心力、摩擦和不稳定气流载荷的作用下容易产生裂纹故障，以致影响到整个压缩机的正常工作。因此及时检测叶片裂纹故障，对于保证压缩机的安全稳定运行具有重要意义。此外，在实际工程中测得振动信号中掺杂着强背景噪声，致使压缩机叶片裂纹故障识别极其复杂和困难。因此，如何有效克服噪声干扰、实现自适应压缩机叶片裂纹故障识别值得深入研究。
[0003]传统信号处理方法主要通过抑制噪声来克服噪声的干扰，但在抑制噪声的同时微弱的故障信息也会受到干扰，进而影响识别效果。随机共振则能巧妙利用噪声来增强目标，具有良好的抗噪性。传统随机共振方法需要通过先验知识准确确定目标实现增强，这对于压缩机叶片这类非标准件难以广泛使用，因此，迫切需要一种能够利用干扰噪声、根据振动信号特点实现自适应随机共振输出的压缩...
【技术保护点】
【技术特征摘要】
1.一种基于自适应随机共振的叶片裂纹故障识别方法，其特征在于，包括以下步骤：步骤1：采集叶片轴振动信号，并计算信号噪声强度；步骤2：使用减噪经验模态分解算法对叶片叶振动信号进行分解，得到若干个不同频段的分量，根据中心频段分量挑选分量并进行信号重组；计算重组信号的幅值；步骤3：根据信号噪声强度和重组信号的幅值，估计信号输入信噪比；步骤4：使用遗传算法分析信号输入信噪比和随机共振最优参数的关系，得到随机共振最优参数分布圆；步骤5：根据输入信噪比和随机共振最优参数分布圆确定重组信号的随机共振参数中心值和范围；步骤6：使用遗传算法进行参数优化，并得到最优随机共振输出；步骤7：根据输出的最优随机共振输出信号，实现压缩机叶片裂纹的故障识别。2.按照权利要求1所述的一种基于自适应随机共振的叶片裂纹故障识别方法，其特征在于，步骤1中，计算信号噪声强度的方法为二阶和四阶矩、递归平均法、最小值追踪法或直方图统计法。3.按照权利要求1所述的一种基于自适应随机共振的叶片裂纹故障识别方法，其特征在于，所述步骤2，使用减噪经验模态分解算法对叶片叶振动信号进行分解，得到若干个不同频段的分量，根据中心频段分量挑选分量并进行信号重组；计算重组信号的幅值，包括：步骤2.1，创建强度等于步骤1估计的噪声强度的高斯白噪声；步骤2.2，从振动信号中减去创建的高斯白噪声，得到剩余信号；步骤2.3，使用经验模态分解算法处理剩余信号，得到若干个不同频段的分量；步骤2.4，对步骤2.1、2.2和2.3进行10次重复，得到10次若干个不同频段的分量，并按照频段进行平均处理，得到集成平均分量，所述集成平均分量表达式为：其中，IMF
ki
表示第k次经验模态分解得到的第i个分量，IMF
i
表示第i个集成平均分量；步骤2.5，挑选中心频段在预估故障特征频率范围的所有分量，并进行信号重组，所述信号重组的表达式为：其中，xc表示重组的信号，表示第i个挑选分量，m表示挑选分量的个数；步骤2.6，计算重组信号的幅值：其中，A
f
表示重组信号的幅值，N表示重组信号的长度，xc
i
表示重组信号在第i个时刻的幅值。4.按照权利要求3所述的一种基于自适应随机共振的叶片裂纹故障识别方法，其特征在于，步骤2.3中，经验模态分解算法的过程为：
a.通过三次样条插值曲线连接局部极大值点构成上包络线和连接局部极小值点构成下包络线，求上下包络线的均值m1；b.从输入信号中减去上下包络线的均值m1，如下式所示：x1(t)＝x(t)
‑
m1其中，x(t)表示输入信号，m1表示第1次上下包络线的均值，x1(t)表示第1次分解后得到的信号；c.将x1(t)信号作为新的输入信号，重复执行上述步骤b，直至满足停止规则即函数在整个时间范围内，局部极值点和过零点的数目必须相等或最多相差一个；在任意时刻点，局部最大值得上包络线和局部最小值的下包络线均值必须为零；d.满足停止规则的信号即为第1次分解的第1个分量IMF
11
，从原始输入信号x(t)中减去IMF
11
，重复执行上述步骤c，得到第1次若干分量和第1次残差，如下式所示其中，IMF
1i
表示第1次经验模态分解得到的第i个分量，R
n
表示第1次残差。5.按照权利要求2所述的一种基于自适应随机共振的叶片裂纹故障识别方法，其特征在于，所述...
【专利技术属性】
技术研发人员：宋狄，许飞云，胡建中，贾民平，黄鹏，
申请(专利权)人：东南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。