System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于滚动轴承信号检测,具体涉及一种基于多稳态随机共振的微弱信号检测方法。
技术介绍
1、滚动轴承等作为旋转机械系统的重要零部件,广泛应用于航空航天、国防军工、高铁等高端机械装备中,其运行状态决定着转子的可用性、可靠性和生产效率等。它具有装配方便、效率高、摩擦阻力小、润滑易实现等优点,它的运行状态是否正常往往直接影响到整台机器的精度、可靠性及寿命等。因此,开展行之有效的滚动轴承早期故障诊断变得非常重要。
2、早期故障状态下的滚动轴承具有故障特征不明显、特征信号微弱等特点。由于其在运转过程中大量的环境结构信息会被引入到转子系统形成背景噪声,同时早期故障状态下,故障振动能量在振动总能量中的占比较小,从而使得滚动轴承早期故障难以检测和诊断。通常不同滚动轴承零件发生故障时故障的特征频率是不同的,因此如何在强噪声环境中检测不同频率的微弱故障特征信号是实现滚动轴承不同零件早期故障诊断的关键。
技术实现思路
1、本专利技术的目的是提供一种基于多稳态随机共振的微弱信号检测方法,将噪声能量迁移至信号,从而凸显微弱信号以实现微弱信号的有效检测。
2、本专利技术所采用的技术方案是,基于多稳态随机共振的微弱信号检测方法,具体包括以下步骤:
3、步骤1、采集滚动轴承振动信号一维时间序列,得到样本数据;
4、步骤2、将样本数据按照固定长度划分成待分析序列,设计多稳态势阱函数;
5、步骤3、将待分析序列输入多稳态势阱函数并求解得到输出信号,通过
6、步骤4、使用多稳态随机共振的输出信号判断原信号中是否存在微弱信号,以实现轴承的早期故障诊断。
7、本专利技术的特征还在于,
8、步骤1具体包括以下步骤:
9、步骤1.1、选择实验设备,布置实验台并在转子系统不同位置安装加速度传感器,检验实验台是否能正常工作;
10、步骤1.2、通过数字录音记录器接收加速度传感器采集到的振动信号,作为轴承工作过程中的一维时间序列振动信号;
11、步骤1.3、将数字录音记录器传输至上位机,完成一维时间序列采集。
12、步骤2中固定长度为1024个数据点、2048个数据点或4096个数据点中任意一个。
13、设计多稳态势阱函数具体为设计多稳态势阱函数的势阱数、势垒数和结构参数。
14、多稳态势阱函数包括三稳态势阱函数,三稳态势阱函数如下列公式1所示:
15、
16、其中,u(x)为描述多稳态势场的多稳态势函数;a,b,c为势函数结构参数;x(t)为布朗粒子在多稳态势场中受信号噪声为驱动力作用时的运动行为,即多稳态势阱函数的输出信号;s(t)为输入信号;ξ(t)为噪声。
17、步骤3中求解得到输出信号的算法包括四阶龙格库塔法、五阶龙格库塔法、欧拉法。
18、步骤3中优化算法包括分层优化法、遗传算法、粒子群算法、灰狼算法、模拟退火算法、哈里斯鹰算法。
19、随机共振是否引发通过特征频率处输出信号与输入信号的信噪比增益或优化算法是否收敛判断;
20、特征频率处输出信号与输入信号的信噪比增益具体如下列公式2所示:
21、
22、其中,snrout为输出信号信噪比,snrin为输入信号信噪比;
23、输入信号或输出信号的信噪比具体如下列公式3所示:
24、
25、其中,fs为特征信号频率;s(fs)为特征信号的功率;n(fs)为特征信号频率fs处背景噪声谱的平均功率值;
26、特征信号功率s(fs)具体如下列公式4所示:
27、s(fs)=a(fs)^2 (4)
28、其中,a(fs)为特征信号幅值;
29、特征信号频率fs处背景噪声谱的平均功率值n(fs)具体如下列公式5所示:
30、
31、其中,gn(f)为噪声功率谱。
32、步骤4中是否存在微弱信号具体采用快速傅里叶变换或小波时频分析对原信号中是否存在微弱信号进行判断。
33、本专利技术的有益效果是,本专利技术基于多稳态随机共振的微弱信号检测方法将噪声能量转化至信号,不仅增强的微弱信号同时弱化了噪声,更有益于提升信噪比以提升检测准确度,克服了传统滤波降噪方法对轴承微弱故障诊断力不足的局限性,能够在不过滤原信号有用信息的基础上实现了轴承早期故障的有效诊断。同时仅需要设计多稳态势阱函数并选择优化算法优化参数引发随机共振即可实现检测,便于快速检测出滚动轴承的故障。
本文档来自技高网...【技术保护点】
1.基于多稳态随机共振的微弱信号检测方法,其特征在于,具体包括以下步骤:
2.根据权利要求1所述的基于多稳态随机共振的微弱信号检测方法,其特征在于,所述步骤1具体包括以下步骤:
3.根据权利要求1所述的基于多稳态随机共振的微弱信号检测方法,其特征在于,步骤2中所述固定长度为1024个数据点、2048个数据点或4096个数据点中任意一个。
4.根据权利要求1所述的基于多稳态随机共振的微弱信号检测方法,其特征在于,所述设计多稳态势阱函数具体为设计多稳态势阱函数的势阱数、势垒数和结构参数。
5.根据权利要求4所述的基于多稳态随机共振的微弱信号检测方法,其特征在于,所述多稳态势阱函数包括三稳态势阱函数,所述三稳态势阱函数如下列公式1所示:
6.根据权利要求1所述的基于多稳态随机共振的微弱信号检测方法,其特征在于,步骤3中所述求解得到输出信号的算法包括四阶龙格库塔法、五阶龙格库塔法、欧拉法。
7.根据权利要求1所述的基于多稳态随机共振的微弱信号检测方法,其特征在于,步骤3中所述优化算法包括分层优化法、遗传算法、粒子群算
8.根据权利要求1所述的基于多稳态随机共振的微弱信号检测方法,其特征在于,所述随机共振是否引发通过特征频率处输出信号与输入信号的信噪比增益或优化算法是否收敛判断;
9.根据权利要求1所述的基于多稳态随机共振的微弱信号检测方法,其特征在于,所述步骤4中是否存在微弱信号具体采用快速傅里叶变换或小波时频分析对原信号中是否存在微弱信号进行判断。
...【技术特征摘要】
1.基于多稳态随机共振的微弱信号检测方法,其特征在于,具体包括以下步骤:
2.根据权利要求1所述的基于多稳态随机共振的微弱信号检测方法,其特征在于,所述步骤1具体包括以下步骤:
3.根据权利要求1所述的基于多稳态随机共振的微弱信号检测方法,其特征在于,步骤2中所述固定长度为1024个数据点、2048个数据点或4096个数据点中任意一个。
4.根据权利要求1所述的基于多稳态随机共振的微弱信号检测方法,其特征在于,所述设计多稳态势阱函数具体为设计多稳态势阱函数的势阱数、势垒数和结构参数。
5.根据权利要求4所述的基于多稳态随机共振的微弱信号检测方法,其特征在于,所述多稳态势阱函数包括三稳态势阱函数,所述三稳态势阱函数如下列公式1所示:
...
【专利技术属性】
技术研发人员:郑煜,赵俊豪,王英,李翊宁,李龙龙,
申请(专利权)人:陕西工业职业技术学院,
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。