【技术实现步骤摘要】
本专利技术涉及一种声发射信号的判别方法，特别涉及一种基于参数有效性 的转子碰摩声发射信号模糊综合判别方法。
技术介绍
动静碰摩是大型旋转机械的一个重大研究课题，用常规的振动检测方法 判断碰摩效果不理想，尤其碰摩早期特征较弱时，振动检测法存在很大困难。声发射(Acoustic Emission , AE )以其独特的优点为碰摩检测与识别提供 了一条新的途径。与振动信号相比，AE信号的频响范围宽、信息量大、信噪 比高，特别是在故障早期特征较弱时，可以弥补振动信号对微弱碰摩不敏感 而容易造成漏判的缺陷，因此在碰摩早期的故障诊断更具优越性。但由于AE 面临的噪声干扰问题突出，，尤其是旋转机械相对恶劣的工作环境以及运行 时设备自身产生的多源性强噪声，加之AE信号在结构传播过程中存在的衰 减与失真，使得对感兴趣的碰摩AE信号的识别就变得更力。困难，而目前对 复杂干扰源中AE识别方法的研究还不够深入，因此，基于AE技术的碰摩故 障诊断还没能发挥应有的作用。提高和改进AE信号分析能力，研究更加有 效的AE信号特征识别方法，是推动AE技术应用的关键。
技术实现思路
本专利技术目的是针...
【技术保护点】
一种基于参数有效性的转子碰摩声发射信号模糊综合判别方法，其特征在于包括以下步骤： （１）采用碰摩声发射试验装置获得待识别的声发射信号； （２）选择并提取步骤１所述的声发射信号的特征参数即：平均振幅、最大振幅、振幅动态范围以及小波包分解信号的前四个接点重构信号的能量值； （３）对训练样本的各特征参数进行有效性分析： （３－１）提取训练样本的特征参数得到每个训练样本的特征参数矢量ｘ，并确定训练样本的第ｊ个特征参数对第ｋ类别的隶属度函数μ↓［ｊｋ］（ｘ）：＊＊＊，其中ｍ↓［ｊｋ］为第ｋ类别中不同特征参数的均值，σ↓［ｊｋ］为第ｋ类别中不同特征参数的方差，１＜ｊ＜Ｊ，１＜ｋ＜Ｃ，Ｊ...
【技术特征摘要】
1、一种基于参数有效性的转子碰摩声发射信号模糊综合判别方法，其特征在于包括以下步骤(1)采用碰摩声发射试验装置获得待识别的声发射信号；(2)选择并提取步骤1所述的声发射信号的特征参数即平均振幅、最大振幅、振幅动态范围以及小波包分解信号的前四个接点重构信号的能量值；(3)对训练样本的各特征参数进行有效性分析(3-1)提取训练样本的特征参数得到每个训练样本的特征参数矢量x，并确定训练样本的第j个特征参数对第k类别的隶属度函数μjk(x)<maths id=math0001 num=0001 ><math><![CDATA[ <mrow><msub> <mi>μ</mi> <mi>jk</mi></msub><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow><mo>=</mo><mfrac> <mrow><mi>exp</mi><mo>[</mo><mo>-</mo><mfrac> <mn>1</mn> <mn>2</mn></mfrac><msup> <mrow><mo>(</mo><mfrac> <mrow><mi>x</mi><mo>-</mo><msub> <mi>m</mi> <mi>jk</mi></msub> </mrow> <msub><mi>σ</mi><mi>jk</mi> </msub></mfrac><mo>)</mo> </mrow> <mn>2</mn></msup><mo>]</mo> </mrow> <mrow><munderover> <mi>Σ</mi> <mrow><mi>k</mi><mo>=</mo><mn>1</mn> </mrow> <mi>C</mi></munderover><mi>exp</mi><mo>[</mo><mo>-</mo><mfrac> <mn>1</mn> <mn>2</mn></mfrac><msup> <mrow><mo>(</mo><mfrac> <mrow><mi>x</mi><mo>-</mo><msub> <mi>m</mi> <mi>jk</mi></msub> </mrow> <msub><mi>σ</mi><mi>jk</mi> </msub></mfrac><mo>)</mo> </mrow> <mn>2</mn></msup><mo>]</mo> </mrow></mfrac><mo>,</mo> </mrow>]]></math> id=icf0001 file=A2009100278450002C1.tif wi=57 he=23 top= 115 left = 33 img-content=drawing img-format=tif orientation=portrait inline=yes/></maths>其中mjk为第k类别中不同特征参数的均值，σjk为第k类别中不同特征参数的方差，1＜j＜J，1＜k＜C，J为训练样本的特征参数个数，C为待判别信号即训练样本的类别数，j、k、J、C都为自然数，下同；形成隶属函数μ之间的模糊关系矩阵R<maths id=math0002 num=0002 ><math><![CDATA[ <mrow><mi>R</mi><mo>=</mo><mfenced open='[' close=']'> <mtable><mtr> <mtd><msub> <mi>μ</mi> <mn>11</mn></msub> </mtd> <mtd><msub> <mi>μ</mi> <mn>12</mn></msub> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><msub> <mi>μ</mi> <mrow><mn>1</mn><mi>C</mi> </mrow></msub> </mtd></mtr><mtr> <mtd><msub> <mi>μ</mi> <mn>21</mn></msub> </mtd> <mtd><msub> <mi>μ</mi> <mn>22</mn></msub> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><msub> <mi>μ</mi> <mrow><mn>2</mn><mi>C</mi> </mrow></msub> </mtd></mtr><mtr> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd></mtr><mtr> <mtd><msub> <mi>μ</mi> <mrow><mi>J</mi><mn>1</mn> </mrow></msub> </mtd> <mtd><msub> <mi>μ</mi> <mrow><mi>J</mi><mn>2</mn> </mrow></msub> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><msub> <mi>μ</mi> <mi>JC</mi></msub> </mtd></mtr> </mtable></mfenced><mo>,</mo> </mrow>]]></math></maths>(3-2)采用步骤3-1中的隶属函数μjk(x)计算训练样本的第j个特征参数相对于第k类别的平均模糊熵，即<maths id=math0003 num=0003 ><math><![CDATA[ <mrow><msub> <mi>H</mi> <mi>jk</mi></msub><mrow> <mo>(</mo> <mi>μ</mi> <mo>)</mo></mrow><mo>=</mo><mfrac> <mn>1</mn> <mi>N</mi></mfrac><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><mi>S</mi><mrow> <mo>(</mo> <msub><mi>μ</mi><mi>jk</mi> </msub> <mrow><mo>(</mo><msup> <mi>x</mi> <mi>i</mi></msup><mo>)</mo> </mrow> <mo>)</mo></mrow><mo>,</mo> </mrow>]]></math></maths>上式中的N为训练样本的样本数，1≤i≤N，xi表示第i个训练样本的特征参数矢量，i、N都为自然数下同，S(ujk(xi))为模糊熵为S(μjk(xi))＝-μjk(xi)ln(μjk(xi)-[1-μjk(xi)]ln[1-μjk(xi)]；(3-3)采用步骤3-2所述的平均模糊熵Hjk(μ)得出训练样本的第j个特征参数的有效性度量系数Wj<maths id...
【专利技术属性】
技术研发人员：邓艾东，赵力，包永强，
申请(专利权)人：邓艾东，赵力，包永强，
类型：发明
国别省市：84
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。