助基于磁梯度张量的金属磁记忆检测方法

金属磁记忆是对铁磁材料早期微观损伤及应力集中进行无损检测的有效方法。为提高磁记忆检测的可靠性,充分利用磁记忆信号的矢量信息,将磁梯度张量测量及分析方法引入磁记忆检测中。根据张量缩并分析理论得到了磁记忆信号的磁梯度张量模量,通过求解梯度局部相位的一阶导数得到信号的梯度局部波数,然后分析信号的磁梯度张量模量和梯度局部波数分布特征,得到磁梯度模量和梯度局部波数极值点分别与应力集中边界和中心位置的对应关系。实验结果表明：磁梯度张量方法能够克服检测方向与缺陷夹角变化对测量信号的影响,准确地对应力集中进行判断。     

基于磁梯度张量的金属磁记忆检测方法

金属磁记忆是对铁磁材料早期微观损伤及应力集中进行无损检测的有效方法。为提高磁记忆检测的可靠性,充分利用磁记忆信号的矢量信息,将磁梯度张量测量及分析方法引入磁记忆检测中。根据张量缩并分析理论得到了磁记忆信号的磁梯度张量模量,通过求解梯度局部相位的一阶导数得到信号的梯度局部波数,然后分析信号的磁梯度张量模量和梯度局部波数分布特征,得到磁梯度模量和梯度局部波数极值点分别与应力集中边界和中心位置的对应关系。实验结果表明:磁梯度张量方法能够克服检测方向与缺陷夹角变化对测量信号的影响,准确地对应力集中进行判断。     

随机共振降噪下的齿轮微弱故障特征提取

针对强背景噪声下的齿轮微弱故障特征提取问题,提出了一种将级联单稳随机共振与经验模式分解(EMD)-Teager能量算子解调方法相结合的特征提取方法。首先对含噪故障信号进行随机共振输出,降噪后再进行经验模式分解,分解得到具有不同特征时间尺度的固有模态函数(IMFs),最后通过Teager能量算子解调方法求取每个有效IMF分量的幅频信息,从而提取齿轮微弱故障特征。仿真分析和实际测试结果均表明,通过随机共振降噪后,该方法能有效检测出齿轮局部损伤故障特征频率。     

基于金属磁记忆信号垂向特征分析的损伤状态识别

金属磁记忆是一种可对铁磁材料早期微观损伤进行有效诊断的无损检测技术。为消除磁记忆信号不确定影响因素,提高损伤状态识别的准确率,引入了磁梯度张量和磁场垂向特征分析方法。首先,利用磁梯度张量测量方法获取磁场完整的变化信息,为克服检测方向选取对检测信号的影响,利用磁场不变特征量-总梯度模量来判断损伤及损伤区的边界位置;然后,通过测量不同高度下总梯度模量的平面分布,得到总梯度模量的垂向分布特征;最后,分析了不同损伤的边界处总梯度模量的垂向分布特征差异。理论分析和实验结果表明,在提离高度逐渐增大过程中,裂纹边界处的磁梯度张量振幅的衰减速度和幅度远大于应力集中作用的结果,根据磁记忆信号的垂向特征,可有效地识别损伤状态。     

基于磁记忆技术的高温蒸汽管道无损检测

为了确保电厂高温蒸汽管道的安全运行,使用一种基于磁记忆的无损检测技术对高温蒸汽管道的缺陷及其位置进行早期诊断。首先,使用TSC-1M-4磁记忆检测仪检测45号钢试件,分析了试件漏磁场梯度曲线的分布特征;然后,检测电厂在役的主蒸汽管道,根据漏磁场梯度曲线的分布特征确定了管道的应力集中区;最后,用MM-system软件分析曲线的梯度K和最大超调量m值,判断管道的应力集中区是否构成缺陷。结果表明：高温蒸汽管道磁记忆信号的梯度曲线可以反映应力集中的位置,分析磁记忆信号曲线的梯度K和最大超调量m值,可以判断应力集中区域是否构成缺陷。     

基于幂函数型双稳随机共振的故障信号检测方法

在实际的故障诊断中,有用信号经常淹没在噪声中,特征信息提取非常困难。为了提取强噪声背景中的微弱信号,将幂函数型单势阱模型与Gaussian Potential模型相结合提出一种新型的双稳随机共振系统,称为幂函数型双稳随机共振系统。首先,以平均信噪比增益为衡量指标,提出一种寻找最优系统参数组合的算法,使微弱信号、噪声及系统产生最佳的共振效果;然后,基于幂函数型双稳随机共振系统对Levy噪声背景下的仿真信号进行检测;最后提出一种基于小波变换和幂函数型双稳随机共振的微弱信号检测方法并应用于轴承故障信号检测中。仿真实验表明,幂函数型双稳随机共振模型在故障信号检测中是有效和可靠的。     

最优品质因子信号共振稀疏分解的往复压缩机故障诊断

针对往复压缩机振动信息干扰耦合,振动信号非平稳、非线性的特性,提出了最优品质因子信号共振稀疏分解的往复压缩机故障诊断方法。该方法以信号共振稀疏分解得到的低共振分量峭度最大为目标,利用遗传算法与粒子群算法结合的混合算法对品质因子进行优化,得到最优品质因子;然后利用最优品质因子对往复压缩机振动信号进行信号共振稀疏分解,提取故障信息。实验及结果表明,该方法在往复压缩机轴承故障诊断方面效果显著。     

基于SROPL的金属管道损伤谐波检测方法研究

为解决金属管道损伤检测问题,提出一种非接触式谐波检测方法和目标信号辨识算法。首先利用调频载波构建谐波激励信号,并采用高灵敏度隧道磁阻(TMR)矢量传感器阵列进行信号采集。然后采用变尺度自适应时域随机共振(SR)增强目标信号能量,并引入量子遗传算法(QGA)对系统多参数寻优。最后通过正交锁相(OPL)与阵列融合方法抑制激励背景场,从而识别损伤源信号。建立仿真模型和室内实验平台对算法进行验证,并分析比较典型因素的影响效果。结果表明,该方法能够有效检测管道损伤并提取目标信号。     

基于信号共振稀疏分解的转子早期碰摩故障诊断方法

提出了基于信号共振稀疏分解的转子早期碰摩故障诊断方法,该方法用信号共振稀疏分解从转子系统振动信号中提取早期碰摩冲击信号。与常规的基于频带划分的信号分解方法不同,信号共振稀疏分解方法根据信号中各成分品质因子的不同,将信号分解成高共振分量和低共振分量。当转子出现早期碰摩故障时,振动信号由以转频及谐波为主要成分的周期信号、包含转子故障信息的瞬态冲击信号以及噪声组成。周期信号为窄带信号,具有高的品质因子,可分解为高共振分量;瞬态冲击信号为宽带信号,具有低的品质因子,可分解为低共振分量。利用信号共振稀疏分解方法从转子早期碰摩信号中提取冲击成分,根据冲击的周期可进行转子早期碰摩故障诊断。算法仿真和应用实例验证了该方法从转子系统中提取早期碰摩冲击信号的有效性。
     

基于粒子群优化的共振稀疏分解在轴承故障诊断中的应用

共振稀疏分解是振动信号中脉冲成分提取的方法。与基于频率的信号处理方法不同,该方法同时参考频率和带宽两个因素,从而在分离信号不同成分的过程中能够很好处理信号不同成分的重叠问题。然而共振稀疏分解的分解效果受到品质因子Q、权重系数A以及拉格朗日乘子u的主观选择影响,针对此问题,将粒子群优化算法(Particle Swarm Optimization,PSO)应用到参数的选取中,通过粒子群优化算法的全局优化特点对实验参数进行自适应选取,进而实现振动信号的有效分解。将基于粒子群优化算法的共振稀疏分解应用到轴承故障信号的诊断中,证实了该方法的有效性。     

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

针对冲击信号阱内共振的特点、随机共振系统参数合理选取缺乏有效的理论依据以及传统自适应随机共振单参数优化的不足,提出一种基于粒子群算法(Particle swarm optimization,PSO)的多参数同步优化自适应单稳态随机共振方法.该方法采用单稳态随机共振模型,避免了经典双稳系统势阱间的共振跃迁,并选用单稳态系...     

改进二维变分模态分解的磁源分离

为了解决延拓法对不同深度磁源的磁测数据进行分离时,向上延拓高度确定困难以及延拓导致深源信号损失的缺点,提出了在延拓法的基础上利用二维变分模态分解对磁性目标进行分离。首先,利用最佳延拓高度估计法对磁测数据进行第一次分离,得到分离后的局部异常与区域异常数据;然后,利用二维变分模态分解对分离后的浅源局部异常进行第二次分离,该过程无需计算延拓高度,能够自动对不同频率的磁测数据进行分离;最后,利用该方法对不同深度磁源进行识别,通过将分离得到的磁异常Bz分量数据转化为磁梯度张量数据,实现了对不同深度磁源的磁梯度张量数据进行分离,获得对不同深度磁源的识别结果。实验结果表明实测中对小尺度磁性体组合磁源(高度差为26 cm)的分离数据与单目标观测数据的互相关系数在0.9664以上。相比传统的延拓分离方法,提出的方法的分离精度更高,抗干扰能力更强。     

基于多稳态随机共振的轴承微弱故障信号检测

针对双稳态随机共振模型无法有效处理调制信号的缺点,提出了一种以包络信号为输入信号的自适应多稳态级联随机共振(adaptive multi-stable cascaded stochastic resonance,简称AMCSR)信号强化方法。首先,对振动信号进行包络解调,依据包络信号分布特点,选用与信号分布相匹配的多稳态随机共振模型;然后,以故障特征频率的频谱幅值为指标,采用蚁群算法自适应地优化随机共振模型参数;最后,以噪声为强化源和驱动信号,通过级联随机共振方法对包络信号中的故障特征频率进行逐级强化,获得故障特征成分的强化信号。对实测轴承振动信号的验证结果表明,该方法能够增强故障特征频率成分,有效地提取被其他频率成分淹没的微弱故障信号。     

基于自适应随机共振和稀疏编码收缩算法的齿轮故障诊断方法

针对强背景噪声下齿轮故障冲击特征提取问题,提出了一种基于自适应随机共振和稀疏编码收缩算法的齿轮故障诊断方法。该方法选用相关峭度作为随机共振检测周期性冲击分量的测度函数,借助遗传算法实现信号中周期性冲击特征的自适应提取;在此基础上,利用稀疏编码收缩算法对随机共振检测结果做进一步降噪处理,从而凸显冲击特征,提高故障识别精度。试验和工程实例分析结果表明,该方法可实现齿轮故障冲击特征的增强提取,为齿轮故障诊断提供依据。     

承压管道磁记忆检测缺陷信号量化数值研究

利用Ansys数值模拟软件,对含埋藏缺陷的承压管道进行磁记忆检测有限元模拟,分析磁记忆信号值在不同缺陷参数、不同应力状态下的变化规律.结果表明,磁记忆信号可以对管道埋藏型裂纹及气孔产生的应力集中进行表征,随着缺陷埋深的减小与内压载荷的增加,磁记忆信号变化幅度增大,法向梯度极值增加.通过法向和切向信号协同分析,可以实现对...     

Sparse signal decomposition method based on multi-scale chirplet and its application to the fault diagnosis of gearboxes

Based on the chirplet path pursuit and the sparse signal decomposition method, a new sparse signal decomposition method based on multi-scale chirplet is proposed and applied to the decomposition of vibration signals from gearboxes in fault diagnosis. An over-complete dictionary with multi-scale chirplets as its atoms is constructed using the method. Because of the multi-scale character, this method is superior to the traditional sparse signal decomposition method wherein only a single scale is adopted, and is more applicable to the decomposition of non-stationary signals with multi-components whose frequencies are time-varying. When there are faults in a gearbox, the vibration signals collected are usually AM-FM signals with multiple components whose frequencies vary with the rotational speed of the shaft. The meshing frequency and modulating frequency, which vary with time, can be derived by the proposed method and can be used in gearbox fault diagnosis under time-varying shaft-rotation speed conditions, where the traditional signal processing methods are always blocked. Both simulations and experiments validate the effectiveness of the proposed method.