风力机叶片疲劳裂纹AE信号的小波变换优化方法

为实现风力机叶片的及时有效地监测和维护,使用声发射技术采集疲劳裂纹信号,从而提取裂纹特征。而声发射信号的突发性和冲击性需要具有时频分析能力的信号处理方式来提纯和降噪,小波变换方法作为常用的时频处理方式油漆有效性,但是现有的小波基函数不足以适应该信号的分析。提出基于Shannon熵理论计算疲劳裂纹扩展的声发射信号的小波基函数带宽参数,得到最适合此裂纹声发射信号的Morlet小波基函数,计算优化基函数的小波,获得风力机疲劳裂纹特征成分在时间尺度平面的高幅值能量分布。实验研究表明,优化小波基的方法具有很好的时频聚集性和抗噪能力,实现了风力机叶片裂纹声发射信号的时频特征清晰准确的提取。     

基于小波能谱系数的风力机疲劳裂纹特征

提出了风力机叶片裂纹扩展声发射信号的优化小波重分配尺度谱及小波能谱系数相结合的分析法。基于Shannon熵理论计算裂纹扩展声发射信号的重分配尺度谱小波基函数带宽参数,得到最适合裂纹声发射信号的Morlet小波基函数。用优化后的小波基函数计算重分配尺度谱,获得裂纹扩展特征成分在时间尺度平面的高幅值能量分布,利用特征能谱系数表征其重分配尺度谱的特征。实验结果表明,该方法有良好的时频聚集性和抗噪能力,实现了风力机叶片裂纹扩展声发射信号的时频特征提取,得到了能谱系数作为特征向量表示信号特征。该方法可用来实现风力机叶片在复杂环境中的模式识别。     

风力机叶片裂纹的动态扩展特性研究

首先推导了风力机叶片裂纹尖端塑性区的应力强度因子,确定了影响裂纹扩展的主要因素,然后根据裂纹扩展时的声发射信号特性,探讨了声发射信号的特征提取方法。在试验中分析了不同试件的裂纹形貌特性,并针对采集的裂纹扩展声发射信号,比较了不同小波基函数对声发射信号特征提取的影响,提取了裂纹动态扩展的特征频率,从而建立了声发射特征参数与声发射源之间的关联机制,为风力机叶片状态监测和早期预警提供理论依据。     

基于声发射和神经网络的风机叶片裂纹识别研究

提出一种对风力机叶片裂纹声发射信号进行模式识别的方法。该方法以叶片无裂纹、萌生裂纹、扩展裂纹和断裂四个阶段为声发射源的四个模式,基于声发射信号含有丰富的发射源信息的特点,通过大量采样获得叶片裂纹声发射信号参数,并依照叶片裂纹声发射参数分析的数值特点确定BP神经网络,用选定的网络对叶片裂纹阶段进行模式识别,以判断裂纹的危害程度。仿真结果表明,利用BP神经网络可以对声发射信号进行有效识别,识别准确率达到90%以上。     

风机叶片复合材料裂纹损伤的声发射实验研究

利用声发射技术实现监测和破坏识别,关键在于提前获得各种破坏形式的声发射信号特征.针对这一目的,设计了风力机叶片常见破坏位置的撕裂破坏试件,通过对同种材料(“1-4”材料)的两种破坏模式(Ⅰ型裂纹,Ⅱ型裂纹)进行比对分析,研究表明,同种材料铺层(“1-4”材料)的Ⅰ型裂纹、Ⅱ型裂纹呈现出不同的特征参数.Ⅰ型裂纹破坏后断面上玻璃纤维断裂和层合板基体脱胶,Ⅱ型裂纹破坏后的断面上纤维是基本完好的,被撕开的是层合板基体.可以利用该结论有效地对风力机叶片同种材料(“1-4”材料)的两种破坏模式(Ⅰ型裂纹,Ⅱ型裂纹),为声发射技术在线监测风力机叶片材料提供了一种新的途径.     

金属裂纹扩展声发射信号特性研究

机械结构件中的应力集中使得结构极易产生裂纹并逐渐扩展,裂纹扩展时伴有声发射信号,因此有必要对结构件中裂纹扩展时的声发射信号进行特征研究。为研究金属板件中的裂纹声发射源特征行为,通过分析板件中的裂纹声发射源,从理论上推导了裂纹声发射的幅值和频率特征表达式。在裂纹扩展过程中,金属板件的裂纹声发射信号幅值与声发射源的开裂长度和拉伸应力的乘积成正比,频率与裂纹开裂速度成反比,且与裂纹开裂长度成正比。用声发射检测系统对预制有初始裂纹的金属板件进行拉伸状态下的声发射监测,通过对声发射信号求取功率谱密度估计,实现不同声发射信号以功率谱在频域的分布为信号特征的有效区分。实验结果与理论分析相符合,研究结果对金属板件的裂纹声发射检测技术具有重要意义。     

适于声发射信号故障特征提取的小波函数

小波分析具有很强的弱信号检测能力,适于提取声发射信号的故障特征,但是在目前声发射信号的小波分析中,所普遍采用的小波函数诊断效果欠佳,亟需改进和优化.在分析典型机械故障声发射信号特征的基础上,根据损伤型声发射信号故障特征的提取原理,通过连续小波基函数的构造方法,设计了一种适于声发射信号故障特征提取的小波基函数.将该函数与普遍使用的Daubechies小波同时用于声发射检测的滚动轴承损伤类型及部件的识别,结果表明前者的诊断效果更加清晰、准确、可靠.理论分析和试验研究均证明了所构造小波函数的科学性和有效性.     

基于时频冲击原子分解的风力机叶片早期故障分析

介绍一种自适应的基元函数选择方法,基于指定原子字典的具有冲击特性时频原子,基元函数的确定使得原有信号的原子分解即可以处理稳态正弦成分也可以处理冲击成分。有效地匹配模拟冲击信号中的冲击故障特征,且有效去除了噪声,并结合遗传算法提高了运算速度,从而在工程领域更具有实用价值。最后,将该方法应用于实验风力机叶片的监测早期故障所采集到的声发射信号特征提取中,证明了该方法的工程实用性和有效性。     

拉深件成型裂纹的非平稳信号处理及状态识别

为了对金属拉深件成型时裂纹所产生的非平稳信号进行处理,最终提取到声发射信号的特征参数,从而进行金属制件的状态识别,首先,以Matlab数据处理软件为工具,采用小波包分析对金属板料拉深成型实验中采集到的声发射信号进行多维正交分解；然后,对信号进行平滑、消除趋势项、差分处理得到平稳信号,剔除了噪声信号带来的影响;最后,采用时序分析建立各分解信号的自回归模型以提取声发射信号的特征参数,以此进行制件的状态识别,并通过实验加以验证.研究结果表明,通过此方法将金属拉深制件成型时裂纹的非平稳信号转换为平稳信号,再经时序分析提取到了声发射信号的特征参数及其分布图,根据其分布图能够判定金属制件有无裂纹状态.     

声发射技术在疲劳裂纹检测中的应用

主要讨论了声发射技术应用于疲劳裂纹的检测.根据疲劳裂纹的信号特征及测试场合,选用合适的疲劳裂纹检测方法,结合板簧疲劳裂纹试验机上的实验分析,得出声发射技术应用于疲劳裂纹检测的优势.     

风力机叶片多裂纹扩展声发射信号的特征识别

针对风力机叶片蒙皮多裂纹难以状态识别的问题,根据裂纹扩展释放能量的过程,推导主裂纹扩展AE信号的表达式,从而明晰了主裂纹扩展的AE信号特性及其与应力变化之间的关联。由于多裂纹扩展AE信号为卷积混合模型,提出一种对具有非平稳、非线性特性的卷积混合AE信号特征提取的方法,以输出信号的广义能量作为目标函数得到盲解卷的滤波器迭代式,采用Godard算法通过输出信号与估计值的误差调整滤波器系数,并根据相似系数选择适当的非线性函数以减少采集设备对AE信号的影响。最后在裂纹扩展试验中,预制不同尺寸的多缺陷,对叶片试件同时施加激振载荷和循环载荷,每间隔一定的循环次数采集不同状态的AE信号,同时采用具有非全局性的瞬时频率和特征尺度来识别多裂纹在不同扩展状态下的特征,从而明晰了信号特征与多裂纹生存状态的关联,形成了识别多裂纹复合材料损伤的评价机制。     

基于改进稀疏编码的微弱振动信号特征提取算法

针对强噪声环境下难以有效提取微弱振动信号特征的问题,提出了基于改进字典学习和移不变分量过滤(IDL-SICF)的稀疏编码振动信号特征提取算法。首先,将振动信号进行分段和平滑预处理以降低数据处理复杂度,接着利用改进的字典学习和高效系数求解算法构建基于移不变稀疏编码的自适应滤波器,然后过滤字典原子重构的移不变分量以获得表征信号本质特征的最优基函数,取最优基函数对应的移不变分量的特征频率强度作为评价信号特征提取效果的优劣。仿真和实测数据的试验结果表明,相比于现有微弱振动信号提取算法,提出的算法具有更强的特征提取能力,在实际应用中具有较高的可行性。     

EEMD和TFPF联合降噪法在齿轮故障诊断中的应用

为了消除噪声对齿轮传动系统故障特征提取的影响,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,简称EEMD)和时频峰值滤波(time-frequency peak filtering,简称TFPF)相结合的降噪方法。针对TFPF算法在窗长的选择方面受到限制的问题,采用了EEMD方法对其进行改进,使得信号在噪声压制和有效信号保真两方面得到权衡;含噪声的信号经过EEMD分解后,得到一系列频率成分从高到低的本征模态函数(intrinsic mode functions,简称IMFs),计算出各IMFs间的相关系数,判断需要滤波的IMFs。对不同的IMFs选择不同的窗长进行TFPF滤波,把过滤后的IMFs和剩余的IMFs重构得到最终的降噪信号。用模拟仿真信号和齿轮齿根故障信号对该方法进行验证,可见EEMD+TFPF能有效地去除噪声,成功提取齿根裂纹故障特征。     

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。     

变风速条件下风力机轴承故障特征提取

针对风速变化条件下风力发电机轴承故障特征的检测问题,提出了一种基于灰狼优化( GWO )和双稳态杜芬振荡器的随机共振( SR )的故障特征提取方法.首先,根据风速估计故障特征信号的频率,通过合适的采样频率采集风力发电机的振动信号并对采集的信号做归一化处理.随后,根据风速尺度引入变换系数对频率 时间尺度进行变换.此外,利用灰狼算法方法将杜芬振子的阻尼比和系统参数调整到最优值.最后,通过杜芬系统和尺度恢复获得可识别信号.结果表明,所提出的方法能提取原始信号中的故障特征信号.     

航空发动机叶片实时成像自动检测技术研究

为了实现航空发动机叶片X射线实时成像自动检测,以基于平板探测器的X射线实时成像系统为研究对象,根据射线实时成像的特点,对航空发动机叶片缺陷的提取技术进行了研究。根据航空发动机叶片X射线数字图像灰度变化的特点,将叶片图像划分为6个区域,分别进行基于扫描线的自适应中值滤波模拟出缺陷的背景:将原始图像与背景图像相减,获得背景平坦、缺陷突出的差值图像;通过对差值图像进行阈值分割,实现对缺陷的分离;用数学形态学的开运算对缺陷图像滤波以去除噪声;为保证缺陷的准确性,用区域生长法重新生长出缺陷:最后提取出缺陷的特征参数。将缺陷提取的结果和人工评片的结果比较,证明这种方法是准确、有效的,为实现航空发动机叶片X射线自动检测打下了良好的基础。     

基于局部投影算法的齿轮故障声信号特征提取

局部投影算法采用延时坐标将时间序列进行相重构,在高维的相空间上采用局部投影的方法将相空间分解成正交的子空间,通过子空间中吸引子特性的不同来分离时序中的背景信号和弱特征信号分量。提出将局部投影算法用于设备故障声信号的降噪,通过齿轮故障信号的特征提取实验证实该方法用于识别设备故障的有效性。     

基于多尺度张量分解的点云结构特征提取

针对传统点云处理算法弱特征提取与抗噪声能力之间的矛盾,提出了一种基于多尺度张量分解的点云结构特征提取算法。首先,利用张量矩阵奇异值分解进行采样点特征显著性编码;然后,将法向(切向)一致性测度与罗曼诺夫斯基准则相结合求取采样点最优邻域,以提高采样点特征识别的可靠性;最后,利用最小生成森林进行特征点遍历,构建点云结构特征曲线。实验结果表明,该算法可以实现复杂点云结构特征的有效识别。     

基于小波和神经网络的视觉诱发电位识别方法

在基于瞬态视觉诱发电位的脑机接口研究中，通过视觉诱发电位信号的提取与识别产生脑机接口控制信号。采用累加平均和小波滤波提取强噪声背景下微弱的视觉诱发电位。在小波变换域求取特征向量，将特征向量输入感知器进行视觉诱发电位模糊识别，产生脑机接口控制信号。实验表明，小波变换域特征向量提取方法能有效地实现信号的去噪、降维和特征提取，基于神经网络的模糊识别算法能比较准确地识别视觉诱发电位，有利于提高脑机接口的通讯率。