[发明专利]转子碰摩声发射信号识别方法

说明书

技术领域

本发明涉及一种声发射信号的识别方法，特别是涉及一种基于Hurst指数与近似熵的转子碰摩声发射信号识别方法。

背景技术

旋转机械动静件间由于运行过程中不平衡、不对中、热弯曲等因素而发生的碰摩是比较常见的典型故障。为提高旋转机械的效率，旋转机械设计中动静件间的配合间隙日趋减小，这使得旋转机械的运行效率得到提高的同时，动静件间的碰摩问题更加突出。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。转子系统中动静件间发生碰摩时会引起碰摩处动静件弹性应变而产生声发射，该声发射蕴涵了丰富的碰摩信息，而用声发射法进行碰摩故障监测诊断具有特征频率明显、频谱范围宽、检测装置简单、可靠性高、体积小、抗干扰性好、适用于现场检测等特点，使得声发射技术适合机组运行过程中的动静件碰摩故障的识别。但由于声发射容易受到旋转机械运行中产生的各种强噪声干扰，且碰摩声发射信号在传播过程中由于频散效应容易产生畸变失真，使得对感兴趣的碰摩声发射信号的识别就变得更加困难。目前对转子碰摩声发射识别方法的研究还不够深入，因此基于声发射技术的碰摩故障诊断还没能发挥应有的作用。提高和改进声发射信号分析能力，研究更加有效的声发射源特征识别方法，是推动声发射技术应用的关键。

发明内容

本发明主要从Hurst指数与近似熵能够表征不同碰摩强度下声发射信号物理意义的特点出发，提出了一种碰摩声发射信号的识别方法。

本发明采用如下技术方案：

本发明基于Hurst指数与近似熵的转子碰摩声发射信号识别方法，包括以下步骤：

(1)采用碰摩声发射实验装置获得多组碰摩声发射信号；

(2)按照改进的Hurst指数提取方法提取步骤1所述的碰摩声发射信号的Hurst指数，并提取其近似熵。并将Hurst指数与近似熵共同组成识别碰摩声发射信号的混合特征参数；

(3)将步骤2所述的碰摩声发射信号的Hurst指数与近似熵作为BP神经网络的输入向量进行训练，得到训练完毕的BP神经网络；

(4)按步骤2所述提取待识别的碰摩声发射信号的Hurst指数与近似熵，将其输入到步骤3所述的训练完毕的BP神经网络中，根据神经网络的输出识别声发射信号的碰摩状态。设定BP神经网络输出(1，0，0)对应无碰摩、(0，1，0)对应轻微碰摩、(0，0，1)对应强碰摩。

本发明的优点和效果在于：

1.改进了提取碰摩声发射信号Hurst指数的计算过程，使得Hurst指数值更为精确。

2.选取Hurst指数与近似熵共同组成识别碰摩声发射信号的混合特征参数，并与具有很强的模式识别能力的神经网络相结合，从而有效地提高了系统的识别率。

本发明的其他优点和效果将在下面继续描述。

附图说明

图1——基于Hurst指数与近似熵的碰摩声发射信号识别方法总体流程图；

图1(a)——训练阶段示意图；

图1(b)——识别阶段示意图；

图2-1——碰摩声发射试验装置；图2-2——碰摩装置的结构示意图；

1-电机；2-增速箱；3-联轴器；4-轴承；5-第一轴承座；6-碰摩装置；7-底座；8-转盘；9-轴；10-第二轴承座；21-定子；22-支架；23-螺栓。

图3(a)～(c)——不同碰摩状态下的声发射波形图，

图3(a)无碰摩时声发射波形图，图3(b)轻微碰摩时声发射波形图，图3(c)强碰摩时声发射波形图；

图4(a)～(d)——某组无碰摩声发射信号Hurst指数拟合图，

图4(a)第一段直线拟合，图4(b)第二段直线拟合，图4(c)第三段直线拟合，图4(d)第四段直线拟合；

图5(a)～(d)——某组轻微碰摩声发射信号Hurst指数拟合图，

图5(a)第一段直线拟合，图5(b)第二段直线拟合，图5(c)第三段直线拟合，图5(d)第四段直线拟合。

图6(a)～(d)——某组强碰摩声发射信号Hurst指数拟合图，

图6(a)第一段直线拟合，图6(b)第二段直线拟合，图6(c)第三段直线拟合，图6(d)第四段直线拟合。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

图1是基于Hurst指数与近似熵的碰摩声发射信号识别方法总体流程图。本方法包括以下步骤：

(1)采用碰摩声发射实验装置获得多组碰摩声发射信号；