专利名称：转子碰摩声发射信号识别方法
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。
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。
具体实施例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；(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；(如图1 (a)所示)
(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。(如图1(b)所示)以下结合附图和实施例，对本发明所述的技术方案作进一步的阐述。1、转子碰摩声发射信号的获取本例的碰摩声发射实验装置如图2-1和2-2所示。通过一安装在转子台底座7上 可移动的碰摩装置6来模拟实现动静间碰摩。电机1通过增速机2以及联轴器3驱动轴9 转动；轴9架在第一和第二轴承座5和10上，碰摩装置6安装在第一和第二轴承座5和10 之间，轴9穿在碰摩装置6定子中心。碰摩装置6上安装数4个可伸缩的螺栓23，螺栓23 沿转轴径向对着轴9中心，通过调节螺栓23进而调节定子21偏离轴心的位置来产生碰摩。本实验装置选用UT-1000传感器，频率范围60 IOOOkHz ；前置放大器增益40dB ； 声发射采集卡为18位A/D分辨率。传感器安装在第一轴承座5上，碰摩源(即碰摩装置6) 在转轴上，采样率设为1MHz，本实验装置转子的转速设定在1500r/min。在实际判别中，可 以将声发射信号分为三个类别无碰摩、轻微碰摩、强碰摩。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。2、特征参数的提取(I)Hurst指数的提取对于声发射信号时间序列{xJL，其Hurst指数的提取过程如下a)设定标度长度为n，将整个时间序列划分为长度为η的M个子序列，第m个子序 列的第t个样本元素记为，其中t = l，2，...，n;m= 1，2，...，M。 b)第m个子序列的均值为
权利要求
1.一种基于Hurst指数与近似熵的转子碰摩声发射信号识别方法，其特征在于，包括 以下步骤步骤1 获得多组碰摩声发射信号；步骤2 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；步骤3 将步骤2得到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；步骤4 将步骤2得到的碰摩声发射信号的Hurst指数与近似熵，输入到经步骤3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。
2.根据权利要求1所述的基于Hurst指数与近似熵的转子碰摩声发射信号识别方法， 其特征在于，步骤2所述的改进的Hurst指数提取方法如下a)对于声发射信号时间序列，设定标度长度n，将整个时间序列划分为长度为 η的M个子序列，第m个子序列的第t个样本元素记为xt,m，其中t = 1，2
3.根据权利要求1或2所述的基于Hurst指数与近似熵的转子碰摩声发射信号识别方 法，其特征在于所述的训练样本与待识别的碰摩声发射信号的类别包括无碰摩、轻微碰 摩和强碰摩。
4.根据权利要求1或2或3所述的基于Hurst指数与近似熵的转子碰摩声发射信号识 别方法，其特征在于，步骤4所述的根据BP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。
5.根据权利要求2所述的基于Hurst指数与近似熵的转子碰摩声发射信号识别方法， 其特征在于所述标度长度η采用2的指数方式选取，取离21最近的整数作为标度长度n， 其中i = 1，1.02，1.04，1.06，...，k，k的取值视时间序列的长度而定，2k不超过时间序列 的长度。
全文摘要
本发明公开了一种基于Hurst指数与近似熵的转子碰摩声发射信号识别方法。本发明针对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，提出将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，改进了计算碰摩声发射信号Hurst指数的方法，并建立了一个基于BP神经网络的碰摩声发射信号识别系统。本发明能较准确地识别不同碰摩强度下的声发射信号。
文档编号G06N3/02GK102052998SQ20101053645
公开日2011年5月11日 申请日期2010年11月9日 优先权日2010年11月9日
发明者蒋章, 邓艾东 申请人:东南大学