[发明专利]磁声发射信号无量纲特征参数提取方法

说明书

本发明公开了一种磁声发射信号无量纲特征参数提取方法，通过Unwinding AFD算法将信号分解为单分量函数，通过选择能量差较小的单分量函数组成重构信号；在不同励磁条件下分别提取低周疲劳状态和高周疲劳状态下的磁声发射信号传统特征参数和无量纲特征参数，通过归一化处理，将传统特征参数与无量纲特征参数进行对比，取得无量纲特征参数对早期故障微观组织结构状态和应力状态分析结果。本发明克服了传统声发射信号特征参数振铃计数受门限值大小的影响；又解决了有效值电压作为特征参数对早期故障不敏感的问题。能更精细、准确的描述磁声发射信号变化，能够做到对磁声发射信号进行很好的分析，从而指导相关的无损检测技术现场的实际应用。

技术领域

本发明涉及一种磁声发射信号提取技术，特别涉及基于自适应Fourier分解的磁声发射信号无量纲特征参数提取方法。

背景技术

磁声发射技术作为一种新型磁性无损检测技术，其在铁磁性金属材料早期疲劳状态检测方法展现出极大的潜力。目前针对磁声发射信号处理提取的特征参数主要有：振铃计数、幅度和有效值电压，其中有效值电压用来表征磁声发射信号的能量，振铃计数以及幅度用来表征磁声发射信号的强度。但是，振铃计数受到门限值大小的影响，而有效值电压对于铁磁性材料早期疲劳状态并不敏感，这就使得我们的磁声发射信号并不能很好地材料的微观组织结构和应力状态的变化状态，从而很难实现将磁声发射技术用于材料早期疲劳状态的快速检测。其次，与声发射信号相比，磁声发射信号较弱，幅度也偏低，容易被外部的因素所干扰，对磁声发射的现场应用具有很大的制约作用。

澳门大学数学系钱涛教授经过潜心钻研提出了一种新的数学变换，称之为自适应傅里叶分解，其具有比传统傅里叶变换收敛速度快且能表达瞬时频率的特点。钱涛^[1]提出自适应Fourier分解算法是贪婪算法(匹配追踪)的变异和实现，适用于Hardy H²和L²空间。将自适应Fourier分解算法应用于给定信号，可获得基本信号中的一系列扩展，称为单分量，其具有非负分析相位导数(函数)，或等效地、有意义的瞬时频率。与贪婪算法一致的原理表明，自适应Fourier分解算法产生(预)单组分系列具有有效的能量衰减，这也导致在计算机运行时间方面的有效逐点收敛。钱涛^[2]将Hardy空间中的函数分解成正交有理系统{B_n}中基本函数的线性组合，这些组合是移位Cauchy核的Gram–Schmidt正交化过程中得到的，而这就使得有限能量的四元数值信号能够自适应分解。钱涛^[3]对该方法的进一步深究是自适应傅里叶分解研究的延续，它在不是平稳光滑的温和条件下提供收敛速率，因此结果表明在平均意义上对应于傅里叶级数的参数的选择是最优的，同时还提出了自适应有理正交系统与移位Cauchy核及其导数的相关序列之间的变换矩阵。Liming Zhang^[4]提出了基于自适应傅里叶分解算法的时频分析方法，文章从三个方面介绍了基于AFD的时频分析原理：瞬时频率分析，频谱分析和频谱图分析，并且进行了实验，将傅里叶变换的收敛速度和短时傅里叶变换的时频分布进行了比较，结果表明所提出的方法比傅立叶变换和短时傅里叶变换都表现得更好。Jonathan Chauvin^[5]提出了自适应滤波器上的傅立叶基分解系数的方法，该分解是基于物理的发动机动力学时变模型设计的，在连续和离散情况下使用Lyapounov函数证明了收敛性，并且介绍了实验的测试平台和开发环境。梁瑜^[6]采用自适应傅里叶分解算法，将滚动轴承振动信号分解为一系列单一分量信号的同时计算每一个单分量的峭度，然后将结果从由大到小进行排列，找到其稳定的拐点，最后对找到的稳定拐点前的所有分量信号求和然后作共振解调以此作为滚动轴承故障的方法，通过研究发现该方法相较于传统的共振解调方法能够更加有效地诊断出滚动轴承的故障。胡爱军等人^[7-8]利用EEMD将滚动轴承振动信号进行分解，并根据峭度最大准则选取分解后的IMF进行包络解调，从而有效地提取故障特征信息。苏文胜^[9]采用基于互相关系数和峭度准则的EMD降噪对滚动轴承信号进行预处理，突出高频共振成分,可以更好地诊断滚动轴承早期故障。刘德军^[10]针对串联电弧故障主线路电流检测方法易受非线性负载额定电流波形影响的问题，根据电导和极化过程产生介质损耗电流的原理，提出一种基于剩余电流采集和峰值脉冲指标识别的检测方法。有量纲特征参数虽然会随着损伤的发展而变化，但是易受到工作条件的影响，而无量纲特征参数不易受到工作状况的影响，能够更好地反映疲劳状态下磁声发射信号的信号特征。峭度指标和脉冲指标对冲击脉冲类疲劳损伤比较敏感，当早期疲劳损伤发生时，大幅度脉冲不多，因此均方根值变化不明显，但是这两个特征参数值显著上升。随着疲劳损伤的发展反而会下降，这就表示它们对早期疲劳损伤敏感但是稳定性不太好，而均方根值对早期疲劳损伤不太敏感，但是稳定性较好。张清华^[11]提出无量纲特征参数(Dimensionless characteristic parameter)由两个具有相同量纲量的比值构成，用其表达某一特定体系时具有一定的物理意义。解云峰等^[12]通过遗传编程的方法对既有参数进行了重新组合和优化，提出了一个新的无量纲指标N(N＝(K_v+C_f)²-2C_lfI_f；K_v为峭度指标、C_f为峰值指标、C_lf为裕度指标、I_f为脉冲指标)，将提出的信的无量纲指标用于旋转机械的并发故障诊断，结果表明该参数对文中所列的几种并发故障能够达到比较好的识别效果。