news 2026/5/27 23:51:02

针对变转速工况下等时间增量采集的时变信号特征信息不全面、不完整且频谱分析无效的问题。 将角域重...

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
针对变转速工况下等时间增量采集的时变信号特征信息不全面、不完整且频谱分析无效的问题。 将角域重...

针对变转速工况下等时间增量采集的时变信号特征信息不全面、不完整且频谱分析无效的问题。 将角域重采样与随机共振方法结合,在获取同步转速条件下,提出一种基于角域重采样的变转速滚动轴承故障特征提取方法。 用重采样将时变振动信号转换为角域循环平稳信号,通过自适应随机共振方法增强重采样信号,使角域故障特征明显增强。 提出角域采样频率计算公式,解决重采样信号在阶次变换时采样频率不确定问题,获得阶次表达明显改善的阶次谱从而实现变转速滚动轴承的故障特征提取。

变转速工况下的轴承故障检测就像在高速公路上用手机拍车牌——车速忽快忽慢,拍出来的照片全是模糊的。传统等时间采样方法在这个场景下直接歇菜,时域信号支离破碎,频谱图更是变成了一锅粥。这时候就得换个思路:既然转速在变,咱们就按转动的角度来采样!

先看个实际例子。假设轴承转一圈振动信号有10个特征点,当转速从30Hz降到15Hz时,固定时间采样会出现什么情况?前半段采样点密集到挤成一团,后半段稀疏得能跑火车。这时候掏出角域重采样这把瑞士军刀,把时域信号转换成角域等间隔信号,相当于把歪七扭八的波形图重新"熨平"。

def resample_by_angle(time_signal, tachometer, original_fs): angle_positions = np.cumsum(tachometer) # 累计转动角度 new_angle = np.linspace(0, angle_positions[-1], len(time_signal)) resampled_signal = np.interp(new_angle, angle_positions, time_signal) angle_fs = calculate_angle_fs(tachometer) # 关键公式出场 return resampled_signal, angle_fs # 角域采样频率计算公式实现 def calculate_angle_fs(tachometer): mean_rpm = np.mean(tachometer) * 60 / (2*np.pi) order_bandwidth = 5 # 根据实际需求调整 return 2 * order_bandwidth * mean_rpm / 60

这个重采样过程相当于给信号做了个"角度标准化",但转换后的信号依然可能像被掐着脖子说话——特征微弱。这时候就该随机共振上场表演了。不同于常规的滤波去噪,这招是反其道而行之,用噪声的能量来增强特征信号,相当于给微弱的心电图加上扩音器。

自适应参数调节是这里的精髓。就像老司机开车,得根据路况实时调整方向盘。我们设计了一个自动寻优策略,让系统参数跟着信号特征动态变化:

class AdaptiveSR: def __init__(self, signal): self.a = 0.5 # 初始参数 self.b = 1.0 self.signal = signal def tune_parameters(self): # 用滑动窗口计算局部信噪比 window_size = 1000 snr_list = [] for i in range(0, len(self.signal), window_size//2): segment = self.signal[i:i+window_size] snr = self._calculate_snr(segment) snr_list.append(snr) # 根据SNR变化调整参数 self.a *= 0.9 if np.mean(snr_list[-3:]) < 5 else 1.1 self.b = 1.5 - 0.1 * np.mean(snr_list) def _calculate_snr(self, segment): # 简化的信噪比计算 fft_vals = np.fft.fft(segment) max_peak = np.max(np.abs(fft_vals[:len(fft_vals)//2])) noise_floor = np.median(np.abs(fft_vals[:len(fft_vals)//2])) return 20 * np.log10(max_peak/noise_floor)

经过这两板斧处理,最后在阶次谱上就能看到脱胎换骨的变化。原来的频谱图像被马赛克处理过,现在则像换了高清镜头——故障特征阶次直接从背景噪声中跳出来。比如某轴承外圈故障特征阶次应该是3.2倍转频,改造后的阶次谱上这个位置就像黑夜里的灯塔一样醒目。

实战中发现几个有意思的现象:当转速变化率超过15%时,传统方法完全失效,但我们的方法依然坚挺;处理后的信号信噪比平均提升了8-12dB;更妙的是,自适应机制让算法在不同工况下都有稳定表现,就像给检测系统装上了自动挡。

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/5/26 4:50:02

路由器的5G和手机上的5G是一个意思吗?深度解析两大区别

5G这个词&#xff0c;它既出现在路由器的宣传中&#xff0c;也贯穿于手机的标志上。那这两个5G是相同的吗&#xff1f;本文将带你深入了解。本质上的不同尽管名称相似&#xff0c;但这两是完全不同的两种技术。手机上的5G指的是第五代移动通信技术&#xff0c;是继4G之后的下一…

作者头像 李华
网站建设 2026/5/26 7:09:10

React(一):使用react-router构建导航应用

前言由于C#用的真的太舒服了&#xff0c;导致我其它语言其它框架都只是浅浅的了解一下&#xff0c;没写过多少代码&#xff0c;就偶尔用下Python。现在AI时代其实熟练了一门语言&#xff0c;去学习其它语言其它框架其实是很方便的&#xff0c;AI就是最好的老师&#xff0c;基础…

作者头像 李华
网站建设 2026/5/26 18:07:08

NoneBot2驱动器性能对比:5种驱动引擎深度测评与选择策略

NoneBot2驱动器性能对比&#xff1a;5种驱动引擎深度测评与选择策略 【免费下载链接】nonebot2 跨平台 Python 异步聊天机器人框架 / Asynchronous multi-platform chatbot framework written in Python 项目地址: https://gitcode.com/gh_mirrors/no/nonebot2 你是否在…

作者头像 李华
网站建设 2026/5/27 9:03:46

高效FLARE-VM配置指南:搭建专业级逆向工程环境

在逆向工程和恶意软件分析领域&#xff0c;一个功能完整、配置得当的分析环境是提高工作效率的关键。FLARE-VM作为专为安全研究人员设计的虚拟机环境配置工具&#xff0c;通过自动化安装和智能配置&#xff0c;让你快速拥有一个专业级的分析工作站。本指南将带你深入了解FLARE-…

作者头像 李华
网站建设 2026/5/26 5:50:59

从菜鸟到专家,网络安全工程师必备证书,如何报考?

网络空间的竞争&#xff0c;归根结底是人才的竞争。 在2022年网络安全周上&#xff0c;《网络安全人才实战能力白皮书》正式发布。数据显示&#xff0c;到2027年&#xff0c;我国网络安全人员缺口将达327万&#xff0c;而高校人才培养规模仅为3万/年。 那么&#xff0c;如果你…

作者头像 李华