Preview

Frontier Materials & Technologies

Расширенный поиск

Сравнение основных частотно-временных преобразований спектрального анализа сигналов акустической эмиссии

https://doi.org/10.18323/2782-4039-2022-1-49-60

Полный текст:

Аннотация

В связи с интенсивным развитием спектральных методов анализа акустической эмиссии на передний план выходит проблема обеспечения наилучшего частотного и временного разрешения путем применения определенных алгоритмов частотно-временного преобразования. Основными использующимися или интегрируемыми в метод акустической эмиссии частотно-временными преобразованиями сегодня являются: оконное преобразование Фурье, вейвлет-преобразование, псевдопреобразование Вигнера – Вилля, преобразование Чои – Вильямса и псевдопреобразование Гильберта – Хуанга. Однако в литературных источниках недостаточно информации, позволяющей оценить эффективность их применения для выделения особенностей сигналов акустической эмиссии дискретного и непрерывного вида. Исходя из этого, на синтетических и реальных модельных сигналах проведен экспериментальный сравнительный анализ работоспособности обозначенных частотно-временных преобразований. Первые модельные сигналы представляли собой chirp-сигнал, идеальные синусоиды и дельта-функцию Дирака, а вторые – дискретный сигнал акустической эмиссии от источника Су-Нильсена, разложенный в акустическом канале на дисперсионные моды, и непрерывный акустический сигнал от истечения воздуха через калиброванное отверстие. Показано, что при перепаде энергии частотных составляющих порядка 25 дБ установить все контрольные особенности модельных сигналов оказались способны только преобразование Фурье и вейвлет-преобразование. Преобразования Вигнера – Вилля, Чои – Вильямса и Гильберта – Хуанга, показавшие более высокое частотно-временное разрешение, не выявили частотные составляющие низкой энергии. Поэтому их можно рекомендовать для обнаружения спектральных изменений в резонансных и дискретных сигналах, но в узком энергетическом диапазоне. Для анализа непрерывной акустической эмиссии наилучший результат продемонстрировали преобразование Фурье и вейвлет-преобразование. Однако для применения последнего требуется процедура выбора оптимальной базисной функции. Установлено, что преобразование Гильберта – Хуанга позволяет выделять флуктуации частоты, но для повышения достоверности его результатов требуется проработка способов повышения чувствительности и выделения основной информации из спектрограмм.

Об авторах

Инна Ивановна Растегаева
Тольяттинский государственный университет, Тольятти
Россия

старший преподаватель кафедры «Нанотехнологии, материаловедение и механика»



Игорь Анатольевич Растегаев
Тольяттинский государственный университет, Тольятти
Россия

кандидат физико-математических наук, старший научный сотрудник НИО-2 НИИ прогрессивных технологий



Эйнар Альбертович Аглетдинов
Тольяттинский государственный университет, Тольятти
Россия

кандидат физико-математических наук, младший научный сотрудник НИО-2 НИИ прогрессивных технологий



Дмитрий Львович Мерсон
Тольяттинский государственный университет, Тольятти
Россия

доктор физико-математических наук, профессор, директор НИИ прогрессивных технологий



Список литературы

1. Caesarendra W., Tjahjowidodo T. A Review of Feature Extraction Methods in Vibration-Based Condition Monitoring and Its Application for Degradation Trend Estimation of Low-Speed Slew Bearing // Machines. 2017. Vol. 5. № 4. Article number 21. DOI: 10.3390/machines5040021.

2. Растегаев И.А., Данюк А.В., Виноградов А.Ю., Мерсон Д.Л., Растегаева И.И. Анализ шумоподобных сигналов акустической эмиссии способами широкополосной фильтрации // Контроль. Диагностика. 2014. № 8. С. 49–55. DOI: 10.14489/td.2014.08.pp.049-056.

3. Shivani G., Vandna B. Signal Analysis for High Speed Acoustic Data Using Acoustic Emission Analysis Tool // International Journal of Science and Research (IJSR). 2015. Vol. 4. № 12. Р. 541–544. DOI: 10.21275/v4i12.nov151837.

4. Vaezi Y., Van der Baan M. Comparison of the STA/LTA and power spectral density methods for microseismic event detection // Geophysical Journal International. 2015. Vol. 203. № 3. Р. 1896–1908. DOI: 10.1093/gji/ggv419.

5. Rastegaev I.A., Merson D.L., Rastegaeva I.I., Vinogradov A.Yu. A Time-Frequency based Approach for Acoustic Emission Assessment of Sliding Wear // Lubricants. 2020. Vol. 8. № 5. Article number 52. DOI: 10.3390/lubricants8050052.

6. Чешев М.Е., Кульков Д.С. Кластерный анализ ключевых признаков акустоэмиссионных сигналов образцов горных пород. Часть 1. Обзор алгоритмов кластеризации // Вестник Кыргызско-российского славянского университета. 2019. Т. 19. № 8. С. 160–164.

7. Иванов В.И., Барат В.А. Акустико-эмиссионная диагностика. М.: Спектр, 2017. 368 с.

8. Ono K. Acoustic Emission // Springer Handbook of Acoustics. New York: Springer-Verlag Berlin Heidelberg, 2014. P. 1209–1229. DOI: 10.1007/978-1-4939-0755-7_30.

9. Фирсов А.В., Посадов В.В. Диагностика дефектов подшипников качения при стендовой доводке малоразмерного высокооборотного газотурбинного двигателя с помощью спектрального анализа вибрации // Контроль. Диагностика. 2013. № 7. С. 40–47.

10. Яблоков А.В., Сердюков А.С. Метод автоматизированного извлечения дисперсионных кривых на основе временно-частотного распределения сейсмических данных // Геофизические технологии. 2018. № 3. С. 48–58. DOI: 10.18303/2619-1563-2018-3-5.

11. Chi-Duran R., Comte D., Diaz M., Silva J.F. Automatic detection of P- and S-wave arrival times: new strategies based on the modified fractal method and basic matching pursuit // Journal of Seismology. 2017. Vol. 21. № 5. P. 1171–1184. DOI: 10.1007/s10950-017-9658-0.

12. Kaul B.C., Lawler B., Zahdeh A. Engine Diagnostics Using Acoustic Emissions Sensors // SAE International Journal of Engines. 2016. Vol. 9. № 2. P. 684–692. DOI: 10.4271/2016-01-0639.

13. Feng Z., Liang M., Chu F. Recent advances in time-frequency analysis methods for machinery fault diagnosis: A review with application examples // Mechanical Systems and Signal Processing. 2013. Vol. 38. № 1. P. 165–205. DOI: 10.1016/j.ymssp.2013.01.017.

14. Yan J., Laflamme S., Singh P., Sadhu A., Dodson J. A Comparison of Time-Frequency Methods for Real-Time Application to High-Rate Dynamic Systems // Vibration. 2020. Vol. 3. № 3. P. 204–216. DOI: 10.3390/vibration3030016.

15. Лазоренко О.В., Черногор Л.Ф. Сверхширокополосные сигналы и физические процессы. 2. Методы анализа и применение // Радиофизика и радиоастрономия. 2008. Т. 13. № 4. С. 270–322.

16. Меркушева А.В. Классы преобразований нестационарного сигнала в информационно-измерительных системах. II. Время-частотные преобразования // Научное приборостроение. 2002. Т. 12. № 2. С. 59–70.

17. Huang N.E., Shen S.S.P. Hilbert–Huang Transform and Its Applications. Interdisciplinary Mathematical Sciences. Vol. 5. Singapore: World Scientific Publishing Co, 2014. 311 p. DOI: 10.1142/5862.

18. Liu Y., An H., Bian S. Hilbert-Huang Transform and the Application // Proceedings of IEEE International Conference on Artificial Intelligence and Information Systems. 2020. № 20-22. P. 534–539. DOI: 10.1109/ICAIIS49377.2020.9194944.

19. Novak A., Lotton P., Simon L. Synchronized Swept-Sine: Theory, Application, and Implementation // AES: Journal of the Audio Engineering Society. 2015. Vol. 63. № 10. P. 786–798. DOI: 10.17743/jaes.2015.0071.

20. Dhar S.S., Kundu D., Das U. Tests For the Parameters of Chirp Signal Model // IEEE Transactions on Signal Processing. 2019. Vol. 67. № 16. P. 4291–4301. DOI: 10.1109/TSP.2019.2928996.

21. Терентьев Д.А. Идентификация сигналов акустической эмиссии при помощи частотно-временного анализа // В мире неразрушающего контроля. 2013. Т. 60. № 2. С. 51–55.

22. Rastegaev I.A., Danyuk A.V., Merson D.L., Vinogradov A.Yu. Universal Educational and Research Facility for the Study of the Processes of Generation and Propagation of Acoustic Emission Waves // Inorganic Materials. 2017. Vol. 53. № 15. P. 1548–1554. DOI: 10.1134/S0020168517150158.

23. Викторов И.А. Физические основы применения ультразвуковых волн Рэлея и Лэмба в технике. М.: Наука, 1966. 168 с.

24. Дробот Ю.Б., Грешников В.А., Бачегов В.Н. Акустическое контактное течеискание. М.: Машиностроение, 1989. 120 с.

25. Харрис Ф.Дж. Использование окон при гармоническом анализе методом дискретного преобразования Фурье // Труды института инженеров по электротехнике и радиоэлектронике (ТИИЭР). 1978. Т. 6. № 1. С. 60–96.

26. Nuttall A.H. Some Windows with Very Good Sidelobe Behavior // IEEE Transactions on Acoustics, Speech, and Signal Processing. 1981. Vol. 29. № 1. P. 84–91.

27. Короновский А.А., Храмов А.Е. Непрерывный вейвлетный анализ и его приложения. М.: Физматлит, 2003. 176 с.

28. Добеши И. Всплески и другие методы локализации в фазовом пространстве // Международный конгресс математиков в Цюрихе. М.: Мир, 1999. C. 84–108.


Рецензия

Для цитирования:


Растегаева И.И., Растегаев И.А., Аглетдинов Э.А., Мерсон Д.Л. Сравнение основных частотно-временных преобразований спектрального анализа сигналов акустической эмиссии. Frontier Materials & Technologies. 2022;(1):49-60. https://doi.org/10.18323/2782-4039-2022-1-49-60

For citation:


Rastegaeva I.I., Rastegaev I.A., Agletdinov E.A., Merson D.L. The comparison of the main time-frequency transformations of spectral analysis of acoustic emission signals. Frontier Materials & Technologies. 2022;(1):49-60. (In Russ.) https://doi.org/10.18323/2782-4039-2022-1-49-60

Просмотров: 153


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2782-4039 (Print)
ISSN 2782-6074 (Online)