Cicloestacionariedad

cicloestacionariedad

Aunque la correlación espectral es una de las herramientas espectrales más versátiles para analizar señales cicloestacionarias (es decir, señales que comprenden periodicidades ocultas o patrones repetitivos), hasta ahora su uso en el monitoreo de condiciones se ha visto obstaculizado por su alto costo computacional. El espectro de modulación cíclica (la transformada de Fourier del espectrograma) se erige como una alternativa mucho más rápida, pero adolece del principio de incertidumbre y, por lo tanto, se limita a detectar modulaciones periódicas relativamente lentas. Este artículo soluciona la situación proponiendo un nuevo estimador rápido de la correlación espectral, el Fast Spectral Correlation, basado en la transformada de Fourier de tiempo corto (STFT). Procede de la propiedad de que, para una señal cicloestacionaria, la STFT evidencia flujos periódicos de energía en ya través de sus intervalos de frecuencia. La transformada de Fourier de las interacciones de los coeficientes STFT luego devuelve una cantidad que escanea la correlación espectral a lo largo de su eje de frecuencia cíclica. La ganancia en el costo computacional en comparación con el estimador convencional es como la relación entre la longitud de la señal y la longitud de la ventana STFT y, por lo tanto, puede ser considerable. La validez del estimador propuesto se demuestra en señales de vibración no triviales (firmas de rodamientos muy débiles y casos de variación de velocidad) y su ventaja computacional se utiliza para calcular una nueva cantidad, el espectro envolvente mejorado.

Teoría básica de la cicloestacionariedad En términos de los métodos tradicionales de procesamiento de señales, la señal de vibración se emplea convencionalmente para realizar el monitoreo de condición y el diagnóstico de fallas.

En condiciones saludables, la señal adquirida generalmente se considera estacionaria para el análisis posterior. Sin embargo, debido al efecto de la fluctuación de la carga de trabajo y el ruido ambiental en condiciones defectuosas, se podría obtener una señal no estacionaria en la mayoría de las situaciones prácticas. El análisis CS es precisamente una herramienta eficaz para el procesamiento de señales no estacionarias. Podría emplearse para la extracción de características, el monitoreo de condiciones y la identificación de fallas. Además, la señal de vibración que contiene fallas de maquinaria rotatoria posee no estacionariedad, lo que proporciona un desarrollo potencial para el análisis CS. A través del análisis CS, se puede revelar la información importante de características ocultas, y la información diferente denota las condiciones de falla cambiantes.

 Generalmente, las señales cuyas características estadísticas son periódicas o multiperiódicas (no se puede generalizar cada ciclo) se denominan CS o estacionarias periódicas. La máquina rotativa funciona de manera giratoria, lo que producirá señales periódicas en el proceso de funcionamiento normal. Cuando ocurre la falla de la maquinaria, su señal de vibración puede considerarse como una señal de modulación. Sus estadísticas de segundo orden (principalmente función de autocorrelación cíclica, función de correlación espectral y función de coherencia espectral) presentan la periodicidad y, por lo tanto, pueden verse como una señal CS, que es una señal especial no estacionaria .

Cicloestacionariedad estricta En cuanto al proceso aleatorio de , la función de densidad de probabilidad de la variable dimensional se puede representar de la siguiente manera:  Entre ellos, , denota cualquier número entero, ≠ ≠…≠ , y representa el período de muestreo. Por lo tanto, el proceso puede denominarse cicloestacionariedad estricta. Definición 2. Casi cicloestacionariedad generalizada Si el proceso aleatorio de presenta el cambio estacionario periódico o multiperiódico, se le puede llamar casi cicloestacionariedad generalizada (GACS). La cicloestacionariedad involucrada en la mayoría de las investigaciones se basa en el GACS.

La clasificación de la cicloestacionariedad De acuerdo con el cambio periódico de la firma, este proceso se puede clasificar en los siguientes tres procesos: el de primer orden, el de segundo orden y el de orden superior. Cuando el primer momento del proceso aleatorio satisface la siguiente condición: Esto puede denominarse cicloestacionariedad de primer orden. Supongamos que la función de autocorrelación de se ajusta a la siguiente situación: Esto se puede llamar cicloestacionariedad de segundo orden. Si el ( ) momento cumple con las siguientes descripciones,  Esto puede denominarse cicloestacionariedad de orden superior, incluida la cicloestacionariedad de tercer orden.

Ejemplo de una señal cicloestacionaria compuesta por una modulación de amplitud sinusoidal en una portadora de banda estrecha y (b) su espectro de frecuencia. El CMS requiere que Df > a + B para capturar completamente los latidos periódicos en el tiempo, lo que inevitablemente impide una descripción precisa de la densidad espectral. (c) Espectro de una señal similar con modulación más rápida y presencia de ruido; la condición Df > a + B implica que una gran cantidad de ruido es fatalmente absorbida en la banda de análisis.[pic 1]

Método IESAM aplicado a la falla de la pista interior con carga de 50 Nm. IESAM denota espectro envolvente mejorado por maximización alfa.

[pic 2]

Con una integración de métodos populares de aprendizaje automático y análisis CS, se llevó a cabo un método de diagnóstico inteligente para el diagnóstico de fallas de rodamientos [78,79,80]. El CSC y CSCoh fueron explotados para convertir las señales de tiempo en las características espectrales, lo que logró el establecimiento de indicadores saludables.

...